In this paper, a dimensionality reduction method is proposed for the learning of compact data features in order to mitigate the algorithm training issues caused by the increasing data size and dimensionalities in today’s modern applications. Although the dimension of data is high, most of the information typically lives in lower dimensional subspaces. In our study, a set combination of such subspaces is algorithmically learned by a novel feed forward neural network that we develop here. Additionally, we consider classification problems in this context. The performance of our method is first evaluated on a synthetic dataset that we generated. Afterwards, our method is tested on a publicly open and widely used steady state visually evoked potentials (SSVEP)-based brain-computer interface (BCI) speller system dataset. The results reveal that our method successfully finds the subspaces and delivers a superior performance (156 bit/min information transfer rate at 0,8 seconds of signal length) than other SSVEP BCI speller target character recognition methods in reasonable time intervals.
Subspace learning, dimensionality reduction, brain-computer interface, classification, neural network
Bu makalede, günümüz modern uygulamalarında hızla artan veri miktar ve boyutlarının sebep olduğu algoritma eğitme sorunlarının çözümüne yönelik, kompakt veri özniteliklerinin öğrenilmesi amacıyla bir boyut indirgeme metodu önerilmiştir. Verinin boyutu yüksek olsa da, genellikle taşıdığı bilgi daha düşük boyutlu alt uzaylarda yaşar. Çalışmamızda, böyle alt uzayların bir kümesel birleşimi burada geliştirdiğimiz yenilikçi bir ileri beslemeli sinir ağı ile algoritmik öğrenilmiştir. İlaveten, bu bağlamdaki sınıflandırma problemleri üzerinde durduk. Metodumuzun performansı öncelikle kendi oluşturduğumuz bir yapay veri seti üzerinde incelenmiştir. Sonrasında ise, durağan hal görsel uyarılmış potansiyel (DHGUP) tabanlı beyin-bilgisayar arayüzü (BBA) heceletici sistemleri için sıkça kullanılan genel kullanıma açık bir veri seti üzerinde metodumuz test edilmiştir. Sonuçlar, metodumuzun alt uzayları başarıyla bulabildiğini ve diğer DHGUP BBA heceletici hedef karakter tanıma metotlarından makul zaman aralıklarında daha iyi bir performans (0,8 saniye sinyal uzunluğunda 156 bit/dk’lık veri aktarım hızı) verdiğini göstermiştir.
Alt uzay öğrenimi, boyut indirgeme, beyin-bilgisayar arayüzü, sınıflandırma, yapay sinir ağı
Primary Language | Turkish |
---|---|
Subjects | Computer Science, Information System, Engineering, Electrical and Electronic |
Journal Section | Electrical and Electronics Engineering |
Authors |
|
Supporting Institution | Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) |
Project Number | 118E268 |
Thanks | Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 118E268 numaralı proje kapsamında desteklenmiş, ve birinci yazar Abdullah Kutay Cankı’nın yüksek lisans tezi kapsamında yapılmıştır. Yazım ve deney aşamalarındaki yardımlarından dolayı Osman Berke Güney’e teşekkür ederiz. |
Publication Date | March 15, 2023 |
Submission Date | September 14, 2022 |
Acceptance Date | November 19, 2022 |
Published in Issue | Year 2023, Volume 26Issue 1 |