EEG sinyalleri ile BCI heceleme sistemlerinde kanal seçme algoritmalarının tanıma performansına etkisinin incelenmesi

Birkaç on yıllık geçmişi olan ve çalışma sayısı artan Beyin Bilgisayar Arayüzleri (BBA), bu tür bozukluklara sahip bireylerin çevreleriyle iletişim kurmalarını sağlamak üzere geliştirilmeye çalışılmaktadır. Heceleme sistemleri, bir ekranda bulunan harf ve rakamlardan oluşan matris içerisinde, kişinin odaklandığı karakterleri tespit ederek, uygulama aracılığıyla yazıya dönüştüren BBA sistemleridir. Problem, EEG kayıtlarının uzun süreli, tekrarlı ve çok kanallı kayıt edilmesi sonucu oluşan büyük veri ve buna bağlı oluşan işlem maliyetinin yüksek olmasıdır. Veri miktarını ve işlem maliyetini azaltmak için kullanılan yöntemlerden biri de kanal sayısının azaltılmasıdır. Bu amaçla, en iyileme teknikleri, hangi kanalın daha verimli olduğunun matematiksel model ile tasarlanamadığı durumlarda metasezgisel yöntemleri ile devreye girmektedir. Çalışma, 2005 yılında gerçekleştirilen BBA III Yarışması Veri Kümesi II olarak isimlendirilen veriler üzerinden gerçekleştirilmiştir. Çalışmada, genetik algoritma, ikili parçacık sürü en iyilemesi ve ikili yapay arı kolonisi ile kanal seçim işlemleri gerçekleştirilmiştir. Çalışma sonucunda seçilen kanallar, koşumlardaki seçim sayılarına göre 8 kanal, 16 kanal ve ortalama seçim sayısına göre gruplandırılmıştır. Seçilen kanalların, Destek Vektör Makinesi (DVM), En Küçük Kareler Destek Vektör Makineleri (EKK-DVM), Doğrusal Ayırıcı Analizi (DAA) sınıflayıcıları ile tekil ve topluluk yapısı ile performansları incelenmiştir. Sınıflayıcı performans analizi doğruluk, hassasiyet, kesinlik, F skor ölçümleri ile değerlendirilmiştir. Çalışma sonucunda kanal azaltma işleminin tüm sınıflayıcılar için performans artışına neden olduğu gözlenmiştir. Özellikle doğruluk oranı düşük olan verilerde daha yüksek oranda artış olmaktadır. Kanal seçimi sonrası %97'leri geçen doğruluk oranları elde edilmiştir. Metasezgisel en iyileme yöntemleri, BBA sistemlerinde kanal seçim işlemlerinde kullanılarak veri miktarının azalmasını ve buna bağlı olarak işlem maliyetinin düşmesini sağlamaktadır. Ayrıca tahmin performansını arttırmaktadır.