P300 Tabanlı Beyin Bilgisayar Arayüzü Sistemlerinde UyaranlarArası Sürenin ve Uyaran Yapısının Performansa Etkisi

Elektroensefalografi temelli beyin bilgisayar arayüzü sistemleri kas sistemini kullanamayan hastalar için dış dünyaile iletişimini mümkün kılmaktadır. EEG temelli beyin bilgisayar arayüzü sistemleri için çeşitli beyin sinyalaktiviteleri kullanılmaktadır. Olay odaklı potansiyellerden bir tanesi olan P300 sinyali beyin bilgisayar arayüzüsistemleri için elverişli bir beyin sinyalidir. P300 tabanlı bir beyin bilgsayar arayüzü için en önemli performansparametrelerinden birisi sınıflandırma doğruluk oranıdır. Bu çalışmada satır sütun temelli P300 heceleticiyapısındaki değişiklikle daha yüksek doğruluk oranı ile elde edilmesi hedeflenmiştir. P300 heceleticisi matrisyapısında ve uyaranların aralık süreleri üzerinde değişiklikler yapılmıştır. Bundan önceki bir çok çalışma P300heceletici yapısındaki uyaran renk ve biçimlerindeki değişiklikler ile yapılmıştır. Uyaran yapısı ve uyaran aralıksürelerindeki değişikleri kıyaslayıcı P300 heceleticileri ile ilgili çalışmalar yeterli seviyede değildir. Bu çalışmadadört farklı yapıdaki satır sütun bazlı P300 heceletici kullanılarak deneyler yapılmıştır. Deneyler ile toplanan EEGkayıtları ön işlemden geçirildikten sonra adımsal doğrusal ayrışım analizi ile sınıflandırılmıştır. Sınıflandırmaneticesinde bu çalışmada karşılaştırılan heceleticilerden; 4x4 satır sütın bazlı P300 heceleticinin 150 ms uyaranaralık süresine sahip olan yapıdaki formu, ortalama doğruluk oranı %84,76 ile en yüksek olarak tespit edilmiştir.En düşük performans ise; 6x6 satır sütın bazlı P300 heceleticinin 300 ms uyaranlar arası geçiş süresine sahipmodunda %50,48 olarak gözlenmiştir. Bu çalışma, satır sütun bazlı P300 heceleticisinin uyaran matris yapısındakideğişikliği ve farklı uyaran aralık sürelerinde yapılan deneylerle yüksek doğruluk oranı ile elde edilebileceğinigöstermiştir.

The Effects of Stimulus Structure and Inter Stimulus Interval in P300 based Brain Computer Interface Systems

Electroencephalography based brain computer interface systems provide communication with the environmental devices for users who cannot use neuromuscular system. There are various brain signal activities for EEG-basedBCIs. P300 is a type of event related potential and is a convenient signal type for BCI systems. One of the most important performance parameters is the classification accuracy rate for a P300-based BCI. In this study we aimed to obtain a higher accuracy rate with the changes of row column based P300 speller structure. Changes were made to the matrix structure of P300 speller and inter stimulus interval duration. our new approach region based P300 speller. In most of previous studies are about changes of stimlus color and shapes in row column based P300 speller. In this research experiments with 4 different modes P300 speller were used for character selection. The EEG recordings that collected in the experiments were pre-processed and then classified by stepwise linear discriminant analysis. Acording to the classification result the highest average of the classification accuracy was reached to 84.76% in the experiments with 4x4 matrix based P300 speller with 150 ms inter stimulus interval duration. In the contrary of this the lowest classification accuracy was observed with 6x6 matrix based P300 speller with 300 ms inter stimulus interval duration. This study showed that the row column based P300 speller can be achieved to high accuracy rate with changes in stimulus matrix structure and inter stimulus interval duration.

PDF

___

[1] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, “Brain computer interfaces for communication and control,” Clin. Neurophysiol., vol. 113, no. 6, pp. 767- 791, 2002.
[2] B. He, Z. Liu, “Multimodal functional neuroimaging: Integrating functional MRI and EEG/MEG,” IEEE Rev. Biomed. Eng., vol. 1, pp. 23-40, 2008.
[3] J. d. R. Millán, J. Carmena, “Invasive or noninvasive: Understanding brain-machine interface technology,” Eng. Med. Biol. Mag., vol. 29, pp. 16-22, 2010.
[4] Z. Oralhan, M. Tokmakci, “The Effect of Duty Cycle and Brightness Variation of Visual Stimuli on SSVEP in Brain Computer Interface Systems,” IETE Journal of Research, vol. 62, no. 6, pp. 795-803, 2016.
[5] N. Birbaumer, A. Kubler, N. Ghanayim, T. Hinterberger, J. Perelmouter, J. Kaiser, I. Iversen, B. Kotchoubey, N. Neumann, and H. Flor, “The thought translation device (TTD) for completely paralyzed patients,” IEEE Trans. Rehab. Eng., vol. 8, no. 2, pp. 190-193, 2000.
[6] G. Townsend, J. Shanahan, D. B. Ryan, E. W. Sellers, “A general P300 brain–computer interface presentation paradigm based on performance guided constraints,” Neurosci. Lett., vol. 531,
[7] S. Sutton, M. Braren, J. Zubin, E. R. John, “Evoked-potential correlates of stimulus uncertainty,” Science, vol. 150, no. 3700, pp. 1187-1188, 1965.
[8] F. Nijboer, E. W. Sellers, J. Mellinger, M. A. Jordan, T. Matuz, A. Furdea, J. R. Wolpaw, “A P300-based brain–computer interface for people with amyotrophic lateral sclerosis,” Clinical neurophysiology, vol. 119, no. 8, pp. 1909-1916, 2008.
[9] S. G. Horovitz, P. Skudlarski, J. C. Gore, “Correlations and dissociations between BOLD signal and P300 amplitude in an auditory oddball task: a parametric approach to combining fMRI and ERP,” Magnetic resonance imaging, vol. 20, no. 4, pp. 319-325, 2002.
[10] A. Furdea, S. Halder, D. J. Krusienski, D. Bross, F. Nijboer, N. Birbaumer, A. Kübler, “An auditory oddball (P300) spelling system for brain‐ computer interfaces,” Psychophysiology, vol. 46, no. 3, pp. 617-625, 2009.
[11] S. J. Radlo, C. M. Janelle, D. A. Barba, S.G. Frehlich, “Perceptual decision making for baseball pitch recognition: using P300 latency and amplitude to index attentional processing,” Research quarterly for exercise and sport, vol. 72 no. 1, pp. 22-31, 2001.
[12] L. Farwell, E. Donchin, “Talking off the top of your head: Toward a mental prosthesis utilizing event-related brain potentials,” Electroencephalogr. Clin. Neurophysiol. vol. 70, no. 6, pp. 510-523, 1988.
[13] C. Guger, S. Daban, E. Sellers, C. Holzner, G. Krausz, R. Carabalona, G. Edlinger, “How many people are able to control a P300-based brain–computer interface (BCI)?,” Neuroscience letters, vol. 462, no. 1, pp. 94-98, 2009.
[14] E. W. Sellers, D. J. Krusienski, D. J. McFarland, T. M. Vaughan, J. R. Wolpaw, “A P300 event-related potential brain–computer interface (BCI): the effects of matrix size and inter stimulus interval on performance,” Biological psychology, vol. 73, no. 3, pp. 242-252, 2006.
[15] M. Salvaris, F. Sepulveda, “Visual modifications on the P300 speller BCI paradigm,” Journal of neural engineering, vol. 6, no. 4, pp. 046011, 2009.
[16] G. Townsend, B. K. LaPallo, C. B. Boulay, D. J. Krusienski, G. E. Frye, C. Hauser, E. W. Sellers, “A novel P300-based brain–computer interface stimulus presentation paradigm: moving beyond rows and columns,” Clinical Neurophysiology, vol. 121, no. 7, pp. 1109-1120, 2010.
[17] P. Meinicke, M. Kaper, F. Hoppe, M. Heumann, H. Ritter "Improving transfer rates in brain computer interfacing: A case study," Neural Information Processing Systems (NIPS), pp. 1107-1114, 2002.
[18] L. Averbuch‐ Heller, C. Helmchen, A. K. Horn, R. J. Leigh, J. A. Büttner‐ Ennever, “Slow vertical saccades in motor neuron disease: correlation of structure and function,” Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society, vol. 44, no. 4, pp. 641-648, 1998.
[19] A. J. Suminski, D. C. Tkach, N. G. Hatsopoulos, “Exploiting multiple sensory modalities in brain-machine interfaces,” Neural Networks, vol. 22, no. 9, pp. 1224-1234, 2009.
[20] D. S. Klobassa, T. M. Vaughan, P. Brunner, N. E. Schwartz, J. R. Wolpaw, C. Neuper, E. W. Sellers, “Toward a high-throughput auditory P300-based brain–computer interface,” Clinical Neurophysiology, vol. 120, no. 7, pp. 1252-1261, 2009.
[21] A. Kübler A. Furdea, S. Halder, E. M. Hammer, F. Nijboer, B. Kotchoubey, “A brain– computer interface controlled auditory event‐ related potential (P300) spelling system for locked‐ in patients,” Annals of the New York Academy of Sciences, vol. 1157, no. 1, pp. 90-100, 2009.
[22] B. Z. Allison, J. A. Pineda "ERP's evoked by different matrix sizes: implications for a brain computer interface (BCI) system," IEEE Trans. Neural. Syst. Rehab. Eng., vol. 11, no. 2 pp. 110-113, 2003.
[23] U. Hoffmann J. M. Vesin T. Ebrahimi K. Diserens "An efficient P300-based brain-computer interface for disabled subjects," J. Neurosci. Methods, vol. 167, no. 1, pp. 115-125, 2008.