P300 tabanlı beyin–bilgisayar arayüzü (Brain–Computer Interface, BCI), kullanıcının görsel hedeflere verdiği olayla ilişkili EEG yanıtlarını sınıflandırarak bilgisayar sistemine komut iletmeyi amaçlayan bir insan–makine etkileşim yöntemidir. Bu çalışma, geleneksel sekiz kanallı bir P300-BCI sisteminin elektrot sayısını azaltırken sınıflandırma performansı ve kullanıcı deneyimini ne ölçüde koruyabileceğini araştırmıştır. Araştırmacılar Genetic Algorithm (GA) ile Bayesian Linear Discriminant Analysis (BLDA) yöntemini birlikte kullanarak F3, F4, C3, C4, P3, P4, O1 ve O2 kanallarından sabit üç kanallı bir düzen seçmiş ve bütün 48 katılımcı için kullanılacak nihai kombinasyonu C3, C4 ve P4 olarak belirlemiştir.

Araştırmaya 18-26 yaş arasında 48 sağlıklı gönüllü katılmıştır; 12 katılımcı kadın, 36 katılımcı erkektir. Katılımcıların normal veya düzeltilmiş normal görmeye sahip olduğu, nörolojik veya psikiyatrik hastalık öykülerinin bulunmadığı ve daha önce EEG deneylerine katılmadıkları bildirilmiştir. EEG verileri 250 Hz örnekleme hızında sekiz ıslak elektrotla kaydedilmiş; temas empedansı bütün kanallarda 10 kΩ'un altına indirilmiştir.

GA-BLDA kanal seçiminde her katılımcının verisi önce ayrı ayrı işlenmiştir. GA içindeki her aday kanal kombinasyonu sekiz bitlik bir ikili vektörle temsil edilmiş, seçilen kanallarla eğitilen BLDA sınıflandırıcısının 10 katlı çapraz doğrulama doğruluğu hesaplanmış ve fazla kanal kullanımı fitness fonksiyonunda cezalandırılmıştır. Daha sonra 48 kişide bulunan optimum kombinasyonlar bir araya getirilmiş, kanalların seçilme sıklıkları hesaplanmış ve en sık görülen üç kanal C3, C4 ve P4 olarak sabitlenmiştir.

Üç kanallı yapı çevrimdışı deneyin son, yani 10. uyarım turunda %86,67 ortalama doğruluğa ulaşırken sekiz kanallı sistem %91,88 doğruluk sağlamıştır. Bu aşamada fark yaklaşık 5,2 yüzde puanıdır ve 7-10. turlarda sekiz kanal lehine istatistiksel olarak anlamlı fark raporlanmıştır. Aynı 10. turda bilgi aktarım hızı üç kanalda 22,47 bit/dk, sekiz kanalda 24,60 bit/dk'dır.

Çevrimiçi doğrulamada üç kanallı sistemin ortalama doğruluğu %90,21 ± 5,36, sekiz kanallı sistemin ortalama doğruluğu %92,40 ± 5,55 olarak bulunmuştur. Kaynak, çevrimiçi doğruluk farkının istatistiksel anlamlılığa ulaşmadığını bildirmektedir. Ortalama çevrimiçi bilgi aktarım hızı ise üç kanalda 23,66 ± 4,02 bit/dk ve sekiz kanalda 27,52 ± 3,76 bit/dk'dır.

Elektrot sayısının sekizden üçe düşürülmesi yalnız sınıflandırma sisteminin fiziksel karmaşıklığını azaltmamış, kullanıcı hazırlık süresini de 30 dakikadan 3 dakikaya düşürmüştür. Kaynak bu değişimi %90 hazırlık süresi azalması olarak raporlamaktadır. Deney sonrasındaki temizleme süresi de %80 azalmıştır. NASA-TLX değerlendirmesinde üç kanallı yapı mental demand, physical demand ve kaynakta “performance” olarak adlandırılan boyutta daha düşük skorlar göstermiştir.

Bu sonuçlar üç elektrotun her koşulda sekiz elektrotla tamamen aynı bilgi taşıdığı anlamına gelmez. Çevrimdışı 7-10. turlarda sekiz kanallı sistem istatistiksel olarak anlamlı performans avantajı göstermiştir. Ayrıca çalışma yalnız sağlıklı genç yetişkinlerde, kontrollü sanal gerçeklik ortamında ve ıslak elektrotlarla yürütülmüştür. Klinik hastalarda, yaşlı popülasyonda, kuru elektrotlarda, yoğun hareket ve çevresel gürültü bulunan gerçek yaşam koşullarında aynı performansın korunacağı bu çalışmayla gösterilmemiştir.

Beyin–bilgisayar arayüzü nedir?

Beyin–bilgisayar arayüzü, beyin aktivitesinden ölçülen sinyalleri bir bilgisayar veya harici cihazın anlayabileceği komutlara dönüştüren bir insan–makine iletişim sistemidir. Bu çalışmada beyin sinyali elektroensefalografi (Electroencephalography, EEG) ile kafa derisi üzerinden ölçülmektedir. Kullanıcı kas hareketiyle düğmeye basmak yerine, sanal ortamda belirli bir görsel hedefe odaklanmakta ve sistem EEG yanıtından hedefin hangisi olduğunu tahmin etmektedir.

P300 neyi ifade ediyor?

P300, hedef veya seyrek bir uyarana dikkat edildiğinde EEG içinde ortaya çıkabilen olayla ilişkili elektriksel yanıt bileşenlerinden biridir. Adı, tipik olarak uyaran sonrasında yüzlerce milisaniyelik zaman ölçeğinde görülen pozitif potansiyel bileşenine dayanır. Bu çalışma tek bir dar zaman noktasını kullanmak yerine uyaran başlangıcından sonraki 0-600 ms aralığındaki EEG bilgisini sınıflandırma amacıyla işlemiştir.

P300 tabanlı BCI'nin temel mantığı şudur: ekrandaki birçok seçenek sırayla yanıp söner; kullanıcı yalnız hedef seçeneğe dikkat eder; hedef ve hedef olmayan uyarımlar EEG üzerinde aynı istatistiksel yanıtı üretmez. Sınıflandırıcı bu farkı öğrenerek kullanıcının hangi seçeneği seçmeye çalıştığını tahmin eder.

Neden daha az EEG kanalı isteniyor?

Çok kanallı EEG sistemi daha geniş uzamsal bilgi toplayabilir; ancak her yeni elektrot başlığın hazırlanması, iletken jel uygulanması, empedans kontrolü, kablolama ve deney sonrası temizleme işlemlerini artırır. Bu nedenle kanal sayısını azaltmak yalnız hesaplama yükünü değil gerçek kullanıcıya yüklenen fiziksel hazırlık sürecini de azaltabilir.

Bunun karşılığında önemli bir risk doğar: kanal sayısı azaldıkça kafa derisinin daha küçük bir bölümü örneklenir ve bazı sinyal bilgilerinin kaybedilme ihtimali artar. Bu nedenle asıl soru “mümkün olan en az elektrodu kullanmak” değildir. Bilimsel problem, performans kaybını kabul edilebilir düzeyde tutarken elektrot sayısını ne kadar azaltabileceğini bulmaktır.

EEG elektrotları nereye yerleştirildi?

Başlangıç sistemi uluslararası 10-20 elektrot yerleşim standardına göre sekiz kanal kullanmıştır:

C3 ve C4 merkezi bölge, P4 ise parietal bölge etiketidir. Çalışmanın kanal seçim algoritması bu üç kanalı bütün 48 katılımcının offline seçim sonuçlarının ortak frekans sıralamasından çıkarmıştır.

EEG sinyali nasıl kaydedildi?

Çalışmada South China Brain Control Technology Co., Ltd. tarafından geliştirilen giyilebilir EEG başlığı kullanılmıştır. Sistem bilgisayara Bluetooth 4.2 ile bağlanmış ve sekiz kanal gerçek zamanlı olarak kaydedilmiştir.

Örnekleme hızı:

\[ f_s=250\ \mathrm{Hz} \]

olduğundan sistem her kanal için saniyede 250 örnek kaydeder. Islak elektrotların temas bölgesine iletken pasta uygulanmış ve temas empedansı:

\[ Z<10\ \mathrm{k\Omega} \]

olacak şekilde hazırlanmıştır. Düşük ve kontrol edilen elektrot-cilt empedansı, EEG gibi mikrovolt ölçeğindeki biyopotansiyel sinyallerin daha kararlı kaydedilmesi açısından önemlidir.

Bir EEG parçası nasıl ön işlendi?

Her tekil görsel flash için uyaran başlangıcı \(t=0\) kabul edilmiş ve:

\[ [-200,\ 600]\ \mathrm{ms} \]

aralığındaki EEG parçası çıkarılmıştır.

Ön işleme zinciri şu sıradadır:

1. −200 ile 0 ms arasındaki uyaran öncesi bölümün ortalama genliği hesaplanır.
2. Bu ortalama bütün −200 ile 600 ms segmentinden çıkarılarak baseline correction yapılır.
3. Dördüncü dereceden IIR band-pass filtreyle 0,1-25 Hz bandı tutulur.
4. 50 Hz elektrik şebekesi girişimini azaltmak için notch filtre uygulanır.
5. Filtrelenmiş sinyal 5 kat downsample edilir.

250 Hz başlangıç örnekleme hızının 5 kat downsample edilmesi, işlenen veri dizisinin etkin örnekleme yoğunluğunu beşte bire indirir. Kaynak bunu özellikle veri boyutunu ve sonraki hesaplama yükünü azaltmak amacıyla uygulamıştır.

Baseline correction neden yapılıyor?

Bir EEG segmentinin mutlak voltaj seviyesi, P300 yanıtından bağımsız yavaş kaymalar veya segmentler arası başlangıç farkları taşıyabilir. Baseline correction, uyaran öncesindeki −200-0 ms aralığının ortalamasını referans kabul ederek segmentin tamamını bu referansa göre yeniden merkezler.

Öğretici biçimde işlem:

\[ x_{\mathrm{corr}}(t) = x(t) - \overline{x}_{[-200,0]} \]

şeklinde düşünülebilir. Bu matematiksel gösterim kaynakta numaralandırılmış ayrı denklem değildir; kaynağın metinle tarif ettiği baseline çıkarma işleminin açıklayıcı gösterimidir.

Özellik çıkarımı nasıl yapıldı?

Filtreleme ve downsampling sonrasında uyaranın ardından gelen 0-600 ms bölüm analiz penceresi olarak kullanılmıştır. Kaynak, bu aralığın başlangıçtaki 250 Hz örneklemede 150 örnek, 5 kat downsampling sonrasında ise 30 örnek içerdiğini belirtmektedir.

0-600 ms pencere dört eşit alt pencereye ayrılmıştır:

0-150 ms, 150-300 ms, 300-450 ms ve 450-600 ms.

Her alt pencerede iki zaman-alanı özelliği hesaplanmıştır:

• ortalama EEG genliği,
• EEG genliğinin varyansı.

Seçilen bütün kanalların bu özellikleri birleştirilerek tek uyarım turunun özellik vektörü oluşturulmuştur.

Daha sonra aynı hedef için yapılan 10 uyarım turunun özellik vektörleri üst üste getirilip ortalanmıştır. Amaç spontan EEG arka plan gürültüsünü azaltmak ve hedefle ilişkili tekrarlanabilir P300 bilgisini güçlendirmektir.

Bu averaging yaklaşımının doğal bir maliyeti vardır: daha fazla uyarım turu sınıflandırma doğruluğunu yükseltebilirken komutun verilmesi için gereken süreyi uzatır. Çalışmada Accuracy yükselirken ITR'nin tur sayısıyla düşmesinin temel matematiksel nedeni de budur.

10 katlı çapraz doğrulama ne yapıyor?

10-fold cross-validation, veri kümesini on parçaya ayırarak modelin aynı veriye yalnız ezberlenmiş biçimde uyum sağlamasının önüne geçmeye çalışan değerlendirme düzenidir. Kaynak veri bölmesini trial düzeyinde yapmış ve her iterasyonda yaklaşık %90 veriyi eğitim, %10 veriyi test için kullanmıştır.

On parçanın her biri sırayla test bölümü olur. Böylece performans tek bir rastgele eğitim-test ayrımına bağlı kalmaz.

Kanal seçimindeki fitness doğruluğu da BLDA'nın bu 10 katlı çapraz doğrulama performansına dayanmaktadır.

GA-BLDA Kanal Seçimi Nasıl Çalışıyor?

GA-BLDA çerçevesinde Genetic Algorithm sekiz EEG kanalından olası alt kümeleri küresel olarak arayan seçim mekanizması, BLDA ise her aday kanal kümesinin sınıflandırma doğruluğunu değerlendiren fitness sınıflandırıcısıdır; GA'nın kişi bazında bulduğu optimum alt kümeler daha sonra 48 katılımcı üzerinden frekanslandırılarak sabit C3-C4-P4 düzenine dönüştürülmüştür.

Bir kanal kombinasyonu genetik algoritmada nasıl kodlanıyor?

Her aday çözüm sekiz elemanlı ikili bir vektördür:

\[ \mathbf{x}_i= [x_{i1},x_{i2},\ldots,x_{i8}] \]

Burada:

\[ x_{ij}= \begin{cases} 1,& j.\ kanal\ seçilmişse\\ 0,& j.\ kanal\ seçilmemişse \end{cases} \]

Örneğin bir birey yalnız C3, C4 ve P4'ü temsil eden üç konumda 1 taşıyabilir. Kaynak ilk popülasyonu rastgele üretmektedir; böylece başlangıçta belirli bir elektrotun seçileceğine dair kişi-özel ön kabul uygulanmamaktadır.

Fitness fonksiyonu neden yalnız doğruluk değil?

Yalnız sınıflandırma doğruluğunu maksimize eden algoritma daha fazla kanal kullanmayı tercih edebilir. Çalışmanın amacı ise hem yüksek doğruluk hem az kanal olduğundan kaynak şu tek amaçlı ağırlıklı fitness fonksiyonunu kullanmıştır:

\[ f(\mathbf{x}) = Acc(\mathbf{x}) - \lambda \frac{\|\mathbf{x}\|_1}{N} \tag{4} \]

Burada:

• \(f(\mathbf{x})\): aday kanal kombinasyonunun fitness skoru,
• \(Acc(\mathbf{x})\): BLDA ve 10-fold cross-validation ile hesaplanan sınıflandırma doğruluğu,
• \(\lambda\): kanal sayısına uygulanacak cezanın gücünü kontrol eden ağırlık katsayısı,
• \(\|\mathbf{x}\|_1\): seçilmiş kanalların sayısı,
• \(N=8\): toplam aday kanal sayısıdır.

\(\|\mathbf{x}\|_1/N\) seçilmiş kanal oranıdır. Daha çok kanal kullanıldıkça bu terim büyür ve fitness skorundan daha büyük ceza çıkarılır.

Örneğin doğruluğu aynı olan iki çözümden üç kanal kullanan çözüm, sekiz kanal kullanan çözüme göre daha küçük kanal-ceza terimine sahip olur. Böylece algoritma yalnız “en doğru” değil, doğruluğu korurken daha seyrek elektrot düzeni sağlayan kombinasyonu arar.

Yeniden üretilebilirlik notu: Kaynak \(\lambda\)'nın neyi kontrol ettiğini açıklamakta, ancak kullanılan sayısal \(\lambda\) değerini raporlamamaktadır. Dolayısıyla fitness fonksiyonunun tam sayısal yeniden üretimi yalnız PDF'deki bilgilerle mümkün değildir.

Genetik işlemler nelerdir?

Kaynak üç temel mekanizma kullanmaktadır:

• Elitizm: o kuşaktaki en yüksek fitness değerine sahip çözüm değiştirilmeden yeni popülasyona aktarılır.
• Exchange/Crossover: diğer bireylerin kanal bitleri arasında parçalar değiştirilerek yeni kombinasyonlar oluşturulur.
• Variation/Mutation: bazı bitler olasılıksal olarak 0'dan 1'e veya 1'den 0'a çevrilerek yeni arama noktaları oluşturulur.

Elitizmin görevi mevcut en iyi çözümün genetik işlemler sırasında kaybolmasını engellemektir. Crossover mevcut çözümlerin yapılarını yeniden birleştirir. Mutation ise popülasyonda yeni kanal kombinasyonları üreterek aramanın erken bir yerel çözüme sıkışma riskini azaltır.

GA ne zaman duruyor?

Kaynak iki durdurma koşulu kullanmaktadır:

1. Mevcut optimum çözüm belirlenen sayıda ardışık iterasyon boyunca değişmezse.
2. Maksimum iterasyon sayısına ulaşılırsa.

İkinci sınır son optimizasyon ayarında 10 iterasyondur. Buna karşılık ilk koşuldaki ardışık aynı optimum çözüm sayısını gösteren \(T\) parametresinin sayısal değeri PDF'de verilmemiştir.

GA parametreleri nasıl seçildi?

Araştırmacılar dört GA parametresini doğrudan tek bir değerle başlatmak yerine ortogonal deney tasarımıyla taramıştır:

Dört faktör ve beş seviyeli \(L_{25}(5^4)\) ortogonal tasarımla bütün teorik kombinasyonları tek tek denemek yerine 25 parametre kombinasyonu değerlendirilmiştir.

En yüksek üç-kanallı doğruluk Orthogonal Experiment 12 konfigürasyonunda %88,0 olarak bulunmuştur. Sonraki analizlerde kullanılan GA ayarları:

Kaynak crossover için ayrı bir olasılık parametresi raporlamamakta; Exchange işleminin yürütüldüğünü belirtmektedir.

Rastgelelik nasıl kontrol edildi?

GA'nın başlangıç popülasyonu, cross-validation veri bölümü, crossover noktaları ve mutation işlemleri rastgelelik içerir. Araştırmacılar bu değişkenliği kontrol etmek için Python ortamında sabit bir global pseudorandom seed tanımladıklarını belirtmiştir.

Kaynak bu sayede aynı offline veri ve parametrelerle algoritmik yolun tekrarlanabileceğini savunmaktadır.

Ancak PDF'de seed'in sayısal değeri raporlanmamaktadır. Bu nedenle “fixed seed kullanıldı” bilgisi yöntemin mantığını açıklar, fakat makale metni tek başına bağımsız araştırmacının aynı random state'i kurmasına yetmez.

Kanalların seçilme frekansı nasıldı?

Neden üç kanal seçildi, iki veya dört değil?

Kaynak Orthogonal Experiment 12 parametrelerinde kanal sayısını artırarak ortalama doğruluğu karşılaştırmıştır:

Bir kanaldan üç kanala çıkarken doğruluk belirgin biçimde artmaktadır. Üç kanaldan sonra ise ek elektrotların sağladığı kazanım küçülmektedir. Kaynak bu performans platosunu elektrot sayısı ile doğruluk arasında en uygun denge noktası olarak yorumlamış ve nihai az-kanallı sistem için üç kanalı seçmiştir.

Bu Sistem Gerçekten “Kalibrasyonsuz” Bir BCI mı?

Hayır; çalışma yeni kullanıcı için GA tabanlı kanal aramasını ve kanal kombinasyonunun yeniden hesaplanmasını kaldırmaktadır, fakat formal çevrimiçi deneyden önce kişiye ait offline calibration verileriyle BLDA sınıflandırıcısı eğitilmektedir; dolayısıyla “zero-calibration-cost” ifadesi genel EEG sınıflandırıcı kalibrasyonunun değil, kullanıcıya özel kanal-seçim algoritması maliyetinin kaldırılması olarak okunmalıdır.

Ön-deney ile formal deney neden ayrılmıştır?

Çalışmada aynı verinin hem üç kanalı keşfetmek hem de üç kanalın üstünlüğünü doğrulamak için doğrudan aynı biçimde kullanılmasının yaratabileceği iyimserliği azaltmak üzere süreç zamansal olarak ayrılmıştır.

İlk aşamada bütün 48 kişinin sekiz kanallı offline verisi toplanmış ve C3-C4-P4 kombinasyonunu çıkarmak için GA-BLDA kanal seçimi uygulanmıştır.

İki hafta sonra formal karşılaştırmalı deney başlatılmıştır. Formal offline calibration verisi bu kez BLDA modelini eğitmek için kullanılmış, ardından online kontrol gerçekleştirilmiştir.

Dolayısıyla sabit kanal listesi önceden belirlenmiş olsa da gerçek zamanlı sınıflandırıcı tamamen kullanıcı verisinden bağımsız bir pretrained evrensel model değildir.

AB/BA crossover tasarımı nasıl kuruldu?

48 kişi rastgele iki eşit gruba ayrılmıştır:

Crossover tasarımında aynı kişi iki sistemi de kullandığı için kişiler arası EEG farklılığının karşılaştırmaya etkisi azaltılabilir. Sistemler arasındaki istatistiksel karşılaştırmanın paired-sample t-test ile yapılmasının mantığı da aynı katılımcının iki koşuldaki sonuçlarının eşleştirilmesidir.

Kaynak 48 saatlik arayı yorgunluk ve öğrenme/muscle-memory etkilerini azaltmak için washout olarak kullanmıştır. Bununla birlikte ayrı bir period effect, sequence effect veya carryover-effect istatistik modeli raporlanmamaktadır.

VR P300 görevi nasıl çalıştı?

Unity3D 2022.3 LTS ile bir “oda fonksiyon kontrolü” sanal gerçeklik sahnesi hazırlanmıştır. Görsel arayüz 1920 × 1080 çözünürlüklü, 60 Hz monitörde sunulmuştur.

Sahnede perde, televizyon, kapı ve ışık gibi etkileşimli nesnelerin altında sanal kontrol düğmeleri bulunmaktadır. Düğmeler üç durum kullanır:

• varsayılan durumda siyah,
• cue veya recognition feedback sırasında 2 saniye kırmızı,
• stimulation aşamasında siyah ve yeşil arasında 0,1 saniyelik flash geçişleri.

Kullanıcıdan hedef düğme yeşile döndüğünde sessizce sayması ve hedef olmayan düğmeler yanıp sönerken bakışını sabit tutması istenmiştir.

Offline calibration deneyi nasıl yapıldı?

Her katılımcı 20 trial tamamlamıştır. Tek trial toplam 20 saniyedir:

Her uyarım turu 1,6 saniyedir. Sekiz düğmenin her biri pseudo-random sırada bir kez flash yapar ve tek flash cycle 0,2 saniyedir: 0,1 saniye siyah arka plan ve 0,1 saniye yeşil vurgu.

Online deney nasıl farklıydı?

Online doğrulamanın genel paradigması offline aşamaya benzer, fakat tek hedef tanıma süresi 16,8 saniyeye kısaltılmış ve uyarım sayısı 10 turdan 8 tura indirilmiştir.

Sekiz tur tamamlandıktan sonra önceden eğitilmiş BLDA modeli gerçek zamanlı EEG özelliklerinden hedefi tahmin etmiş, tahmin edilen düğme 2 saniye kırmızı gösterilmiş ve karşılık gelen Unity komutu çalıştırılmıştır.

BLDA'nın temel matematik modeli

Kaynak BLDA'yı doğrusal regresyon biçiminde aşağıdaki ilişkiyle tanımlar:

\[ Y=\boldsymbol{\omega}^{T}F_i+z \tag{1} \]

Burada:

• \(Y\): regresyon hedefi,
• \(F_i\): \(i\). EEG özellik vektörü,
• \(\boldsymbol{\omega}\): özellik ağırlık vektörü,
• \(z\): Gaussian dağılımlı gürültü terimidir.

\(\boldsymbol{\omega}^{T}F_i\), özelliklerin ağırlıklı doğrusal kombinasyonudur. Büyük mutlak ağırlık taşıyan özellikler tahmin sonucuna daha güçlü katkıda bulunur.

Bayesian yaklaşımın merkezi farkı, \(\boldsymbol{\omega}\)'yı yalnız tek bir sabit optimum vektör olarak ele almak yerine ağırlık belirsizliğini olasılık dağılımı içinde değerlendirmesidir.

Kaynak yeni bir \(F\) örneğinin predictive distribution fonksiyonunu:

\[ p(y\mid\beta,\alpha,F,S) = \int p(y\mid\beta,F,\boldsymbol{\omega}) p(\boldsymbol{\omega}\mid\beta,\alpha,S) \,d\boldsymbol{\omega} \tag{2} \]

olarak verir.

İntegral, farklı olası ağırlık vektörleri üzerindeki tahminleri onların posterior ağırlıklarıyla birleştirir. Başka bir ifadeyle model yalnız tek bir \(\boldsymbol{\omega}\) değeri üzerinden karar vermek yerine ağırlık belirsizliğini marjinalleştirir.

Kaynağa göre \(\beta\), gürültü \(z\)'nin inverse variance parametresi; \(\alpha\) ise ağırlıklarla ilgili prior varyans parametresidir.

Notasyon notu: Kaynak metni \(p(\boldsymbol{\omega}\mid\beta,\alpha,S)\) ifadesini “predicted value y'nin posterior distribution'ı” şeklinde açıklamaktadır; ancak matematiksel ifadede dağılım değişkeni \(\boldsymbol{\omega}\)'dır. Verianla bu terminolojik ifadeyi yeni bir denklemle sessizce değiştirmemekte, matematiksel gösterimi kaynaktaki biçimiyle korumaktadır. Ayrıca \(S\) sembolünün bu bölümde ayrı ve açık bir tanımı verilmemiştir.

Tahmin dağılımına karşılık gelen regresyon hedef değeri:

\[ u=\boldsymbol{\mu}^{T}F \tag{3} \]

ile hesaplanmaktadır. Kaynakta \(\boldsymbol{\mu}\), posterior dağılımın ortalamasını temsil eder.

Bayesian yaklaşım neden EEG için yararlı olabilir?

EEG, kişiden kişiye ve zamana göre değişebilen, gürültülü bir biyosinyaldir. BLDA'nın ağırlıklara Bayesian yaklaşım uygulaması, özellik katsayılarını belirsizlik altında düzenleyerek özellikle yüksek boyutlu ve gürültülü EEG özelliklerinde aşırı uyum riskini sınırlamaya yardımcı olacak bir sınıflandırma çerçevesi sunar.

Bu çalışma BLDA'yı yeni bir yöntem olarak geliştirmemektedir. BLDA, GA tarafından oluşturulan kanal adaylarının performansını değerlendiren sınıflandırıcı ve formal deneyde hedef tahmini yapan decoder olarak kullanılmaktadır.

Doğruluk nasıl hesaplandı?

Kaynak sınıflandırma doğruluğunu:

\[ Acc= \frac{TP+TN} {TP+TN+FP+FN} \tag{5} \]

olarak tanımlar.

Burada:

• \(TP\): true positive,
• \(TN\): true negative,
• \(FP\): false positive,
• \(FN\): false negative sayısıdır.

Pay doğru kararları, payda bütün sınıflandırma kararlarını temsil eder. Sonuç 0 ile 1 arasında oran veya yüzde biçiminde raporlanabilir.

Bilgi aktarım hızı nasıl hesaplandı?

BCI'da yalnız doğruluk yeterli değildir. Bir sistem doğru komutu çok uzun sürede veriyorsa gerçek zamanlı etkileşim verimliliği düşük olabilir. Bu nedenle çalışma Information Transfer Rate (ITR) metriğini kullanmıştır:

\[ ITR= \frac{60}{RT} \left[ \log_2 M + Acc\log_2 Acc + (1-Acc) \log_2 \left( \frac{1-Acc}{M-1} \right) \right] \tag{6} \]

Burada:

• \(M\): seçilebilen toplam komut sayısı,
• \(Acc\): sınıflandırma doğruluğu,
• \(RT\): sistemin response time'ıdır.

Köşeli parantez içindeki ifade bir seçimin ne kadar bilgi taşıdığını bit cinsinden temsil eder. \(60/RT\) faktörü ise seçim başına bilgi miktarını zamanla ölçekleyerek sonucu bit/dakika biçimine dönüştürür.

Doğruluk yükseldiğinde ITR'nin bilgi terimi genellikle yükselir. Buna karşılık daha fazla stimulus round kullanıldığında response time uzar ve \(60/RT\) küçülür. Bu nedenle daha fazla tekrarla daha yüksek doğruluk elde etmek ITR'nin mutlaka yükselmesini sağlamaz.

Üç Kanallı Sistem Sekiz Kanallı Sistemle Gerçekten Aynı Performansı mı Verdi?

Tam olarak değil: üç kanallı sistem genel olarak sekiz kanala yakın ve çevrimiçi doğruluk açısından istatistiksel olarak karşılaştırılabilir performans göstermiştir, ancak çevrimdışı 7-10. uyarım turlarında sekiz kanal hem doğruluk hem ITR bakımından anlamlı üstünlük göstermiştir; bu nedenle sonuç “performans tamamen aynı” değil, “önemli elektrot azaltımına rağmen performansın büyük bölümü korunmuştur” şeklinde yorumlanmalıdır.

Offline doğruluk nasıl değişti?

Her iki sistemde de stimulus round sayısı arttıkça doğruluk yükselmiştir. Bunun nedeni tekrarlanan P300 yanıtlarının averaging işlemiyle hedefle ilişkili sinyalin spontan EEG gürültüsüne göre daha görünür hale gelmesidir.

Ancak kaynak Figure 9'un bütün ara tur ortalamalarını sayısal tablo halinde vermediğinden Verianla 2-9. turlara ait yeni kesin değerler üretmemektedir.

Offline ITR nasıl değişti?

Accuracy'nin yükselmesine rağmen ITR'nin düşmesi bir çelişki değildir. Daha fazla stimulus round sisteme daha fazla bilgi sağlar, fakat komut üretme süresini de uzatır. ITR formülü doğruluk ile hız arasındaki bu dengeyi aynı metrikte değerlendirir.

Kaynak içi belirsizlik notu: Discussion bölümünde offline son-tur ITR değerleri 22,47 ve 24,60 bit/dk'ya sırasıyla ±4,02 ve ±3,76 eklenmektedir. Aynı ± değerler Table 3'te online ITR standart sapmalarıdır. Figure 10 Results metni offline final-round değerleri için bu standart sapmaları ayrı olarak raporlamadığı için Verianla onları offline Figure 10'a ait doğrulanmış SD değerleri şeklinde kullanmamaktadır.

Online performans nasıl oldu?

Üç kanallı düzende S26, S39, S41, S44 ve S45 numaralı beş katılımcı %100 online doğruluk elde etmiştir. Kaynak ayrıca bazı katılımcıların kendi sekiz kanallı sonuçlarından daha yüksek üç kanallı sonuç gösterdiğini bildirmektedir.

Bu bireysel sonuçlar “üç kanal biyolojik olarak her kişide daha iyidir” anlamına gelmez. Bireysel EEG değişkenliği nedeniyle bazı kişiler belirli oturumda üç kanallı sistemle daha yüksek sonuç göstermiştir.

Kaynağın “anlamlı performans kaybı yok” ifadesi nasıl okunmalı?

Abstract ve conclusion üç kanallı sistemi genel olarak sekiz kanal ile karşılaştırılabilir ve anlamlı performans dezavantajı olmayan sistem şeklinde özetlemektedir. Ayrıntılı Results bölümü ise daha nüanslıdır:

• Offline rounds 7-10 doğruluğunda sekiz kanal anlamlı biçimde yüksektir.
• Offline rounds 7-10 ITR'sinde sekiz kanal anlamlı biçimde yüksektir.
• Offline son turdaki doğruluk farkı mutlak olarak yaklaşık 5,2 yüzde puanıdır.
• Offline son tur ITR farkı 2,13 bit/dk'dır.
• Online doğruluk farkı kaynakta p > 0,05'tir.

Bu nedenle Verianla değerlendirmesinde “anlamlı kayıp yok” cümlesi bütün alt analizlere genişletilmemektedir.

Diğer kanal seçimi yöntemleriyle yapılan yeniden karşılaştırma

Araştırmacılar üç temsilî yaklaşımı kendi 48 katılımcılık offline veri kümelerinde aynı değerlendirme ortamında yeniden uygulamışlardır:

Bu tablodaki p değerleri yalnız offline Accuracy için paired-sample t-test karşılaştırmasıdır.

Kaynak içi tutarlılık notu: Table 5 öncesindeki tartışma cümlesi DFGA [13] ve Adaptive Sparse Bayesian [34] yöntemleri için sırasıyla %87,50 ve %88,10 yazmaktadır; fakat yayımlanan Table 5 satırlarında Ma et al. [34] %87,50, Martínez-Cagigal et al. [13] %88,10'dur. Verianla tablo satırlarını kaynaktaki yayımlanmış biçimiyle korumakta ve iki değeri sessizce yer değiştirmemektedir.

NASA-TLX nedir?

NASA Task Load Index (NASA-TLX), bir görevin kullanıcı üzerinde oluşturduğu öznel iş yükünü birden fazla boyutta değerlendiren anket yöntemidir. Bu çalışmada altı boyut kullanılmıştır:

• Mental Demand,
• Physical Demand,
• Temporal Demand,
• Frustration,
• Performance,
• Effort.

Her boyut 0-100 ölçeğinde değerlendirilmiştir.

Üç kanal kullanıcı yükünü azalttı mı?

Kaynak daha düşük Mental Demand ve Physical Demand değerlerini daha düşük bilişsel ve fiziksel yük olarak yorumlamaktadır. Performance alt boyutunda da daha düşük skoru daha iyi sonuç olarak değerlendirmektedir.

Temporal Demand, Frustration ve Effort için üç kanallı sistemin ortalamaları çoğunlukla daha düşük olsa da fark istatistiksel anlamlı değildir. Bu nedenle bu üç boyutta kesin bir iyileşme gösterildiği söylenemez.

Hazırlık ve temizleme süresi

Bu sonuç çalışmanın pratik uygulama iddiasındaki en güçlü avantajlardan biridir. Elektrot sayısının azalması yalnız algoritmik hesaplama boyutunu değil, fiziksel başlık kurulumunu da azaltmıştır.

Çalışmanın Yöntemi ve Bulguları

Katılımcı örneklemi

Bu örneklem sağlıklı genç yetişkinlerden oluşmaktadır. Dolayısıyla motor engeli bulunan hastalar, omurilik yaralanması olan kişiler, ALS hastaları, yaşlı kullanıcılar veya başka klinik gruplar üzerinde doğrudan klinik performans gösterilmemiştir.

EEG donanımı ve ön işleme parametreleri

Yazılım ve hesaplama ortamı

Deneyin iki ana veri aşaması

Ön-deney: Bütün 48 kişiden sekiz kanallı offline EEG toplandı. Bu veriler GA-BLDA üzerinden sabit üç kanalı keşfetmek için kullanıldı.

Formal deney: İki hafta sonra AB/BA crossover karşılaştırması yapıldı. Her kanal koşulunda offline calibration ve online validation aşaması uygulandı.

Bu iki veri kullanım amacı birbirinden ayrılmalıdır. Ön-deney kanal düzenini keşfeder; formal deney seçilmiş düzen ile sekiz kanalın performansını karşılaştırır.

Kanal seçiminin ana sonucu

C3 bütün katılımcılarda en üst sırada yer almış ve kaynak frekansını 1,00 olarak vermiştir. C4 0,95, P4 0,90 frekansa sahiptir. Böylece C3-C4-P4 nihai sabit kanal kombinasyonu olmuştur.

Kaynak C4'ün 46 kişi tarafından C3 ile birlikte iki-kanallı kombinasyona seçildiğini ayrıca belirtmektedir. Frekans değerleri kaynakta iki ondalıklı oranlar şeklinde raporlandığından diğer kanallar için Verianla bu oranlardan kesin kişi sayısı geri hesaplamamaktadır.

Offline sonuçların özeti

Stimulus round sayısı arttıkça iki sistemin de doğruluğu artmış ve ITR'si azalmıştır.

Kaynak 7-10. turlarda hem Accuracy hem ITR için sekiz kanal lehine p < 0,05 raporlamaktadır.

Online sonuçların özeti

Online testte üç kanallı sistem yüksek doğruluğu korumuştur:

Kaynak Results metninde online Accuracy farkını p > 0,05 olarak raporlamaktadır. Online ITR için aynı bölümde ayrı bir p değeri verilmemiştir.

Hazırlık kolaylığı ile performans arasındaki değiş tokuş

Üç kanallı sistemin temel avantajı yalnız doğruluk metriğinde değil sistem kurulumundadır. Elektrot sayısı:

\[ 8\rightarrow3 \]

olarak azaltılmıştır. Bu, beş elektrotun sistemden çıkarılması anlamına gelir.

Hazırlık süresi:

\[ 30\ \mathrm{dk} \rightarrow 3\ \mathrm{dk} \]

olmuş ve kaynak %90 azalma raporlamıştır.

Buna karşılık offline son tur doğruluğu:

\[ 91{,}88\% \rightarrow 86{,}67\% \]

olmuştur.

Çalışmanın mühendislik katkısı bu trade-off'ta yatmaktadır: küçük bir performans farkı karşılığında fiziksel kurulumun büyük ölçüde sadeleştirilmesi.

İstatistiksel analiz nasıl yorumlanmalı?

Sistemler aynı katılımcılar üzerinde karşılaştırıldığı için kaynak paired-sample t-test kullanmıştır. Çeşitli analizlerde:

• \(p<0,05\),
• \(p<0,01\),
• ve \(p>0,05\)

eşikleri raporlanmıştır.

p değeri, gözlenen farkın büyüklüğüyle aynı şey değildir. Örneğin offline 10. tur doğruluğundaki yaklaşık 5,2 yüzde puanlık fark istatistiksel olarak anlamlıdır; bu nedenle hem p değeri hem mutlak fark birlikte değerlendirilmelidir.

Kaynak ayrı confidence interval veya standartlaştırılmış effect size raporlamamaktadır. Ayrıca birden fazla tur ve NASA-TLX alt boyutu üzerinde yapılan paired t-testler için ayrı bir multiple-comparison correction yöntemi raporlanmamıştır. Verianla bu nedenle p değerlerini kaynakta verildiği biçimde aktarır; yeni düzeltilmiş p değeri hesaplamaz.

Kaynak içindeki önemli tutarlılık ve yeniden üretilebilirlik noktaları

1. Fitness cezası \(\lambda\): Matematiksel rolü açıklanmış, sayısal değeri verilmemiştir.

2. GA stop parametresi \(T\): Optimum çözümün art arda kaç iterasyon değişmemesi gerektiği sayısal olarak verilmemiştir.

3. Random seed: Sabit global seed kullanıldığı belirtilmiş, seed değeri açıklanmamıştır.

4. “Zero-calibration-cost” ifadesi: Kanal seçimi için kullanıcıya özel GA yeniden çalıştırmasını kaldırmaktadır; formal online BCI doğrulamasında offline BLDA calibration yine vardır.

5. Offline ve online “anlamlı fark yok” yorumu: Ayrıntılı offline Results, 7-10. turlarda sekiz kanal lehine anlamlı fark raporlar. Genel abstract/conclusion cümlesi bu alt sonucu tek başına temsil etmez.

6. Discussion'daki offline ITR ± değerleri: Son tur offline ITR'ye eklenen ±4,02 ve ±3,76 değerleri Table 3 online ITR standart sapmalarıyla aynıdır; kaynak offline Figure 10 için bu SD'leri Results bölümünde ayrıca vermemektedir.

7. Table 5 yöntem/değer sıralaması: Tartışma metnindeki “respectively” sırası ile Table 5 satırlarının 87,50 ve 88,10 değer eşleştirmesi tam örtüşmemektedir. Verianla tabloyu yayımlandığı biçimiyle korur.

8. Etik kurul numarası: Guangzhou Maritime University Ethics Committee onayı bildirilmiştir, ancak kaynakta protokol/approval numarası belirtilmemektedir.

Çalışmanın desteklediği sonuçlar

• GA-BLDA kullanılarak C3, C4 ve P4'ten oluşan sabit üç kanallı P300-BCI düzeni elde edilmiştir.
• C3, C4 ve P4 bütün 48 kişilik analizde en yüksek üç kanal seçilme frekansına sahiptir.
• Üç kanal bir ve iki kanaldan belirgin biçimde daha yüksek doğruluk sağlamıştır.
• Dört veya daha fazla kanala çıkıldığında Orthogonal Experiment 12 analizinde üç kanala göre anlamlı doğruluk artışı raporlanmamıştır.
• Offline 10. tur doğruluğu üç kanalda %86,67, sekiz kanalda %91,88'dir.
• Offline 10. tur ITR'si üç kanalda 22,47, sekiz kanalda 24,60 bit/dk'dır.
• Online doğruluk üç kanalda %90,21 ± 5,36, sekiz kanalda %92,40 ± 5,55'tir.
• Kaynak online Accuracy farkını p > 0,05 olarak raporlamıştır.
• Üç kanallı düzen hazırlık süresini 30 dakikadan 3 dakikaya indirmiştir.
• Deney sonrası temizleme süresi %80 azaltılmıştır.
• Mental Demand ve Physical Demand üç kanallı sistemde anlamlı olarak daha düşüktür.
• Üç kanallı yapı kontrollü VR P300 görevinde pratiklik-performans dengesi sağlayabilmiştir.

Çalışmanın desteklemediği sonuçlar

• Üç kanalın sekiz kanalla her performans metriğinde tamamen eşit olduğu gösterilmemiştir.
• Offline 7-10. turlardaki sekiz kanal üstünlüğü ortadan kalkmış değildir.
• Sistem tamamen kalibrasyonsuz bir BCI değildir; online kullanım öncesi BLDA calibration uygulanmıştır.
• C3-C4-P4 diziliminin dünyadaki bütün kullanıcılar için kişiye özel düzenden daha iyi olduğu gösterilmemiştir.
• Motor engelli, spinal kord yaralanmalı, ALS'li, yaşlı veya başka klinik popülasyonlarda performans doğrulanmamıştır.
• Kuru elektrotlarla aynı doğruluk ve kullanıcı deneyimi gösterilmemiştir.
• Yoğun hareket, mobil kullanım ve ağır çevresel gürültü koşullarında sağlamlık gösterilmemiştir.
• Üç kanalın yüksek yoğunluklu EEG'nin bütün uzamsal bilgisini koruduğu gösterilmemiştir.
• Hazırlık süresindeki %90 azalma başka EEG başlığı veya elektrot teknolojilerinde otomatik olarak aynı değildir.
• NASA-TLX sonuçları klinik etkinlik veya uzun dönem günlük kullanım kanıtı değildir.

Çalışmanın temel sınırlılıkları

Azaltılmış uzamsal çözünürlük: Üç kanal, sekiz veya daha yüksek yoğunluklu EEG sistemlerine göre daha az kafa derisi konumu örnekler ve sinyal yedekliliğini azaltır.

Gürültü ve motion artifact riski: Daha az kanal, yüksek gürültülü mobil ortamda alternatif temiz sinyal kaynaklarının azalmasına yol açabilir.

Katılımcı popülasyonu: Örneklem yalnız 18-26 yaş sağlıklı genç yetişkinlerden oluşmaktadır.

Sabit evrensel düzen: C3-C4-P4 bütün katılımcılar için sabitlenmiştir; bireysel EEG farklılıklarını tamamen optimize etmeyebilir.

Islak elektrot: Çalışmanın pratiklik iddiasına rağmen EEG hâlâ conductive paste gerektiren wet-electrode sistemiyle toplanmıştır.

Kontrollü ortam: Sonuçlar Unity tabanlı kontrollü görsel görev ortamında elde edilmiştir; gerçek mobil günlük yaşam koşulları değildir.

Eksik GA parametreleri: \(\lambda\), sabit seed değeri ve stop patience \(T\) gibi bazı yeniden üretilebilirlik ayrıntıları sayısal olarak raporlanmamıştır.

İstatistiksel raporlama: Confidence interval, standartlaştırılmış effect size ve multiple-comparison correction ayrıntıları raporlanmamıştır.

Gelecek çalışmalar için kaynak ne öneriyor?

Yazarlar üç ana yön önermektedir:

1. Evrensel sabit düzen ile kişisel farklılıkları birlikte ele alan dinamik kanal optimizasyonu.
2. Kanal azaltımından kaynaklanan bilgi kaybını telafi etmek için deep learning modelleri.
3. Multi-task interference ve mobil senaryolar gibi daha karmaşık gerçek dünya ortamlarında sistem kararlılığının test edilmesi.

Ayrıca kuru elektrot sistemlerinde ve klinik popülasyonlarda ayrıca doğrulama gerektiği açıkça belirtilmektedir.

Bu çalışmanın pratik değeri nedir?

Çalışmanın asıl katkısı, “en yüksek sınıflandırma doğruluğunu hangi sistem verir?” sorusundan biraz farklıdır. Sekiz veya daha fazla elektrotun küçük performans avantajı bulunabilir; ancak günlük kullanılabilir bir BCI için hazırlanma süresi, temizlik, konfor ve hesaplama maliyeti de önemlidir.

Bu araştırma, sekiz kanaldan üç kanala geçildiğinde çevrimiçi doğruluğun yüksek kalabildiğini ve fiziksel hazırlığın çok büyük ölçüde azalabildiğini göstermektedir. Bu nedenle C3-C4-P4 düzeni özellikle kullanım kolaylığı ile sınıflandırma performansı arasında bir mühendislik uzlaşması olarak değerlendirilmelidir.

Bunun klinik yardımcı teknolojiye dönüşebilmesi için hasta gruplarında, yaşlı kullanıcılarda, kuru elektrotlarda, hareketli ortamlarda ve daha uzun süreli gerçek kullanımda bağımsız doğrulamalar gerekir. Bunlar mevcut çalışmanın sonuçları değil, mevcut kanıtın uygulamaya taşınması için gerekli sonraki doğrulama aşamalarıdır.

Kaynak ve Yöntem Notu

Özgün başlık: A Few-Channel Brain–Computer Interface System Based on a Heuristic Algorithm.

Yazarlar: Junhong Luo; Jianbin Yu; Hui Cao; Qiyue Tan; Jinheng Chen; Jing Xiao.

Yazar sırası: Kaynaktaki sıra aynen korunmuştur.

Eşit katkı: Junhong Luo ve Jianbin Yu eşit katkı vermiştir.

Sorumlu yazar: Jing Xiao.

Kurum 1: School of Artificial Intelligence, Guangzhou Maritime University, Guangzhou 510725, China.

Kurum 2: School of Mathematics and Statistics, Guangdong University of Technology, Guangzhou 510520, China.

Kurum 3: School of Electronics and Communication Engineering, Guangzhou University, Guangzhou 510006, China.

Dergi: Biomimetics.

Yayınevi: MDPI.

Cilt / sayı / makale numarası: 11 / 9 / 613.

DOI: 10.3390/biomimetics11090613.

Resmî bağlantı: https://doi.org/10.3390/biomimetics11090613

Gönderim tarihi: 21 Haziran 2026.

Revizyon tarihi: 15 Ağustos 2026.

Kabul tarihi: 17 Ağustos 2026.

Yayın tarihi: 1 Eylül 2026.

Kaynak türü: Hakemli özgün araştırma makalesi; kontrollü insan EEG deneyi, P300 beyin–bilgisayar arayüzü ve sezgisel kanal seçimi çalışması.

Preprint durumu: Kaynak PDF ve resmî MDPI Version of Record kayıtlarında ayrı bir preprint numarası belirtilmemektedir.

Lisans: Creative Commons Attribution (CC BY).

Örneklem: 48 sağlıklı katılımcı; 12 kadın, 36 erkek; 18-26 yaş.

Etik: Guangzhou Maritime University Ethics Committee onayı bildirilmiştir. Kaynakta ayrı bir protokol/approval numarası belirtilmemektedir.

Bilgilendirilmiş onam: Bütün katılımcılardan yazılı bilgilendirilmiş onam alınmıştır.

EEG donanımı: South China Brain Control Technology Co., Ltd. wearable EEG cap; Bluetooth 4.2.

Elektrotlar: F3, F4, C3, C4, P3, P4, O1 ve O2; ıslak elektrot; International 10-20 yerleşim sistemi.

Örnekleme hızı: 250 Hz.

Temas empedansı: Bütün kanallarda 10 kΩ'un altında.

Ön işleme: −200 ile 600 ms epoch, −200 ile 0 ms baseline correction, 0,1-25 Hz dördüncü derece IIR band-pass, 50 Hz notch ve 5 kat downsampling.

Özellik çıkarımı: 0-600 ms analiz penceresi; dört adet 150 ms alt pencere; her alt pencerede ortalama ve varyans; aynı hedef için 10 stimulus round özelliklerinin averaging işlemi.

Cross-validation: 10-fold; trial düzeyinde yaklaşık 9:1 eğitim-test bölümü.

Decoder: Bayesian Linear Discriminant Analysis (BLDA).

Kanal seçimi: Genetic Algorithm + BLDA fitness değerlendirmesi.

GA parametre taraması: Dört faktör × beş seviye, 25 kombinasyonluk \(L_{25}(5^4)\) ortogonal tasarım.

Seçilen GA ayarları: Popülasyon 30, maksimum iterasyon 10, mutation rate 0,07, elite retention rate 0,05.

Raporlanmayan kritik GA değerleri: Fitness kanal-cezası \(\lambda\) sayısal değeri, stop patience \(T\) değeri ve global random seed'in sayısal değeri.

Nihai kanal düzeni: C3, C4 ve P4.

Kanal frekansları: C3=1,00; C4=0,95; P4=0,90; P3=0,80; F3=0,50; F4=0,40; O2=0,20; O1=0,10.

Formal deney tasarımı: AB/BA crossover; Group A n=24, Group B n=24; sistem değişimi öncesi 48 saat washout.

Offline calibration: Katılımcı başına 20 trial; trial başına 2 s cue, 16 s stimulus ve 2 s rest; stimulus aşamasında 10 round.

Online validation: Sekiz stimulus round; tek hedef tanıma süresi 16,8 s; BLDA tahmini sonrasında 2 s recognition feedback ve Unity komut yürütme.

Performans metrikleri: Classification Accuracy ve Information Transfer Rate.

Kullanıcı yükü: NASA-TLX; Mental Demand, Physical Demand, Temporal Demand, Frustration, Performance ve Effort.

İstatistik: Sistem karşılaştırmalarında paired-sample t-test. Kaynak çeşitli analizlerde p < 0,05, p < 0,01 ve p > 0,05 düzeyleri raporlamaktadır.

Çoklu karşılaştırma notu: Kaynak multiple-comparison correction yöntemi, standartlaştırılmış effect size veya confidence interval raporlamamaktadır.

Yazılım: Python 3.9; Unity3D 2022.3 LTS.

Donanım ortamı: Intel Core i7-11700K @ 3.60 GHz; 32 GB RAM; Windows 10 64-bit.

Finansman: Araştırma dış finansman almamıştır.

Veri erişilebilirliği: Veriler corresponding author'dan talep üzerine erişilebilir olarak bildirilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yapay zekâ kullanım beyanı: Kaynak makalenin son beyanlar bölümünde ayrı bir üretken yapay zekâ kullanım açıklaması raporlanmamaktadır.

Yazar katkıları: Kavramsallaştırma Jing Xiao ve Junhong Luo; yöntem Junhong Luo; yazılım Junhong Luo ve Qiyue Tan; doğrulama Jianbin Yu ve Jinheng Chen; formal analiz Junhong Luo ve Jianbin Yu; araştırma Junhong Luo; kaynaklar Hui Cao ve Jing Xiao; veri kürasyonu Jianbin Yu; ilk taslak Junhong Luo; inceleme/düzenleme Jianbin Yu, Jing Xiao ve Hui Cao; görselleştirme Jianbin Yu; gözetim Jing Xiao ve Hui Cao; proje yönetimi Jing Xiao; finansman edinimi Jing Xiao ve Hui Cao tarafından raporlanmıştır.

Temel yorum sınırı: Çalışma üç kanallı sabit C3-C4-P4 düzeninin 48 sağlıklı genç yetişkinde kontrollü P300-VR görevinde pratik ve yüksek performanslı olabileceğini göstermektedir. Sonuçlar klinik hasta popülasyonlarında, kuru elektrot sistemlerinde, uzun süreli ev kullanımında veya yoğun hareket/gürültü içeren gerçek dünya mobil ortamlarında doğrudan doğrulanmış değildir.

“Kalibrasyon” yorum sınırı: Sabit kanal düzeni yeni kullanıcı için GA tabanlı subject-specific kanal aramasını kaldırmaktadır; fakat formal online deney için kişiye ait offline calibration verisiyle BLDA eğitimi yapılmıştır. Bu nedenle çalışma tamamen calibration-free bir BCI göstermemektedir.

Kaynak içi performans notu: Abstract/conclusion genel olarak anlamlı performans dezavantajı olmadığını ifade ederken ayrıntılı offline Results, rounds 7-10'da sekiz kanal lehine anlamlı Accuracy ve ITR farkları raporlamaktadır. Verianla ayrıntılı sonuçları görünür biçimde korumuştur.

Kaynak içi ITR notu: Discussion bölümünde offline final-round ITR değerlerine eklenen ±4,02 ve ±3,76 değerleri online Table 3'teki ITR standart sapmalarıyla aynıdır. Kaynak Results bölümü Figure 10 final-round offline değerleri için bu SD'leri ayrı raporlamadığından Verianla onları offline SD olarak yeniden kullanmamaktadır.

Kaynak içi Table 5 notu: Tartışma metnindeki DFGA ve Adaptive Sparse Bayesian için kullanılan “respectively” sıralaması ile Table 5'te 87,50 ve 88,10 değerlerinin yöntemlere bağlanışı örtüşmemektedir.