Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition

Beyin-bilgisayar arayüzü (BBA) sistemleri, beyin ile harici cihazlar arasında doğrudan iletişim kanalları kurmayı amaçlamaktadır. Bu arayüzleri inşa etmek için birincil motivasyon inme ve amyotrofik lateral skleroz (ALS) gibi, kas kontrolü sınırlı olan veya hiç olmayan hastaların, ölçülen beyin elektriksel aktivitelerine dayalı biçimde, niyetlerini otomatik olarak yorumlayarak, bilgisayarları veya diğer cihazları kullanmalarını sağlamaktır. Ayrıca, günümüzde sağlıklı bireylerin BBA sistemlerini ek bir iletişim kanalı olarak, belirli insan bilgisayar etkileşim sistemlerinde, kullanmalarını sağlamak da büyük bir ilgi çekmektedir. Mevcut deneysel BBA sistemleri gözetimli bir şekilde eğitilip daha sonra test oturumu verilerinde değerlendirmektedir. BBA'ların günlük ve uzun vadeli, örneğin yarı otonom arabalarda, kullanımına yönelik artan taleplerle, bu tür sistemler daha uzun zamanlı oturumlarda test edilmiştir, ve bu bağlamda araştırmacılar eğitimli sistemlerin başarımlarının önemli ölçüde düştüğünü gözlemlemişler. Bunun elektroensefalografik (EEG) sinyallerin durağan olmayan doğasından kaynaklandığına inanılmaktadır. Bunun sonucunda, test oturumları sırasında bu tür değişikliklere uyum sağlayan, yarı gözetimli öğrenme ile uyarlanabilir BBA'ların tasarlanması yeni bir araştırma alanı olarak ortaya çıkmıştır. Bu sinyallerin durağan olmamasının temel nedenlerinden biri, kullanıcıların bilişsel yük, uyanıklık, dikkat, yorgunluk, can sıkıntısı ve motivasyon gibi bilişsel durumlarındaki değişikliklerdir. Ancak, EEG sinyallerinden bu tür bilişsel durumlar hakkındaki bilgileri dinamik olarak çıkarmak ve bunu BBA sistemlerinin başarımlarını iyileştirmek için kullanmak önemli ve hâlâ çözülememiş zor bir araştırma sorunudur. Biz bu tezde çok karmaşık bir sorun olan, bilişsel görevlerin yürütülmesi sırasında kullanıcıların uyanıklık ve dikkat düzeyini tahmin etmeyi ele alıyoruz. Uzun vadeli görev ve tepki süresi tutarlılıklarının nöral, EEG tabanlı ilintilerini belirlemek için tepki görevine sürekli dikkat (SART) testine dayalı bir dizi deney tasarlıyoruz. Uyanıklık için yeni bir uyarlanabilir puanlama şeması önerdikten sonra, içsel dinlenme ve görevle ilgili beyin ağları arasındaki yakın ilişki hakkında yeni kanıtlar sağlıyor ve sinir ağları ve dinlenme durumu EEG sinyallerinin uzamsal-izgesel öznitelikleri üzerinde alaka analizi kullanarak tonsal başarım ve tepki süresindeki tutarlılığı öngörmek için modeller geliştiriyoruz. Daha sonra, düşük ve yüksek uyanıklık aralıklarını öngörmek hedefine odaklanıp, evresel uyanıklığın ve başarım tutarlılığının başarılı öngörücüleri olarak evre kilitleme değeri özniteliklerini kullanan, evrişimli sinir ağlarına (CNN'ler) dayalı tam otomatik sistemler öneriyoruz. Bu katkılarımızın tümünde, uzun ve monoton deneylerdeki aşırı uyanık ve uykulu aralıkları modellemek ve tespit etmek için kişisel uyanıklık özniteliklerini ve bireysel psikofizyolojik farklılıkları dikkate alıyoruz, ve literatürü, uyanık ve tutarlı davranışın uzamsal-izgesel-zamansal ilintilerine dair kanıtlarla zenginleştiriyoruz. Ardından, kullanıcıların sürekli uyanıklık seviyelerinin yeni bir aşamaya girdiği anların sıralı çıkarımı ve tespiti için değişim noktası modellerini kullaniyoruz. Çevrimiçi ve çevrimdışı uyanıklık modellerimizin, hem laboratuvarımızda toplanan SART veri kümele- rinde hem de uyanıklık etiketleri içeren sürüş veri kümelerinde değişim noktalarını başarılı olarak tespit etmesini gösteriyoruz. Sonunda, bu tezin en öne çıkan katkısı olarak, altta yatan uyanıklık seviyelerinin kullanıcıların tepki verme süresini ve dolayısıyla BBA motor hareketlerini zihinde canlandırmaya odaklanma kabiliyetini etkilediğini varsayıyoruz. Daha sonra, eğitim ve test oturumları sırasında aralıkların uyanıklık seviyelerini etiketlemek için bir dizi yeni gözetimsiz öğrenme şeması kullanan ve hem öznitelik çıkarımı hem de sınıflandırıcı parametrelerinin eğitiminde tam uyarlanma özelliğine sahip bir yönteme yol açan Hayali Motor Hareketleri Tabanlı BBA için bir Uyarlanabilir Uyarılılığa dayalı Sınıflandırmayı sunuyoruz. Bu uyarlanabilir sınıflandırma yaklaşımının, çeşitli uyanıklık kümeleme şemalarımız tarafından düşük uyanıklık seviyeleriyle etiketlenmiş aralıklarda farklı şekilde eğitilmiş üç farklı versiyonu tanıtılıyor. Sonuç olarak, kendi SPIS MI-BCI veri kümemiz ve BCI Competitıon IV 2a veri kümesi için orijinal, uyarlanabilir olmayan temele göre uyarlanabilir versiyonların genel test doğruluğundaki gelişmeleri rapor ediyoruz. BBA laboratuvarımızda toplanan birkaç veri kümesi, şu adreste halka açık bir depoya yüklenmiştir https://github.com/mastaneht.