Beyin Bilgisayar Arayüzleri

👤Özdemir Öztürk, Figen Özen / Haliç Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü
Beyin bilgisayar arayüzleri (BBA), belirli uyaranlar neticesinde beyinde oluşan biyoelektrik sinyallerin, tercih edilen eyleyicilerin manipüle edilmesi için kullanılmasıdır. Büyük bilimkurgu dâhilerinin hayal güçlerini bile zorlayan bu sistemler, günümüzde teknolojik gelişmelerin ve ihtiyaç duyulan cihazların ulaşılabilir hale gelmesiyle daha mümkün olmaktadır. Bilimin eriştiği noktada beyinden bilgi elde etmek mümkündür, ancak direkt bilgi transferi ve depolanması henüz mümkün değildir. BBA insan ve bilgisayar arasındaki iletişim için kullanılan klavye ve fare gibi donanım aygıtlarının yerini almaya adaydır. Bu sistemlerde beyinde üretilen işaretler kullanılarak vücuttaki kaslara ihtiyaç olmadan direkt olarak eyleyicilere istenilen iş yaptırılabilir, bu aynı zamanda BBA sisteminin tanımını oluşturur[1]. EEG birçok nörolojik hastalığın teşhisinde kullanılmaktadır. BBA’- lar bu hastalıklardan mustarip olan insanların hayatlarını kolaylaştırmak amacı ile de kullanılabilir. Örneğin kısmi felçli hastalar için geliştirilen tekerlekli sandalyeler, hastalar tarafından joystick gibi donanımların yardımıyla yönlendirilir, yani kas hareketlerine ihtiyaç duyar. Halbuki BBA bu ihtiyacı ortadan kaldırıp, sadece kısmi değil, tam felçli hastaların da tekerlekli sandalye kullanmasını sağlayabilir. Bağımlı BBA sistemlerinde ise herhangi bir hasara uğramamış sinir sistemine ihtiyaç duyulur[1]. Operatörün göz kırpması, herhangi bir uzvunu oynatması sonucu beyinde bu uyaranlar için oluşan işaretler toplanarak eyleyicilere komutlar gönderilmesiyle iletişim sağlanır. Bu işaretlere uyarılmış potansiyeller adı verilir. Görsel, işitsel, duyumsal uyarılmış potansiyeller gibi çeşitleri bulunmaktadır. Bunların yanı sıra düşünce de bir uyaran oluşturabilir. Örneğin bir nesneyi düşünmek beyinde oluşan elektriksel işaretleri etkiler. Beyin bilgisayar arayüzlerinin genel yapısı Günümüzün BBA yapısı Şekil 1’de görülmektedir ve kabaca şu bloklardan oluşmaktadır: • İşaretin Alınması • Öznitelik Çıkarma (öznitelik çıkarımı ve seçimi) • Sınıflandırma • Eyleyiciler • İşaretin alınması İşaretin alınması işlemi veya diğer adıyla sinyal toplama işlemi beyinde uyaranlar sonucu oluşan sinyallerin elde edilmesi ve dış ortama aktarılmasıdır. Bu işlem için fonksiyonel manyetik rezonans görüntüleme (fMRI), pozitron emisyon tomografisi (PET), elektroensefalografi (EEG) kullanılabilir[2]. Bunlardan fMRI için manyetik rezonans cihazına, pozitron emisyon tomografisi için tomografi cihazına ihtiyaç vardır. PET için hastaya flor-18 izotopu enjekte edilmeli ve tomografi cihazı ile incelenmelidir. Bu sistemlerde görüntüleme teknolojileri çok ileri düzeyde olsa da cihazı işletmek için ikinci bir operatöre sürekli ihtiyaç duyulur. Ayrıca bakım maliyetleri ve taşınabilirliği dolayısıyla bu iki cihaz sinyal toplama işlemi için pek uygun değildir. Bu nedenle BBA sistemlerinde genellikle EEG cihazı sinyal toplama işlemi için kullanılır. EEG cihazı kafatasına özel iletken jel sürülerek yapıştırılan çeşitli sayıda elektrotlar vasıtası ile sinyal toplanması ve görüntülenmesi yöntemiyle çalışır. Hastanın saç derisine yerleri ve sayıları uluslararası standartlarca belirlenmiş bir sistem ile elektrotlar yerleştirilir ve EEG cihazı tarafından beyinde oluşan sinyaller toplanır. Örneğin, sıkça tercih edilen 10-20 yerleşim standardına göre kafa derisine en az 21 adet elektrot yerleştirilmektedir[3]. Bu kadar çok sayıda elektrot taşımak hastaya rahatsızlık verebilmektedir. Bu konuda yapılan çalışmalar ışığında belirli noktalara yerleştirilecek olan dört adet elektrodun BBA sistemi için yeterli olacağı tespit edilmiştir[4]. Ayrıca üreticiler en az miktarda veya hiç jel kullanılmaksızın sinyal elde etmenin yollarını araştırmakta ve yeni çözümler sunmaktadır. • EEG nasıl çalışır? Herhangi bir işlem veya komut üretildiği zaman beyinde bulunan sinir hücreleri arasında bir iyon alışverişi başlar. Bu alışveriş, ilgili işlemi gerçekleştiren beyin lobu boyunca bir dalga halinde yayılır. Yayılım esnasında transfer edilen iyonlardan bazıları kafatasından yol alır. Kafatası boyunca yol alan elektrik yüklü iyonlar saç derisine iletken jel ile yapıştırılan elektrotlarda bulunan yüklü parçacıkları çeker ve iter. Bu yüklü parçacık hareketleri elektrotlar arasında bir potansiyel fark oluşturur. Bu potansiyel fark en basit olarak bir voltmetre yardımıyla ölçülebilir. EEG cihazı kendisine bağlanan birçok elektrottan topladığı sinyalleri ön işlemlerden geçirir ve bir sisteme aktarır. Bu sistem sinyalleri görüntülemek için bir monitör olabileceği gibi, sinyal işleme amaçlı bir bilgisayar da olabilir. • EEG işaretlerinin özellikleri EEG işaretleri beyin yüzeyinden veya saç derisi üzerinden elektrotlarla ölçülen düşük genlikli (tepeden tepeye 1-400 µV) biyoelektrik işaretlerdir. Düşük genlik, bu bilgilere ulaşmayı zorlaştırmaktadır. Bu nedenle toplanan sinyal, güçlendirme amaçlı ön işlemlerden geçirilir. EEG işareti geniş bir frekans bandına (0.5-100 Hz) sahiptir, ancak klinik ve fizyolojik ilgi 0.5 ile 30 Hz arasına yoğunlaşmıştır. Bu frekans aralığı 4 frekans bandına ayrılmıştır. Bunlar: • Alfa (a) Dalgaları: Frekansları 8-13 Hz, genlikleri 2-10 µV arasında değişir. Uyanık durumdaki bireylerin fiziksel ve zihinsel olarak tam dinlenme konumunda bulunduğu, dış uyarıların olmadığı, gözlerin kapalı olduğu durumlarda görülür. • Beta (b) Dalgaları: Frekansları 13 Hz’den fazla olan işaretlerdir. Genlikleri 1-5 µV arasında değişir. • Delta (d) Dalgaları: Frekansları 0.5-4 Hz, genlikleri 20-400 µV arasında değişir. Derin uyku, genel anestezi gibi beynin çok düşük aktivite gösterdiği durumlarda karşılaşılmaktadır. • Teta (q) Dalgaları: Frekansları 4-8 Hz, genlikleri 5-100 µV arasında değişir. Normal bireylerde; rüyalı uyku, orta derinlikte anestezi, stres gibi beynin düşük aktivite gösterdiği durumlarda karşılaşılmaktadır[5]. • Öznitelik çıkarımı ve seçimi Öznitelik çıkarımı ve seçimi, işlenmek istenen veri miktarının fazla olması durumunda, veri miktarının azaltılması amacı ile işaretin daha az yer kaplayan hale dönüştürülmesi işlemidir. Özellikle görüntü işleme ve ses işleme gibi gerçek zamanlı uygulamalarda kullanılır. Gerçek zamanlı sinyal işleme yöntemlerine ihtiyaç duyulduğundan, öznitelik çıkarımı ve seçimi işlemleri BBA’da sıklıkla kullanılır. İnsanların beyin kıvrımları parmak izi gibi kişiye özgüdür. Dolayısıyla beynin sinyal oluşturma biçimleri birbirlerinden az da olsa farklılık gösterir. Bu farklılıklar, elde edilen sinyallere de yansımaktadır. Örneğin ‘A’ harfini düşünen iki farklı insandan elde edilecek sinyaller birbirinden farklıdır. Ancak sinyal yapıları birbirine benzerdir. Basit bir varsayım ile ‘A’ harfini düşündüğümüzde sinyal üçgen şeklini alıyor ise diğer denekte de üçgen şeklini alacaktır. Ancak bir denekte bu üçgen eşkenar üçgen iken, diğerinde ikizkenar üçgen olabilmektedir. Hatta aynı deneğin iki kere üst üste ‘A’ harfini düşünmesi istendiği zaman bile elde edilen üçgenler birbirinden farklılık gösterebilmektedir. Öte yandan, her insanın beynindeki farklı görevleri üstlenen lobların yerleri hemen hemen aynıdır, dolayısıyla elektrot yerleşimi etkilenmemektedir. Öznitelik çıkarımı ve seçimi işlemi kullanılan yönteme bağlı olarak sinyal üzerindeki benzerlikler ve farklılıkların çıkarılması için de kullanılır. Buna örüntü tanıma adı verilir. Aynı üçgen örneğinden devam edersek, kullanıcı ‘A’ harfini düşündüğü zaman sinyalde oluşan üçgen biçimi algoritma tarafından ayırt edilip sonuç üretilir, böylece tanıma işlemi gerçekleştirilmiş olur ve bir sonraki adıma geçilir. BBA’larda öznitelik çıkarımı ve seçimi için çok çeşitli yöntemler kullanılmaktadır.• Sınıflandırma Sinyalden ihtiyaç duyulan bilgi parçacıkları çıkarıldıktan sonra bu parçaların tanımlanması ve ayrıştırılması gereklidir. Ayrıştırma sonucu kullanıcının verdiği komut anlaşılmalıdır. Bu işleme sınıflandırma adı verilir. Gerek insan beyninin fizyolojik yapısı, gerekse elde edilen işaretin özelliklerinden dolayı sınıflandırma için genellikle veri tabanı destekli öğrenen algoritmalar tercih edilir. Her insanın aynı görev için üreteceği sinyal farklı olduğundan, algoritmanın sinyal üzerindeki değişiklikleri öğrenmesi gerekmektedir. Bu amaçla algoritma, kullanılmaya başlanmadan önce, kullanıcı kontrolünde bir eğitimden geçer. Basit komutlar için oluşan değişimler algoritma tarafından gözlemlenir ve bir veri tabanı oluşturulur. Aynı sinyal değişimleri ileride tekrarlandığında ise ilgili değişim veri tabanında eşleştirilir ve önceden tanımlı komutun kullanıcı tarafından verildiğine karar verilir. Genel olarak sınıflandırıcılar lineer ve nonlineer olarak ikiye ayrılır. BBA’lar için bu kategorilerden farklı sınıflandırıcılar kullanılmaktadır. • Eyleyiciler Eyleyiciler yapılması istenen eylemin veya elde edilmesi istenen sonucun yerine getirilmesine yarayan sistemlerin genel adıdır. İstenen eylemi yerine getiren fiziksel veya yazılımsal sistemlerin bütününe eyleyici denir. Örneğin BBA kullanılarak felçli bir hastanın tekerlekli sandalyeyi herhangi bir kas hareketine ihtiyaç duymadan hareket ettirmesi isteniyorsa, tekerlekli sandalyede eyleyici tekerlekli sandalyenin motorlarıdır. Bilgisayar ekranına yazı yazılması da eyleyici olarak kullanılabilir. Doğru ve verimli bir işaret işleme (öznitelik çıkarımı ve seçimi, sınıflandırma) sonucunda düşünce ile birlikte eyleyici olarak uygun bir otomasyon sistemi kullanılırsa, evdeki perdeleri, ışıkları açıp kapatmak, termostatın ayarını değiştirmek veya herhangi bir makineyi kontrol etmek mümkün olabilmektedir. Son yıllarda bu konuya ilgi tüm dünyada giderek artmaktadır. Ülkemizde ve dünyada yapılan çalışmaların kısaca özeti ise şöyledir: Günaydın, Ayrık Dalgacık ve Güç Spektrumu Dönüşüm metotlarıyla çıkardığı öznitelikleri kullanarak, BCI II veri seti üzerinde yaptığı çalışmada %89 oranında doğru sınıflandırma sağlamıştır[6]. Ochoa, gerçek denekler üzerinde Fourier Dönüşümü ve Karesel Zaman Frekans Analizi yöntemlerini karşılaştırmıştır[7]. Obeid ve Wolf, üç değişik ‘spike tespit algoritması’nı karşılaştırmalı olarak incelemiştir[8]. Citi, Poli ve Cinel, P-300 tabanlı bir BBA algoritması kullanarak bir bilgisayar faresini kontrol etmeyi başarmışlardır[9]. Constantin, AR, ARMA, MAR, AAR modellerini kullanarak, BCI veri setleri üzerinde gerçek zamanlı olarak ve hareketlerin sadece düşünülmesi ile bilgisayar faresi kontrolünü gerçekleştirmiş ve %85 doğru sonuç almıştır[10]. Wei, Wang, Gao ve Gao, Fisher Diskriminant Analizi ve Destek Vektör Makineleri yöntemlerini kullanarak, 5 denek üzerinde, farklı görevler üzerinden %87.4 ile %99.6 arasında değişen doğruluk oranlarıyla sınıflandırma yapmışlardır[11]. Lotte, Lecuyer ve Arnaldi, BCI 2003 ve 2004 data setlerini kullanarak, FURIA ismini verdikleri algoritmalarını tasarlamışlardır[12]. Aydemir, Destek Vektör Makineleri ve En Yakın Komşuluk yöntemlerini karşılaştırmış, %91.13 oranında doğru sınıflandırma sonuçları elde etmiştir[5]. Erdoğan, Destek Vektör Makineleri ve Bayes Karar kuralını kullanarak BCI 2002 veri setleri üzerinde yaptığı çalışmasında, 8 deneme üzerinden %100 başarılı sonuç almıştır[13]. Gürsoy, Temel Bileşenler Analizi, Bağımsız Bileşenler Analizi, Doğrusal Diskriminant Analizi yöntemlerini kullanarak, Destek Vektör Makinesi sınıflandırıcısı ile epilepsi hastalığının tanısını koyan otomatik bir sistem geliştirmiştir[14]. Argunşah, Çürüklü ve Çetin, Saklı Markov Modellerini kullanarak, EEG sinyalinde göz kırpmaları nedeniyle oluşan bozulmaları gidermek için 7 denek üzerinde yaptıkları çalışmalarda 498 göz kırpmasından 484’ünü başarıyla tespit etmişlerdir[15]. Koçoğlu, EEG sinyallerinin daha hızlı ve verimli sınıflandırılması amacıyla, veri setleri üzerinde Destek Vektör Makineleri, Bağımsız Bileşenler Analizi, Doğrusal Diskriminant Analizi, En Yakın Komşuluk metotları ile yaptığı karşılaştırmalı çalışmasında, en verimli metodun Destek Vektör Makineleri ve En Yakın Komşuluk metodu olduğunu açıklamıştır[16]. Özmen, Doğrusal Diskriminant Analizi, Destek Vektör Makineleri yöntemlerini karşılaştırmış ve Destek Vektör Makinelerinin sınıflandırma konusunda daha başarılı olduğu sonucuna varmıştır. Ayrıca farklı sayıda elektrot kullanımıyla sınıflandırma performanslarını karşılaştırmış ve yeterli elektrot sayısının 4 olduğunu belirlemiştir[17]. Akıncı, Hızlı Fourier Dönüşümü, Uzamsal Frekans Örüntüleri, Morlet Dönüşümü ile BCI data setleri üzerinde gerçekleştirdiği çalışmasında %70 oranında başarı elde etmiş, ayrıca elektrikli sandalye ile ping pong oyunu üzerinde denemelerde bulunmuştur[18]. Gareis, Gentiletti, Acevedo ve Rufiner, Ayrık Dyadic Dalgacık Dönüşümünü kullanarak öznitelik çıkarma çalışması yapmış, elde edilen sonuçları diğer Dalgacık Dönüşüm metotları ile karşılaştırmışlardır[19]. Behbami ve Bastani, Hadamard Dönüşümü ile Fourier Dönüşümünü karşılaştırmalı olarak incelemiş, En Yakın Komşuluk, K-Komşuluk metotları ile sınıflandırmış, Hadamard Dönüşümünün Fourier Dönüşümünden hız ve uygulanabilirlik bakımından daha iyi olduğu sonucuna varmıştır[20]. Nolan, Whelan ve Reilly, Bağımsız Bileşenler Analizi tabanlı olarak geliştirdikleri FASTER algoritması ile 128, 64, 32 kanallı elektrotlu veri setleri üzerinde yaptıkları çalışmalarda sırasıyla %100, 96.42, 84.91 başarı oranlarıyla EEG sinyali üzerindeki bozulmaları tespit etmiş ve temizlemişlerdir[21]. Acar, Ortak Uzamsal Örüntü, Güç Spektral Yoğunluğu, Temel Bileşenler Analizi öznitelik çıkarma metotlarını karşılaştırmalı olarak test etmiş, ayrıca Lineer Öznitelik Normalizasyonu, Gauss Öznitelik Normalizasyonu ve Birim-Norm Öznitelik Vektör Normalizasyonu, Destek Vektör Makineleri, Yapay Sinir Ağları sınıflandırma metotlarının sonuçlarını karşılaştırmıştır. Ortak Uzamsal Örüntü öznitelik çıkarma metodunun diğer metotlardan daha iyi sonuçlar verdiğini bulmuş ve BCI data setleri üzerinde yapılan çalışmalarda %70.96 doğruluk oranı elde etmiştir[22].Sonuç BBA günümüzde oldukça popüler bir konudur. Gerek ülkemizde, gerekse yurtdışında yapılan çalışmalar devam etmektedir. Öznitelik çıkarımı, seçimi ve sınıflandırma sistemlerindeki verimlilik yani sinyalin işlenmesi ve çözümlenmesinin zaman alması ve sonucun doğruluk oranının düşük olması, işlem çözünürlüğünün az olması bu sistemlerin olumsuz yönlerini temsil etmektedir. Yapılan araştırmalar bu sorunların giderilmesine yöneliktir. Bazı uluslararası şirketler bu sistemlere yönelik ticari ürünlerini pazara sunmaya başlamışlardır. Bu ürünler genellikle bilgisayar oyunlarına dönük olsa da, insanların hayatlarını kolaylaştırmaya yönelik projeler de ürün pazarında yerlerini almaya başlamıştır. Ancak bu ürünlerin kullanımı için teknik bilgi ve beceri gerekmektedir, bu da kolay kullanılabilen ürünlerin üretilmesine hala ihtiyaç olduğu anlamına gelmektedir. BBA çalışmalarının hedefinde insan düşüncelerinin okunması ve bu düşüncelerin görüntülenmesi yer almaktadır. Ayrıca insan beynine veri transferi ulaşılmak istenen amaçlardan biridir. Kaynakça [1] Wolpaw J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T.M., "Brain-Computer Interfaces for Communication and Control", Clinical Neurophysiology, Vol. 113, No. 6, 2002, 767-791. [2] http://en.wikipedia.org/wiki/Electroencephalography, (erişim tarihi: 30.12.2011). [3] http://www.bem.fi/book/13/13.htm#03, (erişim tarihi: 30.12.2011). [4] Özmen, N. G., “Beyin Bilgisayar Arayüzü Tasarımı İçin Farklı Zihinsel Aktiviteler Esnasında Oluşan EEG İşaretlerinin Analiz Edilmesi ve Sınıflandırılması”, Doktora Tezi, KATÜ, 2010. [5] Aydemir, Ö., Beyin Bilgisayar Arayüzü Uygulamalarına Yönelik EEG İşaretleri İçin Öznitelik Çıkarımı, Yüksek Lisans Tezi, KTÜ Fen Bilimleri Enstitüsü, 2008. [6] Günaydın, O. “Design of a Brain Computer Interface (BCI) System Based on Electroencephalogram (EEG)”, Lisans Tezi, Sakarya Üniversitesi, 2002. [7] Ochoa, J. B., “EEG Signal Classification for Brain Computer Interface Applications”, Lisans Tezi, Ecole Polytechnique Federale de Lausanne, 2002. [8] Obeid, I., Wolf, P. D., “Evaluation of Spike-Detection Algorithms for a Brain-Machine Interface Application”, IEEE Transactions on Biomedical Engineering, Vol. 51, No. 6, June 2004, 905-911. [9] Citi, L., Poli, R., Cinel, C., “P300-based Brain Computer Interface Mouse with Genetically-optimised Analogue Control”, Technical Report, Department of Computer Science University of Essex, May 2006. [10] Constantin. A., “A Brain-Computer Interface for the Classification of Motor Imagery”, Thesis, Williams College, 2007. [11] Wei, Q., Wang, Y., Gao, X., Gao, S., “Amplitude and Phase Coupling Measures for Feature Extraction in an EEG-based Brain–computer Interface”, Journal of Neural Eng., 4, 2007, 120–129. [12] Lotte, F., Lécuyer, A., Arnaldi, B., "FuRIA: A Novel Feature Extraction Algorithm for Brain-computer Interfaces Using Inverse Models and Fuzzy Region of Interest", Proc. of the 3rd IEEE-EMBS International Conference on Neural Engineering, 2007, 175-178. [13] Erdoğan, H. B., “A Design And Implementation of P300 Based Brain-Computer Interface”, Yüksek Lisans Tezi, ODTÜ, 2009. [14] Gürsoy, M. İ., “Destek Vektör Makineleri ile EEG İşaretlerinin Sınıflandırılmasında TBA, BBA VE DAA’nın Performansının Karşılaştırılması” , Yüksek Lisans Tezi, Kahramanmaraş Sütçü İmam Üniversitesi, 2009. [15] Argunşah, A. Ö., Çürüklü, B., Çetin, M., “Detection of Eye Blinks from EEG Using Hidden Markov Models”, Sabancı Üniversitesi, 2009. [16] Koçoğlu, R., “Düşünsel Elektrokortigrafi (ECoG) İşaretlerinin Beyin Bilgisayar Ara Yüzü Uygulamalarında Verimli Sınıflandırılması”, Yüksek Lisans Tezi, KATÜ, 2009. [17] Özmen, N. G., “Beyin Bilgisayar Ara Yüzü Tasarımı İçin Farklı Zihinsel Aktiviteler Esnasında Oluşan EEG İşaretlerinin Analiz Edilmesi ve Sınıflandırılması”, Doktora Tezi, KATÜ, 2010. [18] Akıncı, B., “Realization of a Cue Based Motor Imagery Brain Computer Interface With Its Potential Application to a Wheelchair”, Yüksek Lisans Tezi, ODTÜ, 2010. [19] Gareis, E., Gentiletti, G., Acevedo, R., Rufiner, L, "Feature Extraction on Brain Computer Interfaces Using Discrete Dyadic Wavelet Transform: Preliminary Results", Journal of Physics: Conference Series (IOP), Apr, 2010. [20] Behbami, E. F., Bastani, A., “EEG Feature Extraction Using Hadamard Transform for Classification of Sleep Stages”, Yüksek Lisans Tezi, Behbahan Higher Educational Complex Behbahan, Khozestan, Iran, 2010. [21] Nolan, H., Whelan, R. Reilly, R. B., “FASTER: Fully Automated Statistical Thresholding for EEG Artifact Rejection”, Journal of Neuroscience Methods, 192, 2010, 152-162. [22] Acar, E., “Classification of Motor Imagery Tasks in EEG Signal and Its Application to a Brain-Computer Interface for Controlling Assistive Enviromental Devices”, Yüksek Lisans Tezi, Sabancı Üniversitesi, 2011.