Hybrid and model based approaches for new BCI spellers

Elektroansefalografi (EEG) tabanlı beyin-bilgisayar arayüzleri (BBA) müdahalesiz olması, taşınabilir olması ve zamansal çözünürlüğünün iyi olması sebebiyle nöral mühendislik alanında sıkça tercih edilmektedirler. BBA paradigmalarını günlük uygulamalar için daha pratik ve uygulanabilir hale getirmek amacıyla, hibrit BBA'lar ve model tabanlı BBA'lar gibi yeni yaklaşımlar denenmektedir. Bu çalışmanın ilk aşamasında, tek başına P300 ve tek başına kod modülasyonlu görsel uyarılmış potansiyel (KMGUP) paradigmalarının elde edebileceğinen daha yüksek doğruluk oranı ve bilgi aktarım hızı (BAH) geliştirmek amacıyla geleneksel P300 ve KMGUP paradigmalarını birleştiren yeni bir hibrit heceleyici BBA önerilmiştir. Buna ek olarak, P300 ve KMGUP verilerini en son karar aşamasında skor düzeyinde etkili bir şekilde birleştirmek için füzyon teknikleri uygulanmıştır. Geliştirilen hibrit BBA için iki farklı yaklaşım, doğrusal ayrımcı analizi (linear discriminant analysis (LDA)) ve maksimum olasılık tahmini (maximum probability estimation (MPE)), uygulanmıştır ve performansları karşılaştırılmıştır. Önerdiğimiz BBA, 120 Hz yineleme hızına sahip bir ekranda 6x6 matris dizilimine sahip 36 hedeften oluşmaktadır. Her bir deneğe bir eğitim seansından sonra beş test seansının uygulandığı deneylere 7 sağlıklı denek katılmıştır. Deneylerde kaydedilen ham EEG'den P300 ve KMGUP sinyalleri sırasıyla 0.5-6 Hz bant geçiren filtre ve 6-41 Hz bant geçiren filtre uygulanarak elde edilmiştir. P300 için, öznitelik vektörünü elde etmek amacıyla 10 EEG kanalından alınan eğitim verileri üzerinde aşamalı olarak lineer ayırma analizi (stepwise linear discriminant analysis (SWLDA)) uygulanmaktadır. KMGUP için ise 36 hedef için şablon elde etmek amacıyla eğitim verisi üzerinde kanonik korelasyon analizi (KKA) uygulanmaktadır. Hibrit deneylerinde elde edilen veriden P300 verisini kullanmayıp sadece kmGUP verisini kullanarak yapılan KMGUP ile karşılaştırıldığında MPE-tabanlı hibrit paradigma, doğruluk ve BAH değerlerini ortalamada sırasıyla %1.1 ve 2.1 bit/dk kadar arttırmıştır. LDA-tabanlı hibrit paradigma kullanıldığında ise bu değerlerin %12.3 ve 19.8 bit/dk kadar azaldığı gözlemlenmiştir. Bunlara ek olarak, bütün deneklerin doğruluk ve BAH değerlerinin ortalaması üzerinden yapılan istatistiki testler, MPE-tabanlı hibrit paradigma ve hibrit-tabanlı KMGUP paradigmasının istatistiki olarak farklı olmadığını göstermektedir (p=0.293). MPE-tabanlı hibrit paradigma her ne kadar istatistiki olarak daha iyi olmasa da temel amaç doğruluk oranını arttırmak ise bu çalışmanın sonuç bölümünde tartışıldığı üzere P300 yöntemlerinde yapılacak geliştirmeler ile beraber bu hibrit paradigmanın kullanılması oldukça etkili olacaktır. Öte yandan, amaç heceleyicinin hızını arttırmak ise bu yöntem faydalı olmayabilir, çünkü KMGUP paradigması, zamanlama açısından optimize edildiğinde, kendi başına ortalamada 122.9 bit/dk veya daha fazlası kadar bir BAH elde edebilmektedir. Çalışmanın ikinci aşamasında ise, heceleyicideki her hedefe atanan kod sekansının rastgele seçildiği ve bu yüzden bütün hedefler için ayrı ayrı eğitim gerektiği durumda, eğitim için gereken sürenin azaltılması amacıyla model-tabanlı bir KMGUP BBA geliştirilmiştir. Bu amaçla, sırasıyla 60 Hz ve 120 Hz monitör yineleme hızı için KMGUP görsel stimülasyonlarına verilen tepkeleri simüle etmek için hareketli ortalama modeli uygulanmıştır. Ölçülen tepkeler ile modelden elde edilen tepkeler arasındaki ortalama korelasyon 60 Hz için 0.357, 120 Hz için ise 0.396'dır. Model-tabanlı KMGUP BBA'nın ortalama doğruluk ve BAH değerleri 60 Hz için sırasıyla %87.1 ve 76.4 bit/dk, 120 Hz için sırasıyla %82.1 ve 72.4 bit/dk'dır. Modelleme sonuçları, tek bir görsel uyaran düzeninde bir eğitim gerçekleştirdikten sonra elde edilen veriler kullanılarak uygun bir model elde etmenin mümkün olduğunu göstermektedir.