DHGUP TABANLI BEYİN-BİLGİSAYAR ARAYÜZLERİ İÇİN ALT UZAY KEŞFİ

Abdullah Kutay Cankı; Hüseyin Özkan

doi:10.17780/ksujes.1175402

EN TR

SUBSPACE DISCOVERY FOR SSVEP BASED BRAIN-COMPUTER INTERFACES

Abstract

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.

Keywords

DHGUP TABANLI BEYİN-BİLGİSAYAR ARAYÜZLERİ İÇİN ALT UZAY KEŞFİ

Öz

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.

Anahtar Kelimeler

Destekleyen Kurum

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Proje Numarası

118E268

Teşekkür

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.

Kaynakça

Abdi, H. & Williams, L.J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433-459. https://doi.org/10.1002/wics.101
Dietterich, T. G. & Bakiri, G. (1994). Solving multiclass learning problems via error-correcting output codes. Journal of Artificial Intelligence Research, 2(1), 263-286. https://dl.acm.org/doi/10.5555/1622826.1622834
Ghodsi, A. (2006). Dimensionality reduction a short tutorial. Department of Statistics and Actuarial Science at Univ. of Waterloo, Ontario, Canada, 37(38). https://www.math.uwaterloo.ca/~aghodsib/courses/f06stat890/readings/tutorial_stat890.pdf
Guney, O. B., Oblokulov, M. & Ozkan, H. (2022). A deep neural network for ssvep-based brain-computer interfaces. IEEE Transactions on Biomedical Engineering, 69(2), 932-944. https://doi.org/10.1109/TBME.2021.3110440
Kim, C. & Klabjan, D. (2019). A simple and fast algorithm for L1-norm kernel PCA. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(8), pp.1842-1855. https://doi.org/10.1109/TPAMI.2019.2903505
Kingma, D.P. & Welling, M. (2019). An introduction to variational autoencoders. Foundations and Trends in Machine Learning, 12(4), 307-392. http://dx.doi.org/10.1561/2200000056
Kolda, T. G. & Bader, B. W. (2009). Tensor decompositions and applications. SIAM review, 51(3), 455-500. https://doi.org/10.1137/07070111X
Krauledat, M., Tangermann, M., Blankertz, B. & Müller, K. R. (2008). Towards zero training for brain-computer interfacing. PloS one, 3(8), e2967. https://doi.org/10.1371/journal.pone.0002967

Lao, K. F., Wong, C. M., Wang, Z. & Wan, F. (2018, Ekim). Learning prototype spatial filters for subject-independent SSVEP-based brain-computer interface. IEEE International Conference on Systems, Man, and Cybernetics (SMC), Japonya, 485-490.
Lebedev, M. A. & Nicolelis, M. A. (2006). Brain–machine interfaces: past, present and future. Trends in Neurosciences, 29(9), 536-546. https://doi.org/10.1016/j.tins.2006.07.004
Lin, Z., Zhang, C., Wu, W. & Gao, X. (2006). Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs. IEEE Transactions on Biomedical Engineering, 53(12), 2610-2614. https://doi.org/10.1109/TBME.2006.886577
Liu, F., Zhang, W. & Gu, S. (2016). Local linear Laplacian eigenmaps: A direct extension of LLE. Pattern Recognition Letters, 75, 30-35. https://doi.org/10.1016/j.patrec.2016.03.003
Lu, H., Plataniotis, K. N. & Venetsanopoulos, A. (2013). Multilinear subspace learning: dimensionality reduction of multidimensional data. CRC press, Florida ABD, 296.
Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A. & Volosyak, I. (2018). Brain–computer interface spellers: A review. Brain Sciences, 8(4), 57. https://doi.org/10.3390/brainsci8040057
Saeed, N., Nam, H., Haq, M.I.U. & Muhammad Saqib, D.B. (2018). A survey on multidimensional scaling. ACM Computing Surveys (CSUR), 51(3), 1-25. https://doi.org/10.1145/3178155
Srinivasan, R., Bibi, F. A. & Nunez, P. L. (2006). Steady-state visual evoked potentials: distributed local sources and wave-like dynamics are sensitive to flicker frequency. Brain Topography, 18(3), 167-187. https://doi.org/10.1007/s10548-006-0267-4
Wang, Y., Nakanishi, M., Wang, Y.-T. & Jung, T.-P. (2014, Ağustos). Enhancing detection of steady-state visual evoked potentials using individual training data. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, IL ABD, 3037–3040.
Wang, Y., Chen, X., Gao, X. & Gao, S. (2016). A benchmark dataset for SSVEP-based brain–computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(10), 1746-1752. https://doi.org/10.1109/TNSRE.2016.2627556
Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G. & Vaughan, T. M. (2002). Brain–computer interfaces for communication and control. Clinical Neurophysiology, 113(6), 767-791. https://doi.org/10.1016/S1388-2457(02)00057-3
Yuan, P., Chen, X., Wang, Y., Gao, X. & Gao, S. (2015). Enhancing performances of SSVEP-based brain–computer interfaces via exploiting inter-subject information. Journal of Neural Engineering, 12(4), 46006. https://doi.org/10.1088/1741-2560/12/4/046006
Zerafa, R., Camilleri, T., Falzon, O. & Camilleri, K. P. (2018). To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs. Journal of Neural Engineering, 15(5), 51001. https://doi.org/10.1088/1741-2552/aaca6e
Zhai, J., Zhang, S., Chen, J. & He, Q. (2018, Ekim). Autoencoder and its various variants. IEEE International Conference on Systems, Man, and Cybernetics (SMC), Japonya, 415-419.
Zhang, Y., Zhang, Z., Qin, J., Zhang, L., Li, B. & Li, F. (2018a). Semi-supervised local multi-manifold isomap by linear embedding for feature extraction. Pattern Recognition, 76, 662-678. https://doi.org/10.1016/j.patcog.2017.09.043
Zhang, Y., Yin, E., Li, F., Zhang, Y., Tanaka, T., Zhao, Q., Cui, Y., Xu, P., Yao, D. & Guo, D. (2018b). Two- Stage Frequency Recognition Method Based on Correlated Component Analysis for SSVEP-Based BCI. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(7), 1314–1323. https://doi.org/10.1109/TNSRE.2018.2848222
Zhang, Z. (2018, Haziran). Improved adam optimizer for deep neural networks. IEEE/ACM 26th International Symposium on Quality of Service (IWQoS), Banff, Alberta, Kanada

Ayrıntılar

Birincil Dil

Türkçe

Konular

Bilgisayar Yazılımı , Elektrik Mühendisliği

Bölüm

Araştırma Makalesi

Yazarlar

Abdullah Kutay Cankı
0000-0002-4485-6826
Türkiye

Hüseyin Özkan ^*
0000-0002-5539-9085
Türkiye

Yayımlanma Tarihi

15 Mart 2023

Gönderilme Tarihi

14 Eylül 2022

Kabul Tarihi

19 Kasım 2022

Yayımlandığı Sayı

Yıl 2023 Cilt: 26 Sayı: 1

DOI

https://doi.org/10.17780/ksujes.1175402

IZ

https://izlik.org/JA98YJ77YG

Kaynak Göster

RIS / Bibtex

APA

Cankı, A. K., & Özkan, H. (2023). DHGUP TABANLI BEYİN-BİLGİSAYAR ARAYÜZLERİ İÇİN ALT UZAY KEŞFİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(1), 86-97. https://doi.org/10.17780/ksujes.1175402