Design of a steady-state visual evoked potential based brain-computer interface under covert attention
Örtük dikkat altında karalı hal görsel uyarılmış potansiyel tabanlı beyin-bilgisayar arayüzü tasarımı
- Tez No: 1005860
- Danışmanlar: DR. ÖĞR. ÜYESİ ZAFER İŞCAN
- Tez Türü: Yüksek Lisans
- Konular: Biyoteknoloji, Biotechnology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Medipol Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliğ ve Biyoenformatik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kararlı hal görsel uyarılmış potansiyellere (KHGUP) dayalı beyin-bilgisayar arayüzleri (BBA), görsel dikkat ile belirli titreşimli uyaranlar arasındaki ilişkiyi kontrol sinyallerine dönüştürerek yardımcı teknolojiler olarak önemli bir potansiyel sunmaktadır. Geleneksel KHGUP tabanlı BBA sistemleri, kullanıcıların doğrudan uyaranlara baktığı açık dikkat durumuna dayanırken, gerçek yaşam uygulamalarında bakış yönü değişmeden, yalnızca dikkat yönünün değiştiği örtük dikkat senaryolarına olan ihtiyaç giderek artmaktadır. Bu tez, bu senaryolar için güvenilir kontrol sinyallerinin elde edilip edilemeyeceğini belirlemek amacıyla, örtük dikkat koşulları altında KHGUP tabanlı bir BBA sisteminin uygulanabilirliğini incelemektedir. Çalışmada, dört sınıflı KHGUP çözümlemesinin örtük dikkat altındaki etkinliği sistematik olarak değerlendirilmiş ve açık dikkat performansı ile karşılaştırılmıştır. EEG verileri, 16 kanallı bir düzenek kullanılarak 20 katılımcıdan hem açık hem de örtük KHGUP görevleri sırasında kaydedilmiştir. Zaman entegrasyonunun etkisini değerlendirmek amacıyla beş farklı analiz pencere uzunluğu (0.5 s, 0.75 s, 1 s, 2 s ve 3 s) ve çeşitli kanal konfigürasyonları incelenmiştir. Öznitelik çıkarımı için iki tamamlayıcı yaklaşım değerlendirilmiştir. EEG sinyalleri ile uyaran frekansında oluşturulan referans sinyaller arasındaki ilişki Kanonik Korelasyon Analizi (CCA) yöntemi ile elde edilmiş ve üretilen öznitelikler Destek Vektör Makineleri (SVM) ve k-en yakın komşu (kNN) sınıflandırıcıları kullanılarak sınıflandırılmıştır. Buna ek olarak, farklı frekans bantları boyunca ayırt edici uzamsal özniteliklerin çıkarılması için Filter Bank Common Spatial Pattern (FBCSP) tekniği uygulanmış ve ardından Doğrusal Ayırma Analizi (LDA) ile sınıflandırma gerçekleştirilmiştir. Sınıflandırma performansı, beş katlı çapraz doğrulama yöntemi ile değerlendirilmiştir. Ayrıca, önerilen sistemin farklı pencere uzunluklarında pratikte ne kadar etkili iletişim kurabileceğini incelemek için Information Transfer Rate (ITR) analizi yapılmıştır. Elde edilen bulgular, örtük ve açık KHGUP kod çözümlemesi arasında belirgin bir ayrım olduğunu göstermektedir. CCA tabanlı öznitelikler, örtük dikkat altında sürekli olarak başarısız olmuş ve dört sınıflı şans seviyesine (~%25) yakın bir performans göstermiştir. Buna karşılık, açık dikkat koşullarında CCA tabanlı yöntemler literatürdeki uygulamalara paralel bir şekilde yüksek sınıflandırma doğrulukları üretmiş ve %90'ın üzerine çıkmıştır. Öte yandan, FBCSP tabanlı yaklaşım, örtük dikkat altında güçlü dört sınıflı çözümlemeyi mümkün kılmış; 0.5 saniyelik pencere uzunluğu ve tüm 16 kanal kullanıldığında ortalama %76,84 doğruluk elde edilmiş, bazı katılımcılarda ise kısa zaman aralıklarında dahi %80'in üzerinde başarı sağlanmıştır. Bu sonuçlar, kanonik korelasyon temelli özniteliklerin açık dikkat altında yüksek başarım verdiğini, ancak örtük KHGUP sınıflaması için uzamsal filtrelemenin kritik bir rol oynadığını ortaya koymaktadır. FBCSP ve CCA yöntemlerinin tamamlayıcı davranışı, dikkat koşullarına bağlı olarak uygun öznitelik çıkarım tekniklerinin seçilmesinin önemini vurgulamaktadır. Genel olarak bu çalışma, bakıştan bağımsız, daha uyarlanabilir ve kullanıcı dostu beyin–bilgisayar arayüzü sistemlerinin geliştirilmesine katkı sağlamakta ve örtük dikkat koşullarında elde edilen kararlı hal görsel uyarılmış potansiyel yanıtlarının sınıflandırılabilirliğini açıkça ortaya koymaktadır.
Özet (Çeviri)
Steady-state visual evoked potential (SSVEP)-based brain–computer interfaces (BCIs) offer significant potential as assistive technologies by translating visual attention directed toward flickering stimuli into control signals. While conventional SSVEP- based BCIs rely on overt attention, where users directly fixate on a stimulus, real-world applications increasingly require systems that operate under covert attention conditions, in which the gaze remains fixed while attention is shifted. This thesis investigates the feasibility of an SSVEP-based BCI under covert attention conditions and examines whether reliable control signals can be obtained in such scenarios. The effectiveness of four-class SSVEP decoding under covert attention was systematically evaluated and compared with overt attention performance. EEG data were recorded from 20 participants during both overt and covert SSVEP tasks using a 16-channel setup. To assess the effect of temporal integration, five analysis window lengths (0.5 s, 0.75 s, 1 s, 2 s, and 3 s) and multiple channel configurations were examined. Two complementary feature extraction approaches were employed. Canonical Correlation Analysis (CCA) was used to compute frequency-domain correlations between EEG signals and stimulus-related reference signals, and the extracted features were classified using Support Vector Machines (SVM) and k-Nearest Neighbors (kNN). In addition, discriminative spatial features were extracted across multiple frequency bands using the Filter Bank Common Spatial Pattern (FBCSP) method, followed by classification with Linear Discriminant Analysis (LDA). Classification performance was evaluated using five-fold stratified cross-validation. Furthermore, Information Transfer Rate (ITR) analysis was performed to examine how effectively the proposed system could communicate in real life with different window lengths. The results reveal a clear performance difference between covert and overt SSVEP decoding. CCA-based features consistently failed under covert attention, yielding classification accuracies close to the four-class chance level (~25%). In contrast, under overt attention conditions, CCA-based methods achieved high classification accuracies exceeding 90%, in agreement with existing literature. The FBCSP-based approach enabled robust four-class decoding under covert attention, achieving a mean accuracy of 76.84% with a 0.5 s window using all 16 channels, with several participants exceeding 80% accuracy even for short time windows. These findings indicate that frequency-domain correlation features are effective under overt attention, whereas spatial filtering-based methods play a critical role in covert SSVEP classification. Overall, this study demonstrates that SSVEP signals recorded under covert attention can be reliably classified using appropriate feature extraction techniques and provides concrete experimental evidence supporting the development of gaze-independent brain–computer interface systems.
Benzer Tezler
- Control and simulation of a quadcopter using a steady state visual evoked potential based brain computer interface
Başlık çevirisi yok
KAAN DELİHASAN
Yüksek Lisans
İngilizce
2021
Mekatronik MühendisliğiBahçeşehir ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER İŞCAN
- Durağan hal görsel uyarılmış potansiyel temelli beyin bilgisayar arayüzü tasarımı ve uygulaması
Design and implementation of a steady state visual evoked potantial based brain computer interface
ABDULLAH TALHA SÖZER
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CAN BÜLENT FİDAN
- Durağan hal görsel uyaran tabanlı beyin bilgisayar arayüzü için optimum uyaran özelliklerinin belirlenmesi ve gerçeklenmesi
Determination of feature of optimum stimulus and design for SSVEP based brain computer interface
ZEKİ ORALHAN
Doktora
Türkçe
2016
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT TOKMAKÇI
- Ecoc based multi-class classification in brain computer interfaces with SSVEP
DHGUP ile beyin bilgisayar arayüzlerinde hdçk tabanlı çok sınıf sınıflandırma
SANDRA SAGHIR
Yüksek Lisans
İngilizce
2021
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
DR. ÖĞR. ÜYESİ NİHAN ALP
- EEG sinyalleri kullanılarak derin öğrenme yöntemiyle beyin klavyesi arayüzü tasarımı
Brain keyboard interface design with deep learning method using EEG signals
MELİH DEMİR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DOÇ. DR. MUSTAFA TOSUN