Sürdürülebilir Kalkınma Amaçları
Yayınlar
- MakaleAçık Erişim2025EOG Artefaktları Kullanılarak Yörünge Tabanlı Sınıflandırma: Felçli Bireyler İçin Alternatif Bir İnsan-Makine Arayüz Yaklaşımı
Melek, Mesut; Gökrem, Levent; Aydin, Sefa
Günümüzde, doğuştan veya omurilik yaralanması gibi sinir sistemi problemleri sebebiyle tamamen felç olmuş bireylerin günlük ihtiyaçlarını karşılayabilmeleri için Beyin-bilgisayar arayüz (BBA) sistemleri geliştirilmiştir. BBAlar, çeşitli cihazları kullanarak topladığı beyin sinyallerini bilgisayarlar aracılığıyla işleyerek, çevre cihazları harekete geçirmek için çıktı komutları üreten sistemlerdir. Fakat BBA sistemlerinin kullanıcılar üzerinde bazı olumsuz etkileri vardır. Bu çalışmada, Görsel uyaran potansiyel (GUP) ve P300 gibi görsel uyaran tabanlı BBA sistemlerinde kullanılan farklı frekans değerlerinde titreşen uyaranların sistem kullanıcılarının göz sağlığı üzerinde meydana getirdiği olumsuz etkiyi azaltmak amacıyla; hareketli nesneler yaklaşımını kullanan bir İnsan-Makine Arayüz (İMA) sistemi önerilmiştir. Sistem, kullanıcının hareketli topları odaklanarak takip etmesi sonucunda Elektrosefalografi (EEG) sinyallerinde meydana gelen Elektrookülografi (EOG) artefaktlarını kullanarak hareket yörüngelerini makine öğrenme algoritmaları ile sınıflandırmayı amaçlamaktadır. Çalışma, Emotiv EPOC EEG cihazı aracılığıyla dört farklı rotada hareket eden toplar içeren yaklaşım kullanılarak sağlıklı 8 denek üzerinde gerçekleştirilmiştir. Kaydedilen ham verilere ön işleme aşamaları uygulanmıştır ve etkin kanal seçimi yapılmıştır. Tespit edilen etkin kanallara (AF3, AF4) ait verilere Güç Spektral Yoğunluğu (GSY) ve Ayrık Dalgacık Dönüşümü (ADD) yöntemleri uygulanmıştır. Her yöntem için öznitelikler çıkartılmış ve k-en yakın komşu (k-EYK) ve Lineer Diskriminant Analiz (LDA) algoritmaları kullanılarak sınıflandırılmıştır. GSY yöntemi için LDA ve k-EYK algoritmaları ile sırasıyla 93.86%, 92.62% doğruluk oranları ve 31.42 (bit/dk), 30.10 (bit/dk) ITR değerleri hesaplanmıştır. ADD yöntemi için ise sırasıyla 92.84%, 92.17% doğruluk oranları ve 30.36 (bit/dk), 29.62 (bit/dk) ITR değerleri elde edilmiştir. Karşılaştırılan iki yöntemden GSY’nin ADD’ye göre daha yüksek doğruluk oranları ve ITR değerleri verdiği, LDA algoritmasının k-EYK algoritmasından daha başarılı olduğu gözlemlenmiştir.
- MakaleAçık Erişim2025A Safe and Efficient Brain–Computer Interface Using Moving Object Trajectories and LED-Controlled Activation
Aydin, Sefa; Melek, Mesut; Gökrem, Levent
Nowadays, brain–computer interface (BCI) systems are frequently used to connect individuals who have lost their mobility with the outside world. These BCI systems enable individuals to control external devices using brain signals. However, these systems have certain disadvantages for users. This paper proposes a novel approach to minimize the disadvantages of visual stimuli on the eye health of system users in BCI systems employing visual evoked potential (VEP) and P300 methods. The approach employs moving objects with different trajectories instead of visual stimuli. It uses a light-emitting diode (LED) with a frequency of 7 Hz as a condition for the BCI system to be active. The LED is assigned to the system to prevent it from being triggered by any involuntary or independent eye movements of the user. Thus, the system user will be able to use a safe BCI system with a single visual stimulus that blinks on the side without needing to focus on any visual stimulus through moving balls. Data were recorded in two phases: when the LED was on and when the LED was off. The recorded data were processed using a Butterworth filter and the power spectral density (PSD) method. In the first classification phase, which was performed for the system to detect the LED in the background, the highest accuracy rate of 99.57% was achieved with the random forest (RF) classification algorithm. In the second classification phase, which involves classifying moving objects within the proposed approach, the highest accuracy rate of 97.89% and an information transfer rate (ITR) value of 36.75 (bits/min) were achieved using the RF classifier.