Hayali Motor Hareketleri Tabanlı BBA Sistemlerinde Yarı Güdümlü Uyarlama Semi-supervised Adaptation of Motor Imagery Based BCI Systems

One of the main problems in Brain Computer Interface (BCI) systems is the non-stationary behavior of the electroencephalography (EEG) signals causing problems in real time applications. Another common problem in BCI systems is the situation where the labeled data are scarce. In this study, we take a semi-supervised learning perspective and propose solving both types of problems by updating the BCI system with labels obtained from the outputs of the classifier. To test the approach, data from motor imagery BCI system are used. Attributes extracted from EEG signals are classified with Linear Discriminant Analysis (LDA) and Support Vector Machines (SVM). With respect to the static classifiers, accuracy was improved approximately 4% using the proposed adaptation approach in the case of a training dataset. Even though the difference between the performance of static and adaptive classifiers decreases as the size of training data increases, the accuracy of our proposed adaptive classifier remains higher. The proposed approach has also improved the performance of a BCI system around 4% in the case of non-stationary signals as well. Keywords—BCI, EEG, adaptivity, motor imagery Bu çalışma TÜBİTAK tarafından 111E056 sayılı araştırma projesi ve bir yurt içi doktora sonrası araştırma bursu ile desteklenmiştir. I. GİRİŞ Merkezi sinir sistemi ve omurilik gibi bölgelerdeki motor sinir hücrelerinin zarar görmesiyle, felç gibi bireylerin çevreleriyle iletişim kurmalarını kısıtlayacak ya da tamamen ortadan kaldıracak rahatsızlıklar oluşmaktadır. BeyinBilgisayar Arayüzü (BBA) çalışmaları, bu tip motor nöron bozuklukları olan hastalara beyin ile bilgisayar arasında kas hareketi kullanmadan iletişim kanalı oluşturma fikrini taşır. BBA sistemlerinin temelini oluşturan elektroensefalografi (EEG) sinyalleri, kafa derisi üzerinden ölçülerek işlenir ve kullanıcının ihtiyaç duyduğu işlevi açığa çıkarmak için yorumlanır [1]. BBA çalışmalarında önemli yaklaşımlardan biri de hayali hareket sinyallerinin kullanımıdır. Yüzeysel ölçüm yöntemleriyle toplanan hayali motor hareket sinyallerine sağ ve sol kol hareketleri örnek olarak gösterilebilir. Toplanan bu sinyallerden çıkarılan öznitelikler kullanılarak kişinin hareket isteği sağ ya da sol kol olarak sınıflandırılır. Daha sonra çevrimiçi çalışmalarda sınıflandırıcı sonuçları yardımıyla ekranda imleç hareket ettirme gibi deneyler tasarlanmıştır. Ancak sinyaller; kayıt sırasındaki kalibrasyon ölçümü ve çevrimiçi çalışmalar arasındaki farklılık, elektrotların deney sırasındaki hareketi, jel kuruması, kullanıcının odaklanamama ve yorgunluk durumları gibi sebeplerden durağan olamazlar [2]. EEG’ deki durağan olmama hali sınıflandırma çalışmalarını zorlaştırmaktadır [3]. Bu problemi çözmek için literatürde BBA sistemini sinyallerdeki değişimlere uyarlayacak farklı metotlar önerilmiştir. Hasan ve arkadaşları [4], çalışmalarında Gauss karışım modelini ilgili DAA sınıflandırıcısını uyarlamak için kullandı. Buradaki Gauss karışım modeli içindeki ortalama ve ortak değişinti değerleri üzerinde güncelleme yaparak DAA sınıflandırıcısını oluşturup sınıflandırıcının paramatrelerini belirlemişlerdir. Blumberg ve arkadaşları da [2] DAA sınıflandırıcısının ortalama ve ortak değişinti değerlerini güncelleyerek hayali motor hareketleri üzerinde çalışmışlardır. Vidaurre ve arkadaşları ise bilgi matrislerinin tahmini uyarlama yöntemi (ADIM) ile çevrimiçi güncellenen sınıflandırıcılar üzerinde çalıştılar [5], [6]. Chavarriaga ve Falkenstein de çalışmalarında kullanıcının sistemdeki hatayı algılaması ile 978-1-4673-7386-9/15/$31.00 ©2015 IEEE beyinde oluşan potansiyelleri (error-related potentials, ErrP) kullanarak uyarlama üzerinde çalışmışlardır [7], [8]. Uyarlama, sınıflandırıcının gelen veriye göre kendini, parametrelerini güncellemesini temel alır. Uyarlama ile birlikte sınıflandırıcı performansı geliştirilir. Uyarlama yöntemleri güdümlü öğrenme, güdümsüz öğrenme, yarı güdümlü öğrenme olmak üzere sınıflandırılabilir. Güdümlü öğrenme ile uyarlanan sınıflandırmalarda sınıf etiketlerinin bilinmesi gerekir, ancak bu yaklaşım gerçek hayatta sınıf etiketleri olmayan veri ile karşılaşıldığında yetersiz kalacaktır. Güdümsüz öğrenme kullanan uyarlamalarda ise veri etiketleri kullanılmamaktadırlar, bu da sınıflandırma yanlış sonuç verdiğinde sistemin yanlış yapmasına neden olabilir [9]. Buna karşılık küçük bir miktar etiketli veri ile büyük bir miktar etiketsiz verinin kullanıldığı yarı güdümlü öğrenme uyarlama için etkili bir alternatif olabilir [10]. Biz bu bildiride, iki sınıflı hayali motor hareketleri bulunan veri kümesinde, kullanıcının hayali motor hareketlerinin frekans bantlarındaki güç yoğunluğunu öznitelik olarak seçtik. Farklı zamanlama pencerelerindeki verileri ve sınıflandırıcının çıktısı olan etiketleri kullanarak uyarladığımız iki farklı sınıflandırıcı ile EEG sinyallerinin durağan olmama durumlarında kayda değer iyileşmeler elde ettik. Bildirinin 2. bölümünde kullandığımız veriler ve yöntemler açıklanırken, 3. bölümde deneysel sonuçlara yer verilmektedir. Son olarak, 4. bölümde bu çalışmada ulaştığımız vargılar ve devam etmekte olan çalışmalarımız anlatılmaktadır. II. VERİLER VE YÖNTEMLER