Makine öğrenmesi yöntemleri ile motor hareket hayali tabanlı mobil beyin bilgisayar arayüzü tasarımı

Beyin Bilgisayar Arayüzü (BBA), beyin sinyallerinin mantıklı komutlara çevrilmesiyle insan ve makineler arasında köprü vazifesi görebilecek hızla gelişmekte olan bir alandır. Bir yandan, sağlıklı insanlar için bir oyun ekipmanı ve yalan makinası amacıyla kullanılabileceği gibi, öte yandan engelli insanların hareket ve heceleme kabiliyetlerinin kısmen geri kazanılmasında bu hastalar için her şeyden daha çok ümit verici bir gelişmedir. Beyin Bilgisayar Arayüzü temel olarak beş bileşenden oluşmaktadır. Bu bileşenler; data toplama, sinyal ön işleme, öznitelik çıkarımı, sınıflandırma ve komuta çevirmedir. Data toplama kendi içerisinde elektrot, kuvvetlendirici ve analog dijital çevirici gibi hem donanımsal parçalar, hem de alınan sinyalleri belirli aralıklarla örneklemeyi sağlayacak düzenleyici yazılımları kapsamaktadır. Burada alınan dataların içerisindeki bir takım bozucu sinyaller (gürültü), sinyal ön işleme fazında filtrelemelere tabii tutularak faydalı bilgi güçlendirilmeye çalışılır. Data içerisinde bilginin özünü temsil eden öznitelikler belirlenerek, hızlı hesaplama imkanı sağlanmaya çalışılır. Bu aynı zamanda, sınıflayıcılar için gerekli olan eğitim kümesinin boyutunun da küçük olmasını sağlar. Sınıflayıcılar ise, öznitelikler ve bunların etiketleri ile birlikte eğitilerek yeni sinyalleri doğru sınıflama özelliği kazandırılır. Sınıflayıcının verdiği karar, kullanıcıya bir arayüz aracılığıyla verilir. Motor hareket hayaline dayanan Beyin Bilgisayar Arayüzü (BBA) uygulamalarının büyük bir kısmı; kompakt yapıda olması, düşük maliyeti ve yüksek zamansal çözünürlüğünden dolayı elektroensefalografi (EEG) yöntemine dayanmaktadır. Ancak, hacim iletimi (volume conduction) etkisinden ötürü mevcut uzamsal çözünürlüğün düşük olması sınıflandırma görevini zor bir hale getirmektedir. Bunlara ek olarak; deneklerin daha önce bu tarz deneylerde yer almaması, EEG sinyallerinin durağan ve tahmin edilebilir olmaması, kişiler arası değişiklik gösterdiği gibi aynı kişi özelinde farklı durum ve zamanlarda farklı sinyaller elde edilmesi durumu problemi daha çetin bir hale sokmaktadır. Bu çalışmada, ticari olarak satılan portatif bir EEG kaskı (Emotiv Epoc) ile Matlab ve Openvibe programları birbirine entegre edilerek mobil beyin bilgisayar arayüzü tasarlanmıştır. Tezde, EEG metodunun tanıtılması başlığı altında; beynin fizyolojik yapısı, oluşan EEG sinyal çeşitleri, frekans spektrumu ve fonksiyonları tanıtıldıktan sonra, diğer beyin görüntüleme teknikleri içerisinde yer alan magnetoensefalografi, elektrokortikografi; beynin hemodinamik aktivitesine bağlı çalışan fonksiyonel magnetik rezonans görüntüleme tekniği ve yine fonksiyonel yakın kızılötesi spektrumu teknikleri hakkında kısa bir bilgi verilerek EEG metodu ile karşılaştırması yapılmıştır. Daha sonra diğer bir başlık altında, farklı nörofizyolojik fenomenlere bağlı Beyin Bilgisayar Arayüzleri tanıtılmıştır. Motor hareket hayali dışındaki diğer yöntemler bir uyartının varlığına ya da beklentisine dayanmaktadır. Bu metotlar, yavaş kortikal potansiyeller, Durağan görsel uyarılmış potansiyeller ve P300 sinyalleridir. Bu bilgilendirme sonrasında, teze konu olan motor hareket hayali özelinde sinyal özellikleri, bu sinyallerin beyinde salındığı yerler ve oluşumu esnasında görülen olaya ilişkin senkronizasyon (ERS) ve olaya ilişkin desenkronizasyon (ERD) konuları etraflıca ele alınmıştır. Sonraki bölüm, epochların teorik olarak nasıl oluşturulduğunu anlatarak başlamıştır. Bundan sonra, EEG'nin düşük uzamsal çözünürlüğünü arttırmak için Uzamsal filtreler ve bu filtrelerden de en etkilisi olan Ortak Uzamsal Örüntü (CSP) algoritması anlatılarak gerekli denklemler verilmiştir. Ortak Uzamsal Örüntü metodunun, genelleştirilmiş özdeğer vektör prensibine dayanarak çalışan, iki sınıf temelli bir yöntem olmasından ötürü, daha yüksek sınıflara çıkmak için gerekli bire-karşı-bir (OVO) ve bire-karşı-geri kalanlar (OVR) teknikleri detaylı olaraka anlatılarak yapılan değişiklikler belirtilmiştir. Bire-karşı-bir (OVO) tekniğinde, metot aynı kalmakla birlikte üç sınıflı bir sınıflandırma işlemi için üç farklı Ortak uzamsal örüntü; sol ele-karşı-sağ el, sol ele-karşı-ayak hareketi, sağ ele-karşı-ayak hareketi sınıflandırması gerekmektedir. Çapraz doğrulama ile elde edilen test kümesi daha sonra modelin denenmesi için saklanır. Eğitim kümesi ise, bu üç farklı ikili sınıflandırıcılara verilmeden önce içerisinden istenilen ikili sınıflandırma işlemi ile alakası olmayan kümeler elenerek bu şekilde sınamaya tabi tutulmuşlardır. Örneğin, sol ele-karşı-sağ el sınıflandırıcısına eğitim kümesi, tüm eğitim kümesinden ayak hareketi ile ilgili epochlar ayıklanarak verilmiştir. Bu şekilde diğerleri için de aynı yol izlenmiştir. Burada bir diğer önemli noktanın eğitim/test kümesi oluşturulurken bu kümelerin oransal olarak benzer bileşenlere sahip olması, veri kümesinde herhangi bir dengesizliğe fırsat vermeden eşit bir şekilde ölçüme tabi tutulması için önemlidir. Ortak uzamsal örüntü metodu bu kümelerin saçılmasını minimuma indirecek özdeğer bileşenleri bulmak için koşturulur. Elde edilen katsayılar, eğitim kümesinin başarısını görmek için sınıflandırıcıya verilmeden önce örnek sinyallerle çarpılarak uzamsal filtrelemeye tabi tutulur, sonucunda öznitelik vektörü oluşur. Bire-karşı-geri kalanlar (OVR) tekniği ise, örneğin, sağ ele-karşı-(sol el + ayak hareketi)nin gücüne dayanır. Sınıf içi saçılım band gücü olarak kullanıldığından, aslında Sağ el sinyallerinin gücü, Sağ elin dışında kalan tüm uzuvların gücüne karşı gibi düşünülebilir. CSP algoritmasıyla, sınıf içi saçılım band gücü olarak kullanıldığı için başka öznitelik çıkarma işlemlerine gerek kalmamıştır. Band gücü daha sonra aralarında Doğrusal Ayırtaç Analizi (LDA), Karar Destek Makinaları (SVM) ve K En Yakın Komşuluk (KNN) sınıflandırıcılarına verilmektedir. Bu sınıflandırıcılar ile ilgili özellikler burada paylaşılmıştır. Benzetim sonuçlarına geçmeden önce Beyin Bilgisayar Arayüzü(BBA) yarışma dataları ve deney zamanlaması anlatılarak, hem Matlab ortamında yazılan kodun doğrulanması hem de daha sonra Emotiv kaskı kullanılarak alınan dataların işlenmesiyle elde edilen sonuçların daha sağlıklı yorumlanması için bu yarışma datalarındaki tüm elektrotlar ve Emotiv'in kullandığı elektrot noktalarını baz alan 14 kanala düşürülmüş elektrotlardan gelen bilgiler işlenerek kodun başarılı bir şekilde çalıştığı bulunmuştur. Emotiv kaskı kullanılarak yapılan deney sonucunda elde edilen bulgular, aynı sayı ve elektrot pozisyonlarının işlendiği yarışma datası sonuçları ile karşılaştırıldığında yakın sonuçlar elde edildiğinin görülmesi, yazılan kod ve yapılan işlemin başarılı olduğunu göstermektedir. Ayrıca tüm elektrotların işleme alındığı yarışma datası kullanılarak yapılan analiz sonucu ile Emotiv elektrot sayısı ve noktalarının baz alındığı yarışma datası analiz sonucu karşılaştırıldığında farkın yüzde 10-15 mertebelerinde olduğu görülmüştür. Motor hareket hayalinin ayrıştırılmasını sağlayan mu ve beta dalgalarının motor korteks tarafından salındığı, Emotiv Epoc kaskının ise elektrot pozisyonlarının motor korteks üzerinde değil ama ona yakın bölgelere konumlandırıldığı düşünülürse, bu farkın doğal olduğu düşünülmektedir. İleride CSP'nin başarımını yükseltmek için işin spektral kısmını da ele alan Filtre bankası CSP gibi uzamsal-spektral çalışmalar yapılabilir. Mobil BCI tasarımında, daha az elektrot ile daha yüksek başarım gösteren metotlara yönelim giderek artmaktadır. Bu çalışmalardan Riemann manifolduna dayanan yöntemler örneğin, Jeodezik yöntemler bu amacın gerçekleştirilmesinde önemli bir rol oynayabilir.