İnsan Makine Etkileşimi için EEG Sinyallerinin İstatistiksel Özellik Çıkarımına Dayalı Olarak Ofline Beyin Bilgisayar Arayüzünün Gerçeklenmesi

Öz

Günümüz teknolojisi insan etkileşimi ile hızlı bir şekilde artmaktadır. Bu etkileşimin artmasında insanların makinelere olan ilgisi önemli bir etkendir. Düşünebilen bir varlık olan insan, makine ve cihazlarla düşünme yapısını kullanarak etkileşim kurar. Bu çalışma kapsamında insan beyni ve elektriksel aktiviteleri incelenerek insanın düşünce aktiviteleri ile ayırt etme durumları gün yüzüne çıkarılmaya çalışılmıştır. İnsan beyninde oluşan bilişsel(zihinsel) aktivite işlemlerinin gerçekleşmesinde beynin hangi kısımlarının aktif olarak kullanıldığı hakkında literatür araştırması yapılmıştır. Beynin vücut uzuv kontrollerini gerçekleştirirken Elektroensefalogram (EEG) elektriksel verilerin(potansiyellerin) oluştuğu anlaşılmıştır. Beyinde oluşan elektriksel verilerin incelenmesi için 10 sağlıklı insanın 1 dakikalık kaydedilmiş EEG verileri physionet ortamından ham veri(dijital sinyal) olarak alınıp incelenmiştir. EEG sinyallerinin alt bantlarının karmaşıklığı ve lineer olmayışı tespit edilmiştir. Bu tespit edilen durumların anlaşılması amacıyla MATLAB Grafik arayüz tasarımı yapılmıştır. EEG sinyallerinin özellik çıkarımı ve seçimi için istatistiksel metotlardan yararlanılarak elde edilen bulgular MATLAB grafik arayüzüne eklenmiştir. Literatür araştırmalarından elde edilen bilgiler doğrultusunda sınıflama amacıyla kullanılan yapay zekâ algoritmalarından olan Yapay Sinir Ağları (YSA) hızlı sonuç üretmesi amacıyla kullanılmıştır. Sınıflama sonucunda YSA aracılığı ile EEG alt bantları olan insanların bilişsel aktivitelerinin anlaşılması için kullanılan Alfa ve Beta sinyalleri ayırt edilmiştir. Bu durum kişi bazlı, minimum %57, maksimum %93 ve 10 kişinin genel de %85 olarak tespit edilmiştir. Özgün olarak ayırt edilen Alfa ve Beta sinyalleri bilişsel aktivite için grafik arayüz de görselleştirilmiştir. Elde edilen bu %85 doğruluk durumu kullanılarak insan bilişsel aktivitelerinin gelişmiş teknolojik cihazlar(makineler) ile iletişim kurması için MATLAB grafik arayüz geliştirilerek Beyin Bilgisayar Arayüzü (BBA) tasarımlarına olanak oluşturulmuş ve ofline BBA geliştirilmiştir.

Anahtar Kelimeler

• EEG
• YSA
• Biyoistatistik
• BBA
• İnsan Makine Etkileşimi
• MATLAB

Implementation of an Offline Brain Computer Interface for Human Machine Interaction Based on Statistical Feature Extraction of EEG Signals

Öz

Today's technology is increasing rapidly with human interaction. People's interest in machines is an important factor in the increase of this interaction. Being a thinking being, humans interact with machines and devices by using their thinking structure. Within the scope of this study, the human brain and its electrical activities were examined to reveal human thought activities and discrimination. Literature research has been conducted on which parts of the brain are actively used in the realization of cognitive (mental) activity processes in the human brain. It was understood that Electroencephalogram (EEG) electrical data (potentials) occur while the brain performs body limb controls. In order to examine the electrical data generated in the brain, the 1-minute recorded EEG data of 10 healthy people were obtained as raw data (digital signal) from the physionet environment and analyzed. The complexity and non-linearity of the sub-bands of the EEG signals were detected. MATLAB Graphical interface design was made to understand these detected situations. Statistical methods were utilized for feature extraction and selection of EEG signals and the findings obtained were added to the MATLAB graphical interface. In line with the information obtained from literature research, Artificial Neural Networks (ANN), one of the artificial intelligence algorithms used for classification, was used to produce fast results. As a result of the classification, the ANN distinguished the Alpha and Beta signals, which are used to understand the cognitive activities of people with EEG sub-bands. This was determined as minimum 57%, maximum 93% and overall 85% for 10 people. The uniquely distinguished Alpha and Beta signals were visualized in a graphical interface for cognitive activity. Using this 85% accuracy, a MATLAB graphical interface was developed for human cognitive activities to communicate with advanced technological devices (machines), enabling Brain Computer Interface (BCI) designs and offline BCI was developed.

Anahtar Kelimeler

• EEG
• ANN
• Biostatistics
• BCI
• Human Machine Interaction
• MATLAB

Kaynakça

1. Aydemir, Ö., 2022. Beyin Bilgisayar Arayüzü ve Geleceği. Journal of Investigations on Engineering & Technology, 5(2), (pp. 135–141). ISSN: 2687-3052
2. Aydemir, Ö., Kayıkçıoğlu, T., 2009. EEG Tabanlı Beyin Bilgisayar Arayüzleri. Akademik Bilişim ’09 - XI. Akademik Bilişim Konferansı Bildirileri, Karadeniz Teknik Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü, Harran Üniversitesi, Şanlıurfa, (pp. 7–13).
3. Aygün, A. B., Kavsaoğlu, A. R., Polat, K., 2021. EEG based brain-computer interface control applications: A comprehensive review. Journal of Bionic Memory, 1(1), (pp. 20–33). doi:10.53545/jbm.2021175573
4. Badillo, L., Ponomaryov, V., Ramos, E., Igartua, L., 2003. Low Noise Multichannel Amplifier for Portable EEG Biomedical Applications. Proceedings of the 25th Annual International Conference of the IEEE EMBS, Cancun, Mexico. doi:10.1109/IEMBS.2003.1280852
5. Başar, E., 1980. EEG–Brain Dynamics: Relation Between EEG and Evoked Potentials. Elsevier, Amsterdam.
6. Başar, E., 2004. Macrodynamics of electrical activity in the whole brain: A review and tutorial report. International Journal of Bifurcation and Chaos, 14, (pp. 363–381). doi:10.1142/S0218127404009284
7. Coşkun, M., İstanbullu, A., 2012. EEG İşaretlerinin FFT ve Dalgacık Dönüşümü ile Analizi. Akademik Bilişim ’12 - XIV. Akademik Bilişim Konferansı Bildirileri, Balıkesir Üniversitesi, Bilgisayar Mühendisliği Bölümü, Uşak Üniversitesi, (pp. 323–328).
8. Demir, M., 2019. Yapay Sinir Ağlarını Kullanarak EEG Sinyalleri ile İnsansız Hava Aracı Kontrolü. Yüksek Lisans Tezi, Sakarya Üniversitesi, Teknoloji Fakültesi, Biyomedikal Mühendisliği Bölümü, Sakarya. 93 s.

9. Ergün, E., Aydemir, Ö., Korkmaz, O. E., 2024. EEG+YKS Tabanlı Beyin Bilgisayar Arayüzü Sistemlerinde Makine Öğrenme Tekniklerinin Kullanımına İlişkin İnceleme. EMO Bilimsel Dergi, 14(1).
10. Goldberger, A. L., Amaral, L. A. N., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., ... Stanley, H. E., 2000. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 101(23), (pp. e215–e220).
11. Güven, M., 2012. Biyopotansiyeller ve Ölçüm Cihazları (The Biopotentials and Measuring Devices). Arşiv Kaynak Tarama Dergisi (Archives Medical Review Journal), 21(3), (pp.174–188).
12. Herculano-Houzel, S., 2009. The human brain in numbers: a linearly scaled-up primate brain. Frontiers in Human Neuroscience, 3:31. doi:10.3389/neuro.09.031.2009.
13. Lopetegui, E., Zapirain, B. G., Mendez, A., 2011. Tennis computer game with brain-control using EEG signals. 16th International Conference on Computer Games (CGAMES), (pp. 228–234). doi:10.1109/CGAMES.2011.6000344
14. Manshouri, N., Maleki, M., Kayıkçıoğlu, T., 2020. EEG-based stereoscopic research of the PSD differences in pre and post 2D & 3D movies watching. Biomedical Signal Processing and Control, 55, 101642. doi:10.1016/j.bspc.2019.101642
15. Matran-Fernandez, A., Polo, R., 2017. Towards the automated localisation of targets in rapid image-sifting by collaborative brain-computer interfaces. PLoS ONE, 12(5): e0178498. doi:10.1371/journal.pone.0178498
16. Melek, M., Manshouri, N., Kayıkçıoğlu, T., 2021. An automatic EEG-based sleep staging system with introducing NAoSP and NAoGP as new metrics for sleep staging systems. Cognitive Neurodynamics, 15(3), (pp. 405–423). doi:10.1007/s11571-020-09641-2
17. Melek, N., 2023. Comparison of EEG and EOG signals in classification of sleep stages. Pamukkale Üniver sitesi Mühendislik Bilimleri Dergisi, 29(6), (pp. 607–616).
18. Toppr. 2021. Nöron Tipleri. https://www.toppr.com/ask/content/story/amp/types-of-neurons-on-the-basis- of-function-73166/ adresinden 3 Ekim 2023 tarihinde alınmıştır.
19. Niedermeyer, E., Lopes da Silva, F., 1993. Electroencephalography: Basic Principles, Clinical Applications, and Related Fields (3. Baskı). Williams and Wilkins, Baltimore. 1279 s.
20. Peksa, J., Mamchur, D., 2023. State-of-the-Art on Brain-Computer Interface Technology. Sensors, 23, 6001. doi:10.3390/s23136001
21. Rajya Lakshmi, M., Prasad, T. V., Prakash, V. C., 2014. Survey on EEG Signal Processing Methods. International Journal of Advanced Research in Computer Science and Software Engineering, 4(1).
22. Royer, A. S., Doud, A. J., Rose, M. L., He, B., 2010. EEG control of a virtual helicopter in 3-dimensional space using intelligent control strategies. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 18(6), (pp. 581–589). doi:10.1109/TNSRE.2010.2077654
23. Subha, D. P., Joseph, P. K., Acharya U, R., Lim, C. M., 2010. EEG signal analysis: a survey. Journal of Medical Systems, 34(2), (pp. 195–212). http://dx.doi.org/10.1007/s10916-008-9231-z
24. Tancı, K., Hekim, M., 2023. Classification of Sleep Apnea Syndrome from EEG Signals Using Spectrogram-Based Entropy and MLPNN Model. Gaziosmanpaşa Bilimsel Araştırma Dergisi (GBAD), 12(3), (pp. 197–207).
25. Teo,W.v., 2018. Using noninvasive methods to drive brain–computer interface (BCI): the role of electroencephalography and functional nearinfrared spectroscopy in BCI. In Smart Wheelchairs and Brain-Computer Interfaces 2018. (pp. 33-63). Academic Press.(chapter 3).
26. Tülay, E E., 2009.Beyin Elektriksel Aktivitesinin Ölçümü ve Sinyal Analizi. Yüksek Lisans Tezi, İstanbul Kültür Üniversitesi Fen Bilimleri Enstitüsü, İstanbul Kültür Üniversitesi. 54 s.
27. Walter, W. G., Doney, V. J., 1944. Electoencephalography in cases of sub-cortical tumour. Journal of Neurology, Neurosurgery, and Psychiatry, 7, (pp. 57–65).
28. Wang, C., Wu, X., Wang, Z., Ma, Y., 2018. Implementation of a brain-computer interface on a lower-limb exoskeleton. IEEE Access, 6s.
29. Wang, Q., Sourina, O., Nguyen, M. K., 2010. EEG-based serious games design for medical applications. 2010 International Conference on Cyberworlds, (pp. 270–276). doi:10.1109/CW.2010.56