Özgün Adı: A Beginner’s Guide to Brain-Computer Interface and Convolutional Neural Networks
Sade, tanımlarla bezeli bir yazı.
İlk bölümde beyin-bilgisayar arayüzlerine ve yapay zekayabüyük resmi görerek bakılacak,akademik metinlerden bahsedilecektir. İkinci bölümde ise beyin-bilgisayar arayüzlerinde kullanılan sinir ağlarının derinlemesine bir açıklaması yapılacaktır.
Zihin, insani kısıtlamalarımızı aşmak için; beyin-bilgisayar arayüzlerini[1] kullanarak yapay zekayla, robotlarla ya da diğer zihinlerle doğrudan bir bağlantı kurabilir mi?
Kimimiz için bu, hayatta kalmak için bir gereksinim. Doğrusunu söylemek gerekirse yapay zekanın devrinde var olabilmek için cyborglara dönüşmemiz gerekebilir.
Tanımlar
Beyin-Bilgisayar Arayüzü (BCI): Kullanıcılarının bilgisayarlarla yalnızca beyin aktiviteleri üzerinden iletişim kurmasını sağlayan cihazlardır. Bu aktivite çoğunlukla elektroensefalografi (EEG) ile ölçülmektedir.
Elektroensefalografi (EEG): Kafa derisine yerleştirilen elektrotlar ile beyin tarafından üretilen elektriksel aktiviteyi kaydetmeye yarayan fizyolojik ölçüm yöntemi.
Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI): Kan akışındaki değişiklikleri tespit ederek beyin aktivitesini ölçer.
Fonksiyonel Kızılötesi-Yakın Spektroskopi (fNIRS): Kızılötesi-yakın spektroskopinin (NIRS) fonksiyonel nörogörüntüleme için kullanımıdır. fNIRS kullanılarak nöron davranışlarıyla ilintili kan dolaşımsal ölçümler aracılığıyla beyin aktivitesi ölçülmektedir.
Evrişimli Sinir Ağları (CNN): Piksel verilerini işlemek için özel olarak tasarlanmış, resim tanıma ve görüntü işlemede kullanılan yapay sinir ağları.[2]
Görsel Korteks: Beynin gözlerden gelen, duyularla ilintili sinir sinyallerini alan ve işleyen bölümüdür.
Beyin-Bilgisayar Arayüzlerinin Tarihi
Guardian haber spikeri Sarah Marsch beyin-bilgisayar arayüzleri hakkında şu sözleri sarf etmişti: “Beyin-bilgisayar arayüzleri (BCI) yeni bir fikir değil. Bu arayüzlerin çeşitli formları halihazırda mevcut, kafanızın tam üstüne oturtulan ve beyin sinyallerini ölçenlerden beyin dokunuza yerleştirilmiş cihazlara kadar.” Kaynak.
Pek çok BCI’ın ilk geliştirilme amacı medikal uygulamalardır. Uluslararası bir deneyim tasarımı danışmanlığı firması olan Tellart’da baş tasarımcı olan Zaza Zuilhof’a göre günümüzde 220.000 duyma engelli birey koklear implantlardan faydalanmaktadır. Bu implantlar ses sinyallerini elektriksel atımlara çevirerek bu atımları doğrudan kişinin beynine iletmektedir. Kaynak.
“Beyin-Bilgisayar Arayüzlerinin Kısa Tarihi” isimli makale bize BCI’ın geçmişi hakkında detaylı bilgi vermektedir. Makaleye göre “beyin-bilgisayar arayüzü” tanımının ortaya çıkışı 1970’lerde Kaliforniya Üniversitesi’nde bu arayüzler üzerine olan araştırmaların başlamasından hemen sonradır. BCI üzerine olan araştırmaların ve gelişmelerin odak noktası hasarlı görüş, duyu ve hareket kabiliyetlerini düzeltecek nöroprotez uygulamaları olmaya o dönemden şimdiye kadar devam etmektedir. 1990’ların ortası ise insanlara yönelik ilk nöroprotez cihazların ortaya çıkışına şahitlik etmiştir. BCI insan zihnini kesin bir şekilde okuyamamaktadır; buna karşın belli biçimlerde düşündüğümüzde beyin tarafından salınan enerjideki ufacık değişiklikleri bile tespit edebilmektedir. Bir beyin-bilgisayar arayüzü beyindeki spesifik enerji/frekans örüntülerini saptar.
Haziran 2004’te Matthew Nagle’ın ilk BCI yerleştirilen insan olması, bu alan için önemli bir ilerleme noktası olmuştur. Yerleştirilen BCI, Cyberkinetics firmasının BrainGateTM ürünüydü.
Aralık 2004’te Jonathan Wolpaw ve New York Eyaleti Sağlık Müdürlüğü Wadsworth Merkezi’nden araştırmacıların sunduğu raporda BCI ile bir bilgisayarı kontrol edebilme yetisi belirtildi. Bu çalışmada katılımcılardan elektrotlar içeren bir kask takmaları istendi. Bu kasktaki elektrotlar motor korteksteki (beynin hareketleri yöneten kısmı) EEG sinyallerini kaydetmekteydi.
Beyin-bilgisayar arayüzlerinin kontrol uygulamaları etrafında şekillenen uzun bir geçmişi mevcuttur: İmleçler, felçli vücut parçaları, robot kollar, telefon çağrıları vb.
Yakın zamanda Elon Musk, 27 milyon dolar değerinde bir meblağ ile Neuralink’e yatırım yaparak bu sektöre girdi. Neuralink’in misyonunu yapay zekanın ışığında insan iletişimini iyileştiren bir beyin-bilgisayar arayüzü geliştirmek olarak tanımlayabiliriz. Bunun yanı sıra Regina Dugan, Facebook’un daha verimli dijital iletişimin yolunu açacağını iddia ettiği beyin-bilgisayar arayüzü teknolojileri üzerine olan planlarını sundu.
John Thomas, Tomasz Maszczyk, Nishant Sinha, Tilmann Kluge ve Justin Dauwels’e göre bir beyin-bilgisayar arayüzünün dört temel bileşeni vardır. Bunlar sinyal edinimi, sinyal ön işleme, özellik çıkarımı[3] ve sınıflandırmadır. Kaynak.
Beyin-Bilgisayar Arayüzlerinin Önemi Ne?
Essex Üniversitesi’nde Beyin-Bilgisayar Arayüzleri alanında doktora sonrası araştırmacı Davide Valeriani’ye göre “İnsanın ve teknolojinin bir araya gelmesi yapay zekadan çok daha güçlü bir sonuç ortaya çıkarabilir. Örnek olarak karar alma sürecinde algı ve muhakemenin bir kombinasyonunu kullanıyoruz. Nöroteknolojiler, algımızı geliştirmek için kullanılabilir. Güvenlik kamerasındaki aşırı bulanık bir görüntüye müdahale edip etmemek konusunda bir yargıya varırken bu teknolojiler bize yardımcı olabilir.” Kaynak.
Beyin-Bilgisayar Arayüzleri Tam Olarak Ne Yapabilir?
Zaza Zuilhof’a göre bu sorunun cevabı soruyu kime sorduğunuza ve ameliyat olmayı göze alıp almadığınıza göre değişecektir. “Bu düşünce deneyinin kapsamında sağlıklı insanların müdahale[4] içermeyen, ameliyat gerektirmeyen beyin-bilgisayar arayüzlerini kullanacağını farz edelim. Bu senaryoda iki temel teknolojiden faydalanabiliriz, bunlar fMRI ve EEG’dir. fMRI devasa bir makine gerektirmektedir; ancak EEG, fMRI’ın aksine sıradan kullanıcıya yönelik Emotiv ve Neurosky gibi baş takımları aracılığıyla genel kitleler için mevcut hale gelmiştir.” Kaynak.
Her halükarda beyin-bilgisayar arayüzleri sağlıklı insanlar için de gelecek vaadeden bir etkileşim aracı olabilir. Beyin-bilgisayar arayüzlerinin multimedya, sanal gerçeklik, video oyunları ve diğer birçok alanda çeşitli potansiyel uygulamaları mevcut.
Davide Valeriani EEG hakkında şunları düşünüyor: “EEG donanımı kullanıcı için tamamen güvenli, ancak sinyalleri çok gürültülü[5] bir şekilde kaydediyor. Ayrıca şu ana kadar araştırma laboratuvarları EEGyi çoğunlukla beyni anlamak ve devrimsel uygulamalar sunmak için kullandılar. Bu sunumlar ticari ürünler biçiminde meyve vermedi fakat bu durum değişecek.”Kaynak.
Elon Musk’ın şirketi bu alanda çalışan şirketlerin en yenisi. Şirketin “Nöral Bağ”[6] teknolojisi, ölçüm yapmak amacı ile beyne elektrotlar yerleştirmeyi kapsıyor. Bu süreç sonucunda EEG ölçümlerine kıyasla çok daha yüksek kalitede nöral sinyaller kaydedilebilecek. Yine de bu süreç ameliyat gerektirmekte. Yakın zamanda Elon Musk, sürecin zorluklarına göğüs germeyi işaret edercesine, beyin-bilgisayar arayüzlerine insanların yapay zekaya olan üstünlüğünü tasdik etmek için ihtiyaç duyduğumuzu ifade etti. Kaynak.
Bütün bunlar halen çok tehlikeli! Evet, bilgisayarları biz yaratmış olabilir ve onların tam olarak nasıl çalıştığından emin olabiliriz. Onları nasıl “değiştireceğimizi” de biliyor olabiliriz. Buna karşın beyinlerimizi biz yaratmadık ve halen tam olarak nasıl çalıştıklarını bilmiyoruz. Söz konusu olan beyinlerimize “müdahale” etmeye gelince mevcut bilgimiz daha da yetersiz kalıyor. Önemli ilerlemeler kaydettik fakat bu ilerlemeler henüz yeterli değil.
Beynimiz Halihazırda Nasıl Çalışır ve Daha Neler Beklemeliyiz?
Beynimizi kabaca iki ana bölüme ayırabiliriz:
*Limbik sistem.
*Neokorteks.
Limbik sistem ilkel içgüdülerimizden sorumludur, bunlara yemek ve üremek gibi hayatta kalmakla alakalı olan içgüdülerimiz de dahildir. Neokorteksimiz ise beynimizin en gelişmiş bölümüdür. Bizi dillerde, teknolojide, iş yaşamında ve felsefede iyi yapan mantıksal fonksiyonlardan neokorteksimiz sorumludur.
İnsan beyni adına “nöron” denen 86 milyar sinir hücrelerinden meydana gelir. Bu nöronların her biri münferit olarak diğer nöronlara çeşitli bağlaçlarla bağlıdır. Bu bağlaçlara aksonlar ve dendritler denir. Ne zaman düşünsek, hareket etsek ya da hissetsek nöronlar iş başındadır. Sonuç olarak beyin, ciddi miktarda nöral aktivite üretmektedir ve nörondan nörona aktarılan minik elektrik sinyalleri yerine getirilen görevlerin mimarlarıdırlar.
Beyin-bilgisayar arayüzleri için pek çok sinyal kullanılabilir. Bunlar iki ana sınıfa ayrılabilir:
* Ani atımlar (spike)
* Alan potansiyelleri (field potentials)
Bu sinyalleri tespit edebilir, yorumlayabilir ve bir cihazla etkileşmek için bu sinyalleri kullanabiliriz.
Bir makine öğrenmesi şirketi olan Cortext’tedanışman olarak görev yapan Boris Reuderink’e göre beyin sinyallerinin zayıf ve oldukça değişken olması beyin-bilgisayar arayüzlerinin en önemli problemlerinden birisi. Aynı sebepten ötürü bir sınıflandırıcıyı farklı bir katılımcı üzerinde kullanmak bir yana, bir sınıflandırıcı eğitmek bile zor. Kaynak.
Nöral Bağı yerleştirmek için şu adımlar izleniyor: Önce sarılmış ağı içeren küçük bir iğne kafatasına sokuluyor. Ardından ağ yerleştiriliyor ve yerleştirmeyi takiben açılarak tüm beyni sarmalıyor.
Yapay zeka ya da makine öğrenmesi, medikal ve robotik çalışmaların öne çıktığı pek çok alanda zorlu problemlerin çözümü için geliştirilen beyin-bilgisayar arayüzleri aracılığıyla dikkat çekmeye başladı. Son zamanlarda beyin-bilgisayar arayüzleri için en etkili araçların yapay zeka ve makine öğrenmesi olduğu ifade ediliyor. Kaynak.
Bu başlıklar her ne kadar kendilerine mahsus araştırma sahalarına sahip olsalar da bu başlıkların ayrıntılarına inmeye çalışalım.
Sinyal Üretimi
Beyin sinyallerini üretmenin iki yolu vardır:
Quintiq’te yazılım mühendisi olarak yer alan Sjoerd Lagarde’ye göre katılımcılara aktif olarak sinyal ürettirmek, uyartı üzerinde denetim sahibi olmamızdan ötürü sinyalin tespiti konusunda daha avantajlıdır. Bu denetime örnek olarak uyartının ne zaman katılımcıya sunulduğu verilebilir. Bu senaryo, katılımcının sadecebeyin dalgalarını okumaktan daha kolaydır. Kaynak.
Sinyal Tespiti
Beyin sinyallerini tespit etmenin çeşitli yolları mevcut. Bu yolların en bilinenleri EEG ve fMRI olmasına rağmen başka yöntemler de yok değil. EEG beyindeki elektriksel aktiviteyi ölçerken fMRI beyindeki kan akışını ölçer. Bu yöntemlerin her birinin kendine özgü avantajları ve dezavantajları mevcut. Kiminin zamansal çözünürlüğü[7] daha iyiyken (beyin aktivitelerini gerçekleştiği anda tespit edebilirler) kimi ise daha iyi uzaysal çözünürlüğe[8] (aktivitenin gerçekleştiği konumu tam olarak saptayabilirler) sahiptir. Diğer ölçüm yöntemleri için de mantık aşağı yukarı aynıdır.
Sinyal İşleme
Beyin verisi ile uğraşırken karşılaşacağımız sorunlardan birisi de bu verinin ciddi derecede gürültü içermesidir. EEG sırasında diş gıcırdatmak ya da gözü hareket ettirmek bile kendine veride yer bulacaktır. Bu gürültüyü elekten geçirmemiz gerekli.
Elekten geçirme işlemi sonrasında bu veriyi, gerçek sinyalleri tespit etmek için kullanabiliriz. Katılımcı aktif olarak sinyal üretirken biz çoğu zaman ne çeşit sinyalleri tespit etmek istediğimizin farkında oluyoruz. Düzensiz, göreve yönelik uyartının sunumunda ortaya çıkan P300 dalgası, olaya ilişkin bir potansiyeldir[9], bu duruma örnek verilebilir. Bu dalga, verimizde büyük bir zirve olarak belirecektir. Verimizdeki bu çeşit zirveleri tespit etmek için çeşitli makine öğrenmesi teknikleri denenebilir.
Sinyal İletimi
Verimizde ilginç sinyaller tespit ettiğimiz zaman bunları birilerine yardımcı olacak şekillerde kullanmak isteriz. Örneğin katılımcı beyin-bilgisayar arayüzünü zihinde canlandırılan hareket aracılığıyla bir imleci kontrol etmek için kullanabilir. Katılımcıdan elde ettiğimiz verileri mümkün olduğunca etkili bir biçimde kullanmalıyız, bir yandan da BCI’ların hata yapabileceğini aklımızdan çıkarmamalıyız. Mevcut BCI’lar nispeten yavaş ve arada bir hata yapabilmektedirler (Bilgisayar benim sol el hareketini canlandırdığımı sanabilir, halbuki sağ el hareketini canlandırmaktayımdır). Kaynak.
Nöral Bağ söz konusu olduğunda cihazın kendisini insan beyniyle bütünlediğini söyleyebiliriz. Cihaz, insan ve makine arasında kusursuz bir ortakyaşam yaratıyor.
İnsan ve makine birbirleriyle ortakyaşamsal bir biçimde çalışıyorlar. Bu iki parçanın üstüne bir yapay zeka katmanı ya da üçüncü bir arayüz eklenebilir. Bu sayede yepyeni ve gelişmiş bir dünyaya adım atabilir ve yapay zekaya sahip robot dostlarımızla aşık atabiliriz.
Bu çeşit bir bağlantı bize arttırılmış hafıza ve muazzam makine öğrenmesi becerileri kazandırabilir. Ve evet, bu bağlantı ile herhangi birisiyle konuşmadan iletişim (bir nevi telepati) kurabiliriz.
“Telefon, bilgisayar ve uygulamalar formunda mekanik bir uzantınız var. 30 yıl önce Birleşik Devletler başkanının sahip olduğundan daha fazla güce ve beceriye sahipsiniz.” Elon Musk
Beyin-Bilgisayar Arayüzü Çeşitleri
Sevecen Yapay Zeka’nın yazarı Amit Ray’e göre en komplike beyin-bilgisayar arayüzleri çift yönlü beyin-bilgisayar arayüzleridir (BBCIlar). Bu çift yönlü beyin-bilgisayar arayüzleri, sinir sisteminden ölçüm aldıkları gibi sinir sistemini de uyarabilirler.
Beyin-bilgisayar arayüzleri üç gruba sınıflandırılabilir: Müdahaleci olmayan, yarı müdahaleci ve müdahaleci beyin-bilgisayar arayüzleri bu gruplardır.
Müdaheleci tekniklerde veri (beyin sinyalleri) toplayabilmek için özel cihazların kullanılması gerekmektedir. Bu cihazlar ciddi bir ameliyat sonrasında doğrudan beyne yerleştirilmektedir. Yarı müdaheleci tekniklerde ise cihazlar kafatasının içinde, insan beyninin hemen üstüne yerleştirilmektedir. Sonuç olarak bu cihazların en güvenilir ve düşük maliyetli olanları, müdaheleci olmayan cihazlardır. Güvenilirliklerine ve düşük maliyetlerine karşın kafatasının yarattığı engelden ötürü bu cihazlar yalnızca daha zayıf beyin sinyallerini kaydedebilirler. Müdaheleci olmayan cihazlarda beyin sinyallerinin tespiti, kafa derisinin üzerine yerleştirilen elektrotlar aracılığıyla yapılmaktadır.
Müdahaleci olmayan beyin-bilgisayar arayüzleri geliştirmek için birçok yol mevcut. Bu yollar arasında EEG (elektronensefalografi), MEG (manyetoensefalografi) ya da MRT (manyetik rezonans tomografi) sayılabilir. EEG-temelli bir beyin-bilgisayar arayüzü çalışmalarda en çok tercih edilen BCI çeşididir. EEG sinyalleri işlenir ve denetim sinyalleri olarak çözümlenirler. Çözümlenmiş sinyaller, robotik cihaz üzerindeki bilgisayar tarafından kolaylıkla algılanır. Yüksek kalitede bir BCI üretmenin en karmaşık safhaları tam da bu işleme ve çözümleme basamaklarıdır. Bu iş bilhassa zorludur ve bu zorluğun göstergelerinden birisi de bilimsel enstitülerin ve çeşitli yazılım firmalarının beyin-bilgisayar arayüzlerinde EEG sinyal sınıflandırma amaçlı yarışmalar düzenliyor olmasıdır.
Evrişimli Sinir Ağı ve BCI
Evrişimli sinir ağı, görsel korteksi model alarak oluşturulmuş bir tür yapay zeka sinir ağıdır. Ağın, her bir tabakanın ağırlık parametrelerini ileri ve geri yayılım ile optimize ederek sınıflandırma hatalarını en aza indirmek suretiyle girdi verilerinden uygun öznitelikleri öğrenme becerisi vardır.
İnsan işitsel korteksi tıpkı görsel korteks gibi hiyerarşik bir yapıda düzenlenmiştir. Hiyerarşik bir sistemde çeşitli beyin bölgeleri, duyusal bilgi sistem boyunca ilerlerken duyusal bilginin üzerinde farklı işlemler gerçekleştirirler. “Birincil görsel korteks” ya da başlangıç bölgeleri renk ya da yön gibi daha basit özelliklere tepki verirler. İleri seviyelerdeki bölgeler ise nesne tanıma gibi daha karmaşık görevlerini yerine getirebilmesini sağlarlar.
Derin öğrenme tekniklerinin bir avantajı da bu tekniklerin en düşük derecelerde ön işlemeye ihtiyaç duymalarıdır. En uygun ayarlamaların otomatik olarak öğrenilmesi bunu mümkün kılmaktadır. Evrişimli sinir ağları söz konusu olduğunda özellik çıkarımı ve sınıflandırması tek bir yapı altında toplanmıştır ve otomatik olarak optimize edilmektedir. Dahası, katılımcıların fNIRS zaman dizisi verileri evrişimli sinir ağına girdi olarak sokulmaktadır. Sarılım[10] işlemi kayan bir biçimde gerçekleştirildiği için[11]CNN’in özellik çıkarma süreci,fNIRS sonrasında elde edilen zaman dizisi verisinin geçici bilgisini koruyabilmektedir. Kaynak.
Beyin-bilgisayar arayüzleri üzerine gerçekleştirilen araştırmalardaki en büyük sorunlardan birisi ise beyin sinyallerin sabitlikten uzak yapısıdır. Bu durum, sınıflandırıcının sinyaller arasında güvenilir örüntüleri bulabilmesinin önüne geçerek başarısız sınıflandırmalara yol açmaktadır. Kaynak.
Beyin-Bilgisayar Arayüzlerini Sıfırdan Öğrenmeye Nasıl Başlayabilirim?
Havacılık mühendisliği doktora öğrencisi Hosea Siu’ya göre bu sorunun yanıtı “Doğrudan çalışan beyin arayüzleri için EEG elektrotları, çevresel sinir sistemi arayüzleri için ise EMG elektrotları” olarak vücut buluyor. Kaynak.
Bu veriyi bilgisayarımıza aktardıktan sonra sinyal koşullandırma ileuğraşmamız gerekiyor. Yapacaklarımız arasında ulaşmak istediğimiz sinyalin frekansını süzmek ve çevre gürültüsünü elemek var. Birleşik Devletlerde elektrik hatlarından gelen 60 Hz’lik gürültünün varlığı göz önüne alınırsa bu adımlar önemli.
Bunu takiben sistemin tam olarak ne yapmasını istediğimizi düşünmemiz gerekiyor. Amacımız mavi rengini düşününce EEG örüntülerimizde gerçekleşen belirli bir değişikliği mi tespit etmek? Yoksa parmağımızı oynatırken EMG’de gerçekleşen bir farklılığı mı saptamak? Bilgisayar bu işlemin neresinde? Bir programı mı çalıştırmalı? Bir şeyler mi yazmalı?
Veriyi nasıl işaretleyeceğimiz hakkında düşünmeliyiz. Öbür türlü bilgisayar, ilgili sinyalin anlamlı olduğunu en baştan nasıl bilecek?
Buna gözetimli öğrenme diyoruz. Uygun bulduğun sınıflandırma yöntemini seç, doluyla işaretlenmiş veri topla ve sistemini eğit. Eğittiğin sistemlerin yapmaları gerekeni yapıp yapmadıklarını kontrol etmek için çapraz geçerleme gibi metotlara başvur.
Tebrikler! Bu adımları uyguladıktan sonra bir beyin-bilgisayar arayüzünü andıran bir şeyler elde edeceksin. Kaynak.
Beyin-Bilgisayar Arayüzleri Üzerine Makine Öğrenmesi Çalışmaları İçin Veri Kümelerini Nereden Bulabilirim?
Aşağıdaki sitelerde halka açık birçok EEG veri kümesine ulaşabilirsin.
Ücretsiz EEG ve ERP veri kümeleri.
Berlin Beyin-Bilgisayar Arayüzü.
Yapay zeka ve pekiştirme öğrenmesi ile nöral arayüz teknolojisindeki gelişmeler, çeşitli sinyal işleme yöntemlerinin uygulanması ile beraber beyin aktivitesini daha iyi anlamamızı sağladı. Bu anlayışımızı bilgisayarlar ve diğer cihazlar ile olan etkileşimimizde kullanabiliriz.
Daha fazla bilgi için aşağıdaki siteleri ziyaret edebilirsin!
https://www.theguardian.com/technology/2018/jan/01/elon-musk-neurotechnology-human-enhancement-brain-computer-interfaces
https://www.core77.com/posts/72957/When-Brain-Computer-Interfaces-Go-Mainstream-Will-Dystopian-Sci-Fi-Be-Our-Only-Guidance
http://www.brainvision.co.uk/blog/2014/04/the-brief-history-of-brain-computer-interfaces/
https://ieeexplore.ieee.org/document/8122608
https://medium.com/dxlab-design/how-will-brain-computer-interfaces-change-your-life-aa89b17c3325
https://www.semanticscholar.org/paper/Chapter-2-Basics-of-Brain-Computer-Interface-Ramadan-Refat/444617ec6a720a7291faf1b70d5bd0cfd82461f6?p2df
https://www.quora.com/What-is-a-good-machine-learning-project-involving-brain-computer-interfaces
https://www.quora.com/How-do-current-brain-computer-interfaces-work
https://www.quora.com/How-can-I-start-learning-about-brain-computer-interface-from-scratch
Notlar
[1]Brain-computer interface (BCI). Kısaltma olarak kullanılacaktır. (Ç.N.)
[2]Convolutional neural network (CNN). (Ç.N.)
[3]Feature extraction. “Özellik çıkarımı” çevirisi doğru olmakla birlikte pek çok anlam taşıyabileceğinden dolayı terimin özgün halini belirtme ihtiyacı hissettim. (Ç.N.)
[4]Invasive&non-invasive methods. Yöntemin uygulanması için ameliyat gerekip gerekmediğini ifade eden bir terim. (Ç.N.)
[5]Noise. Elektronik uygulamalarda “noise”, “gürültü” . Yapılan ölçümdeki hatayı/istenmeyen veriyi ifade eder. (Ç.N.)
[6]Neural lace. Özgün metinde terim olarak kullanılmış. (Ç.N.)
[7]Temporal resolution. Aynı ölçüm noktasındaki değişikliği tespit edebilme hızı. (Ç.N.)
[8]Spatial resolution. Gerçekleşen değişikliğin konumu tam olarak tespit edebilme becerisi. (Ç.N.)
[9]Event related potential. Belirli bir duyusal, bilişsel ya da motor olaya beynin verdiği ve ölçülen tepkidir. (Ç.N.)
[10]Convolution. Convolution, sinyal işlemede en temel matematiksel süreçlerden birisidir. Temel olarak sinyallerden birinin zaman değişkeni bazında ufak bir miktar geride olan versiyonu ile diğer sinyalin çarpımlarının integrali olarak tanımlanabilir. Daha detaylı bilgi için https://en.wikipedia.org/wiki/Convolution sitesine başvurulabilir. (Ç.N.)
[11]Convolution tanımında verdiğim ufak zaman farkı metinde “kayan bir biçim” olarak kullanılmış. (Ç.N.)
