The purpose of this master thesis was to design a novel visual screen on the P300 speller brain computer interface. This newly developed screen can be used more effectively for displaying on the computer screen the selections of the subject. These displayed selections serve ALS (Amyotrophic Lateral Sclerosis) patients as a means of expressing their thoughts on the computer screen by analysing and classifying the P300 signals recorded during the random glow of the lines and columns of a matrix. When the rows and columns of a matrix of characters in the P300 spelling interface are flashing in random order, the brain signals are measured with the EEG device and some preliminary operations are performed. For the purposes of this thesis, the brain signals were measured using `Brain Products - VAmp 16 EEG` device and then were analysed by using Brain Vision Recorder and MATLAB. The visual interface of P300 BCI was coded in C # language. In addition, Brain Vision Remote Control Server was used to manage the interactions between the C # code and the Recorder. In order to check the accuracy of signal analysis and classification methods, MATLAB open source codes with linear discriminant analysis, support vector machines, k nearest neighbour algorithm, as well as smallest square support vector machine classifiers were used for classifying the data obtained from BCI Competition III Challenge 2004, as well as for performing character estimation. As a result of these analyses it was concluded that based on the accuracy, sensitivity and specificity of the performance evaluation criteria methods such as linear discriminant analysis (LDA) and smallest square support vector machine classifiers (LSSVM) displayed better results compared to support vector machine (SVM) and k nearest neighbour algorithm (KNN). In addition, data of the extracted features were classified into two labels, namely the P300 – type waves named as label 1, and non – P300 type waves as label 0. While the success rate of correct character estimation when using different amounts of data from the two labels was 63%, the success rate when using the same amounts of data from the two labels was 34 %. These results lead to the conclusion that when the amount of non – target data are proportionally greater than the target data, there is an improvement in performance parameters, while at the same time the accurate character detection is much more successful.

Bu yüksek lisans tezinin amacı, çizgili kaslarını kullanamayan insanların dile getirmek istedikleri ifadelerin bilgisayar ekranında yazdırılması işlemini karakterlerden oluşmuş bir matrisin satır ve sütunlarının rassal bir şekilde parlayıp sönmesi sırasında kaydedilen beyin sinyallerini analiz edip sınıflandırması metoduyla yapan P300 heceleyici beyin bilgisayar arayüzüne farklı bir görsel ekran tasarlamaktır. P300 heceleyici arayüzde karakterlerden oluşmuş bir matrisin satır ve sütunları rassal sırayla parlayıp sönerken beyin sinyalleri EEG cihazıyla ölçülerek bazı ön işlemlerden geçirildikten sonra elde edilen verilerden öznitelik çıkarımı yapılır ve veriler sınıflandırılarak ifade edilecek karakterin tahmini yapılıp bilgisayar ekranında sunulur. Bu tez çalışmasında beyin sinyalleri Brain Products VAmp 16 EEG cihazıyla ölçülüp yükseltildikten sonra Brain Vision Recorder programı ile MATLAB kullanılarak analiz edilip sınıflandırılmak üzere kaydedilmiş, P300 heceleyici arayüzün görseli ise C# dilinde kodlanmıştır. Ayrıca C# ile Recorder programının yönetilmesi için Brain Vision Remote Control Server programı kullanılmıştır. Sinyal analiz ve sınıflandırma metotlarının doğruluğunun kontrol edilmesi için de BCI Competition III Challenge 2004'te elde edilen verilerle çevrimdışı ve çevrimiçi analizler doğrusal ayırtaç analizi (LDA), destek vektör makineleri (SVM), k en yakın komşuluk algoritması (KNN) ve en küçük kare destek vektör makinesi (LSSVM) sınıflandırıcıları ile MATLAB açık kaynak kodları kullanılarak yapılmış ve karakter tahmininde bulunulmuştur. Bu analizler sonucunda LDA ve LSSVM sınıflandırıcıları, SVM ve KNN sınıflandırıcılarına göre hem performans değerlendirme kriterlerinden olan doğruluk, hassasiyet ve özgüllük açısından hem de doğru karakter tahmini açısından daha başarılı olmuştur. Ayrıca öznitelik çıkarımı yapılmış veriler, etiket değerlerinin aynı oranda olduğu ve etiket değerlerinin aynı oranda olmadığı biçimde iki tür sınıflandırmaya sokulmuştur. Etiket değerlerinin farklı oranda olduğu veriler kullanılarak yapılan doğru karakter tahmini LDA ve LSSVM sınıflandırıcı ile ifade edilmek istenen 100 karakter içinden 63 karakter iken aynı oranda olduğu veriler ile 100 karakter içinden 34 adet doğru karakter tahmin edilmiştir. Bu sonuçlar da, alışılmışın dışında bir şekilde P300 heceleyicilerde hedef olmayan uyaranların etiketlerine sahip olan verilerin hedef uyaranların etiketlerine sahip olan verilerden oransal olarak fazla olduğunda daha başarılı sınıflandırma sonuçlarına ve doğru karakter tespitine yol açtığı bulgusuna götürmektedir.