Brain Computer Interfaces (BCIs) are systems developed in order to control devices by using only brain signals. In BCI systems, different mental activities to be performed by the users are associated with different actions on the device to be controlled. Spelling Paradigm is a BCI application which aims to construct the words by finding letters using P300 signals recorded via channel electrodes attached to the diverse points of the scalp. Reducing the letter detection error rates and increasing the speed of letter detection are crucial for Spelling Paradigm. By this way, disabled people can express their needs more easily using this application.In this thesis, two different methods, Support Vector Machine (SVM) and AdaBoost, are used for classification in the analysis. Classification and Regression Trees is used as the weak classifier of the AdaBoost. Time-frequency domain characteristics of P300 evoked potentials are analyzed in addition to time domain characteristics. Wigner-Ville Distribution is used for transforming time domain signals into time-frequency domain. It is observed that classification results are better in time domain. Furthermore, optimum subset of channels that models P300 signals with minimum error rate is searched. A method that uses both SVM and AdaBoost is proposed to select channels. 12 channels are selected in time domain with this method. Also, effect of dimension reduction is analyzed using Principal Component Analysis (PCA) and AdaBoost methods.

Beyin Bilgisayar Arayüzleri (BBA) sadece beyin sinyalleri kullanılarak cihazların kontrol edilmesi için geliştirilen sistemlerdir. BBA sistemlerinde kontrol edilecek cihazlardaki değişik eylemler için kullanıcı tarafından farklı zihinsel aktiviteler gerçekleştirilmektedir. Heceleme Paradigması, kafa derisinin çeşitli noktalarına tutturulmuş kanal elektrotlarıyla kaydedilen P300 sinyaller kullanılarak bulunan harfleri bir araya getirerek kelimeleri oluşturmayı amaçlayan bir BBA uygulamasıdır. Harf tanımasındaki hata oranlarının azaltılması ve harf tanıma hızının arttırılması Heceleme Paradigması açısından çok önemlidir. Bu şekilde engellilerin bu uygulamayı kullanarak isteklerini daha kolay bir biçimde ifade etmeleri mümkündür.Bu tezde analizlerde sınıflandırma yöntemi olarak iki farklı metot, Destek Vektör Makinesi (DVM) ve AdaBoost, kullanılmıştır. AdaBoost zayıf sınıflandırıcısı olarak Sınıflandırma ve Regresyon Ağaçları kullanılmıştır. Zaman alanına ek olarak zaman-frekans alanında da uyarıyla tetiklenen P300 geriliminin karakteristiği analiz edilmiştir. Zaman alanındaki sinyallerin zaman-frekans alanına çevrilmesi için Wigner-Ville Dağılımı kullanılmıştır. Zaman alanında sınıflandırma sonuçlarının daha iyi çıktığı gözlemlenmiştir. Bundan başka, P300 sinyallerini en az hata oranı ile modelleyen en uygun kanal alt kümesi araştırılmıştır. Hem DVM hem de AdaBoost kullanan bir kanal seçme metodu önerilmiştir. Bu metot ile zaman alanında 12 kanal seçimi yapılmıştır. Ayrıca, Ana Bileşen Analizi (ABA) ve AdaBoost yöntemleri ile boyut azaltmanın etkileri incelenmiştir.