Beyin-Bilgisayar Arayüzlerine Yönelik Riemann Geometrisi ile İleri Sinyal İşleme Yaklaşımı

Abstract

Bu tezde, EEG tabanlı beyin-bilgisayar arayüzlerinde (BBA) Riemann geometrisine dayalı öğrenme transferi kullanımına dayalı gelişmeleri incelemekteyiz. Seçilen EEG sinyal epoklarının sınıflandırma performansına katkısını göstermek adına kayan pencere yaklaşımı geliştirdik. Bunun yanında, sinyal işleme adımlarına filtre bankasının eklenmesinin sınıflandırma doğruluğunu daha fazla arttırdığını gözlemledik. Açık veristelerinden motor-niyet dalgaları içeren verisetlerini kullanarak, klasik Tanjant Uzay Haritalama yöntemine kıyasla sınıflandırma performanısı ortalama % 7 iyileştirdik. Çalışmanın en önemli çıktısı, 'grup öğrenmesi' adlı yeni bir transfer öğrenme yaklaşımı ve bu yaklaşımın uzantısı olan, 'hızlı hizalama' yöntemidir. Grup öğrenmesi, klinik olmayan BBA açık verisetlerinde sınıflandırma performansından ödün vermeden çoklu alan uyarlaması yapmaktadır. Hızlı hizalama, alan uyarlamasını daha önce kullanılmamış yeni veriler için kullanmayı sağlamaktadır. Önerilen grup hizalama algoritması (GALIA), farklı kişilerden ve farklı oturumlardan alınan EEG verileri ile test edilmiştir. Sınıflandırma performansı ve hesaplama maliyeti için optimal hiper-parametre değerleri incelenmiştir. Çalışma, birçok kişiden kayıt edilen verileri kullanarak tek bir makine öğrenimi modelinin oluşturulmasını ve eğitilmiş modelin yeniden eğitilmesine gerek kalmadan yeni veriler üzerinde kullanılabileceğini göstermiştir. Bulgular, birçok kişi üzerinde öğrenme transferi gerçekleştirebilen bütünsel bir sinyal işleme akışı sağlayarak güçlü, genelleştirilebilir, ve yüksek sınıflandırma performansına sahip BBA sistemleri tasarlanmasına olanak sağlamaktadır.

In this thesis, we explore the challenges and advancements in EEG based brain-computer interfaces (BCI) with a particular focus on Riemannian geometry-based transfer learning. Proposing a sliding window approach, we emphasize the importance of selecting optimal EEG signal epochs for improved classification accuracy. The use of a filterbank further improves classification accuracy. Employing publicly available motor imagery databases, results showcase a substantial 7% average improvement in classification accuracy, outperforming the classical TSM method. The study introduces a novel transfer learning approach named 'group learning' and its extension, 'fast alignment.' Group learning facilitates many-to-many domain adaptation without compromising classification performance on non-clinical BCI data. Fast alignment extends this to many-to-one transfer learning for unseen domains. The proposed group alignment algorithm (GALIA) is tested on datasets comprising multiple sessions from various subjects. Additionally, optimal hyper-parameter values for classification performance and computational cost are studied. The study discusses the creation of a single machine learning model using data from previous subjects and/or sessions, as well as the exploitation of the trained model for an unseen domain without further training of the classifier. The findings provide a holistic pipeline for performing transfer learning on many subjects, emphasizing universe, robust, and generalizable BCI systems with high classification performance.