Hayali Motor Hareketleri Tabanlı BBA Sistemlerinde Yarı Güdümlü Uyarlama Semi-supervised Adaptation of Motor Imagery Based BCI Systems ˙ Ismail Yılmaz * , Sümeyra Demir * , Tolga Ta¸ sdizen *† Müjdat Çetin * , * Mühendislik ve Do˘ ga Bilimleri Fakültesi, Sabancı Üniversitesi, ˙ Istanbul, Türkiye Email: {yilmaz, sumeyrakanik, tolgatasdizen, mcetin}@sabanciuniv.edu † Electrical and Computer Engineering Department, University of Utah, Utah, USA Email: tolga@sci.utah.edu Özetçe —Beyin Bilgisayar Arayüzü (BBA) sistemlerinde kul- lanılan elektroensefalografi (EEG) sinyallerinin dura˘ gan olmayan yapısı bu tip sistemlerin günlük hayatta uzun süreli kullanım- larında problemlere neden olmaktadır. Kar¸ sıla¸ stı˘ gımız bir di˘ ger problem ise etiketli verinin az miktarda oldu˘ gu durumlardan kaynaklanmaktadır. Bu çalı¸ smada, bahsedilen iki problemi yarı güdümlü ö˘ grenme bakı¸ s açısıyla, BBA sistemini kullandı˘ gımız sınıflandırıcının çıktısı olan etiketlerle güncelleyerek çözmeyi öneriyoruz. Hayali motor hareketleri tabanlı BBA sistemi için toplanan EEG sinyallerinden çıkarılan öznitelikler, Do˘ grusal Ayırtaç Analizi (DAA) ve Destek Vektör Makinesi (DVM) ile sınıflandırılmı¸ stır. Yarı güdümlü ö˘ grenme ile yapılan uyarlamada, uyarlama yapılmayan sınıflandırıcılara göre yakla¸ sık %4 iyile¸ sme görülmü¸ stür. Etiketli veri kümesinin büyümesi ile iyile¸ sme mik- tarında azalma tespit edilmi¸ stir. Zaman içinde de˘ gi¸ sen sinyaller için yapılan uyarlamada da %4 oranında iyile¸ sme görülmü¸ stür. Anahtar Kelimeler—BBA, EEG, uyarlama, hayali motor hareket Abstract—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 Discrim- inant 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 çalı¸ sma TÜB ˙ ITAK tarafından 111E056 sayılı ara¸ stırma projesi ve bir yurt içi doktora sonrası ara¸ stırma bursu ile desteklenmi¸ stir. I. G ˙ IR ˙ I¸ S Merkezi sinir sistemi ve omurilik gibi bölgelerdeki mo- tor sinir hücrelerinin zarar görmesiyle, felç gibi bireylerin çevreleriyle ileti¸ sim kurmalarını kısıtlayacak ya da tama- men ortadan kaldıracak rahatsızlıklar olu¸ smaktadır. Beyin- Bilgisayar Arayüzü (BBA) çalı¸ smaları, bu tip motor nöron bozuklukları olan hastalara beyin ile bilgisayar arasında kas hareketi kullanmadan ileti¸ sim kanalı olu¸ sturma fikrini ta¸ sır. BBA sistemlerinin temelini olu¸ sturan elektroensefalografi (EEG) sinyalleri, kafa derisi üzerinden ölçülerek i¸ slenir ve kul- lanıcının ihtiyaç duydu ˘ gu i¸ slevi açı˘ ga çıkarmak için yorumlanır [1]. BBA çalı¸ smalarında önemli yakla¸ sımlardan biri de hayali hareket sinyallerinin kullanımıdır. Yüzeysel ölçüm yöntem- leriyle toplanan hayali motor hareket sinyallerine sa˘ g ve sol kol hareketleri örnek olarak gösterilebilir. Toplanan bu sinyaller- den çıkarılan öznitelikler kullanılarak ki¸ sinin hareket iste˘ gi sa˘ g ya da sol kol olarak sınıflandırılır. Daha sonra çevrim- içi çalı¸ smalarda sınıflandırıcı sonuçları yardımıyla ekranda imleç hareket ettirme gibi deneyler tasarlanmı¸ stır. Ancak sinyaller; kayıt sırasındaki kalibrasyon ölçümü ve çevrim- içi çalı¸ smalar arasındaki farklılık, elektrotların deney sırasın- daki hareketi, jel kuruması, kullanıcının odaklanamama ve yorgunluk durumları gibi sebeplerden dura˘ gan olamazlar [2]. EEG’ deki dura˘ gan olmama hali sınıflandırma çalı¸ smalarını zorla¸ stırmaktadır [3]. Bu problemi çözmek için literatürde BBA sistemini sinyallerdeki de˘ gi¸ simlere uyarlayacak farklı metotlar önerilmi¸ stir. Hasan ve arkada¸ sları [4], çalı¸ smalarında Gauss karı¸ sım modelini ilgili DAA sınıflandırıcısını uyarla- mak için kullandı. Buradaki Gauss karı¸ sım modeli içindeki ortalama ve ortak de˘ gi¸ sinti de˘ gerleri üzerinde güncelleme yaparak DAA sınıflandırıcısını olu¸ sturup sınıflandırıcının para- matrelerini belirlemi¸ slerdir. Blumberg ve arkada¸ sları da [2] DAA sınıflandırıcısının ortalama ve ortak de˘ gi¸ sinti de˘ gerlerini güncelleyerek hayali motor hareketleri üzerinde çalı¸ smı¸ slardır. Vidaurre ve arkada¸ sları ise bilgi matrislerinin tahmini uyarlama yöntemi (ADIM) ile çevrimiçi güncellenen sınıflandırıcılar üzerinde çalı¸ stılar [5], [6]. Chavarriaga ve Falkenstein de çalı¸ smalarında kullanıcının sistemdeki hatayı algılaması ile 978-1-4673-7386-9/15/$31.00 ©2015 IEEE