Beyin-bilgisayar arayüzü (BBA), kişinin beyin aktivitesini algılayan ve bu aktiviteyi bir bilgisayar veya diğer dış cihazlarla iletişim kurmak için kullanılabilir bir formata çeviren sistemdir. BBA sistemleri için çeşitli beyin görüntüleme teknikleri, giriş işareti olarak kullanılmaktadır. Diğer alternatiflere göre birçok avantajı olmasından dolayı elektroensefalografi (EEG), BBA sistemlerinde sıkça tercih edilmektedir. Ancak, sadece EEG kullanarak yapılan çalışmalar, BBA sistemlerinin performansını tatmin edici bir seviyeye yükseltememiştir. Son yıllarda, beyin görüntüleme yöntemlerinin kendilerine özgü avantaj ve dezavantajlarından ötürü farklı sinyal kayıt yöntemlerini bir araya getirerek kullanma eğilimi artmıştır. Bu çalışmada, EEG+ yakın kızılötesi spektroskopisi (YKS) tabanlı BBA sistemlerinde makine öğrenme tekniklerinin kullanımına ilişkin yapılan mevcut araştırmaların bir incelemesi sunulmaktadır. Öncelikle, EEG ve YKS sinyallerinin tekli nasıl kullanıldığı ve daha sonra bu iki sinyalin nasıl hibrit BBA sistemlerinde bir araya getirildiği ilgili literatürle sunulmuştur. Çalışmalar incelendiğinde, hibrit BBA ile EEG’ye göre sınıflandırma doğruluğu ortalama %7.58, YKS’ye göre ise %13.04 artış hesaplanmıştır. Ulaşılan sonuç, hibrit BBA sistemlerinin insan-makine etkileşimini iyileştirmeye önemli katkılar sağlayacağını göstermektedir.
A brain-computer interface (BCI) is a system that detects a person's brain activity and translates this activity into a usable format for communicating with a computer or other external devices. Various neuroimaging techniques are used as input signals for BCI systems. Electroencephalography (EEG) is frequently preferred in BCI systems because it has many advantages over other alternatives. However, studies using only EEG have not been able to increase the performance of BCI systems to a satisfactory level. In recent years, there has been an increased tendency to combine different signal recording methods due to the unique advantages and disadvantages of brain imaging methods. In this study, a review of current research on the use of machine learning techniques in EEG+ near-infrared spectroscopy (YKS) based BCI systems is presented. First of all, how single EEG and YKS signals are used and then how these two signals are combined in hybrid BCI systems are presented with the relevant literature. When the studies were examined, an average increase of 7.58% in classification accuracy was calculated with hybrid BCI compared to EEG and 13.04% compared to YKS. The result shows that hybrid BCI systems will make significant contributions to improving human-machine interaction.
