P300 Tabanlı Beyin-Bilgisayar Arayüzü Yazım Denetleyicisi Performans Tahmini ile Sınıflandırıcı Tabanlı Gecikme Tahmini

Beyin-bilgisayar arayüzleri (BCI’ler), bireylerin vücut tarafından dayatılan fiziksel sınırlamalara bakılmaksızın doğrudan makineler aracılığıyla iletişim kurmasına olanak tanıyan, invaziv olmayan bir teknolojidir. BCI, doğrudan beyin tarafından çalıştırılan yardımcı bir cihaz olarak kullanılabilir. BCI, kullanıcının ekranda görüntülenen belirli bir anahtarı (harf, sayı veya sembol) seçmek isteyip istemediğini belirlemek için kullanıcının beyin aktivitesini kullanır¹. Tipik bir bilgisayar sisteminde, bir kullanıcı klavyede istenen tuşa fiziksel olarak basar. Bununla birlikte, görsel ekranlı bir BCI sisteminde, kullanıcının istenen tuşa odaklanması gerekir. Ardından, BCI ölçülen beyin sinyallerini analiz ederek amaçlanan anahtarı seçecektir¹. Beynin aktivitesi çeşitli teknikler kullanılarak ölçülebilir. Rakip BCI teknolojileri olmasına rağmen, elektroensefalogram (EEG), noninvaziv doğası, yüksek zamansal çözünürlüğü, güvenilirliği ve nispeten düşük maliyeti nedeniyle önde gelen bir teknik olarak kabul edilir².

BCI uygulamaları arasında iletişim, cihaz kontrolü ve ayrıca eğlence 3,4,5,6 yer alır. En aktif BCI uygulama alanlarından biri, Farwell ve Donchin 300 tarafından tanıtılan^P7 heceleyicidir. P300, nadir fakat ilgili bir uyaranın^{tanınmasına} yanıt olarak üretilen olayla ilgili bir potansiyeldir (ERP) 8. Bir kişi hedef uyaranını tanıdığında, otomatik olarak bir P300 üretir. P300, bir BCI için etkili bir sinyaldir, çünkü katılımcının hedef olayı tanıdığını dışa dönük bir yanıt gerektirmeden^{iletir 9}.

P300 BCI, bilgisayar bilimi, elektrik mühendisliği, psikoloji, insan faktörleri ve diğer çeşitli disiplinlerden araştırmacıları cezbetmiştir. Sinyal işleme, sınıflandırma algoritmaları, kullanıcı arayüzleri, stimülasyon şemaları ve diğer birçok alanda ilerlemeler kaydedilmiştir 10,11,12,13,14,15. Bununla birlikte, araştırma alanı ne olursa olsun, tüm bu araştırmaların ortak noktası, BCI sistem performansının ölçülmesi gerekliliğidir. Bu görev genellikle bir test veri kümesinin oluşturulmasını gerektirir. Bu gereklilik sadece araştırma ile sınırlı değildir; Yardımcı bir teknoloji olarak nihai klinik uygulama, sistemin güvenilir iletişim oluşturabilmesini sağlamak için muhtemelen her son kullanıcı için ayrı doğrulama setleri gerektirecektir.

P300 BCI’ye uygulanan önemli araştırmalara rağmen, sistemler hala oldukça yavaş. İnsanların çoğu bir P300 BCI¹⁶ kullanabilirken, çoğu P300 Heceleyici dakikada 1-5 karakter mertebesinde metin üretir. Ne yazık ki, bu yavaş hız, test veri kümelerinin oluşturulmasının katılımcılar, deneyciler ve nihai son kullanıcılar için önemli ölçüde zaman ve çaba gerektirdiği anlamına gelir. BCI sistem doğruluğunun ölçülmesi bir binom parametre tahmin problemidir ve iyi bir tahmin için birçok veri karakteri gereklidir.

P300 ERP’nin varlığını veya yokluğunu tahmin etmek için çoğu sınıflandırıcı, EEG verilerinin her denemesine veya dönemine bir ikili etiket (örneğin, “varlık” veya “yokluk”) atamayı içeren bir ikili sınıflandırma modeli kullanır. Çoğu sınıflandırıcı tarafından kullanılan genel denklem şu şekilde ifade edilebilir:

burada P300 yanıtının mevcut olma olasılığını temsil eden sınıflandırıcı skoru olarak adlandırılır, x EEG sinyalinden çıkarılan özellik vektörüdür ve b bir önyargı terimidir¹⁷. f işlevi, girdi verilerini çıktı etiketiyle eşleyen bir karar işlevidir ve denetimli bir öğrenme algoritması¹⁷ kullanılarak bir dizi etiketli eğitim verisinden öğrenilir. Eğitim sırasında, sınıflandırıcı, her bir sinyalin bir P300 yanıtına sahip olup olmadığı etiketli bir EEG sinyalleri veri kümesi üzerinde eğitilir. Ağırlık vektörü ve önyargı terimi, sınıflandırıcının tahmin edilen çıktısı ile EEG sinyalinin gerçek etiketi arasındaki hatayı en aza indirmek için optimize edilmiştir. Sınıflandırıcı eğitildikten sonra, yeni EEG sinyallerinde P300 yanıtının varlığını tahmin etmek için kullanılabilir.

Farklı sınıflandırıcılar, doğrusal diskriminant analizi (LDA), kademeli doğrusal diskriminant analizi (SWLDA), en küçük kareler (LS), lojistik regresyon, destek vektör makineleri (SVM) veya sinir ağları (NN’ler) gibi farklı karar fonksiyonlarını kullanabilir. En küçük kareler sınıflandırıcısı, tahmin edilen sınıf etiketleri ile gerçek sınıf etiketleri arasındaki karesi alınmış hataların toplamını en aza indiren doğrusal bir sınıflandırıcıdır. Bu sınıflandırıcı, aşağıdaki denklemi kullanarak yeni bir test örneğinin sınıf etiketini tahmin eder:

(1)

burada işaret fonksiyonu, ürün pozitifse +1 ve negatifse -1 döndürür ve ağırlık vektörü , aşağıdaki denklem kullanılarak eğitim verilerinin, (x) ve sınıf etiketlerinin (y) özellik kümesinden elde edilir:

    (2)

Daha önceki araştırmalarda, Sınıflandırıcı Tabanlı Gecikme Tahmininin (CBLE) BCI doğruluğunu tahmin etmek için^{kullanılabileceğini savunduk 17,18,19}. CBLE, sınıflandırıcının zamansal duyarlılığından yararlanarak gecikme değişimini değerlendirmeye yönelik bir stratejidir¹⁸. P300 sınıflandırmasına yönelik geleneksel yaklaşım, her bir uyaran sunumuyla senkronize edilen tek bir zaman penceresi kullanmayı içerirken, CBLE yöntemi, uyaran sonrası dönemlerin birden fazla zaman kaydırmalı kopyasının oluşturulmasını içerir. Ardından, P300 yanıtının^17,18 gecikmesini tahmin etmek için maksimum puanla sonuçlanan zaman kaymasını algılar. Burada, bu çalışma, CBE kullanarak küçük bir veri kümesinden BCI performansını tahmin eden bir protokol sunmaktadır. Temsili bir analiz olarak, bir bireyin genel performansına ilişkin tahminlerde bulunmak için karakter sayısı çeşitlendirilir. Her iki örnek veri kümesi için, vCBLE için kök ortalama kare hatası (RMSE) ve gerçek BCI doğruluğu hesaplandı. Sonuçlar, vCBLE tahminlerinden elde edilen RMSE’nin, takılan verileri kullanarak, test edilen 1 ila 7 karakterden elde edilen doğruluktan sürekli olarak daha düşük olduğunu göstermektedir.

Önerilen metodolojinin uygulanması için “CBLE Performans Tahmini” adı verilen bir Grafik Kullanıcı Arayüzü (GUI) geliştirdik. MATLAB platformunda çalışan örnek kod da sağlanır (Ek Kodlama Dosyası 1). Örnek kod, GUI’de uygulanan tüm adımları gerçekleştirir, ancak adımlar, okuyucunun yeni bir veri kümesine uyum sağlamasına yardımcı olmak için sağlanır. Bu kod, önerilen yöntemi değerlendirmek için halka açık bir veri kümesi olan “Beyin İstilacıları kalibrasyonsuz P300 tabanlı BCI, kuru EEG elektrotları kullanan Veri Kümesi (bi2014a)” kullanır²⁰. Katılımcılar, her oturumda oyunun 9 seviyesine sahip olan üç adede kadar Brain Invaders oyun oturumu oynadılar. Veri toplama, tüm seviyeler tamamlanana veya katılımcı BCI sistemi üzerindeki tüm kontrolünü kaybedene kadar devam etti. Brain Invaders arayüzü, altı uzaylıdan oluşan 12 grupta yanıp sönen 36 sembol içeriyordu. Brain Invaders P300 paradigmasına göre, her grup için bir tane olmak üzere 12 flaş ile bir tekrar oluşturuldu. Bu 12 yanıp sönmeden iki yanıp sönme Hedef sembolünü (Hedef yanıp sönmeler olarak bilinir) içerirken, kalan 10 yanıp sönme Hedef sembolünü (Hedef olmayan yanıp sönmeler olarak bilinir) içermiyordu. Bu paradigma hakkında daha fazla bilgi orijinal referans^20’de bulunabilir.

CBLE yaklaşımı, 40 katılımcıdan^18,19 elde edilen verileri içeren bir Michigan veri kümesinde de uygulandı. Burada, görevleri eksik olduğu için sekiz katılımcının verileri atılmak zorunda kaldı. Tüm çalışma, her katılımcıdan üç ziyaret gerektirdi. İlk gün, her katılımcı 19 karakterlik bir eğitim cümlesi yazdı, ardından 1, 2 ve 3. günlerde 23 karakterlik üç test cümlesi yazdı. Bu örnekte, klavye altı satır ve altı sütun halinde gruplandırılmış 36 karakter içeriyordu. Her satır veya sütun, yanıp sönmeler arasında 125 milisaniye aralıklarla 31,25 milisaniye yanıp söndü. Karakterler arasında 3,5 saniyelik bir duraklama sağlandı.

Şekil 1 , önerilen yöntemin blok diyagramını göstermektedir. Ayrıntılı prosedür protokol bölümünde açıklanmıştır.