11 Ocak 2017 Çarşamba

OPENGL, WebGL, eMotiv ile EEG sinyallerin görselleştirilmesi

OPENGL, Açık Grafik Kütüphanesi, gelişmiş donanım desteğini kullanarak hem 2 hem de 3 boyutlu grafikleri ekrana çizmek için kullanılan ücretsiz bir grafik uygulama geliştirme arabirimidir. Khronos Group tarafından geliştirilmekte olup, Windows, Linux, MacOS ve Solaris gibi pek çok işletim sisteminde yaygın olarak kullanılmaktadır. Donanım tarafında ise Nvidia, Intel, ATI tarafından desteklenmektedir. C, C++, C#, Python, Perl, Java programlama dilleri kullanılarak OpenGL kitaplığından yararlanılabilir.
WebGL, Khronos Group tarafından yönetilen, web ortamında 3 boyutlu grafik çizimi sağlanmasını amaçlayan bir web standardıdır. Uyumlu web tarayıcısında herhangi bir eklenti kurulmasını gerektirmeden, HTML5'in Canvas elementi üzerinde 3 boyutlu grafik çizimi yapılmasını mümkün kılmaktadır.
eMotiv, kablosuz olarak Bluetooth (BLE) teknolojisi ile 14 elektroddan EEG sinyalleri okuyan ve sayısallaştırarak bilgisayara aktaran bir başlık, donanım ve yazılım bütünüdür.
Üniversitedeki projemizde, eMotiv başlık kullanılarak, insan beynindeki 14 farklı noktadan EEG sinyalleri c++ programı tarafından okunmakta ve OpenGL teknolojisi kullanılarak görselleştirilebilmektedir. Görselleştirme arayüzünde, texture üzerine EEg sinyaller yansıtılmakta ya da fragment shader üzerinde (GPU'da) veriler işlenmektedir.
Aşağıda projenin çıktılarına ait örnekleri bulacaksınız.
eMotiv EEG sinyalleri görselleştirme

Farklı tarzda görselleştirme

Mahremiyeti koruyan Naive Bayes sınıflandırması

Günümüzde, büyük veriler bulut mimarisi üzerinde, pek çok operasyonel sistemden toplanarak belli merkezlerde biriktirilmekte ve üzerlerinde çeşitli algoritmalar koşmaktadır. Bu algoritmalarla veriler detaylı analiz edilerek, işin daha iyiye götürülebilmesi için sonuçlar çıkarılmaktadır. Son 5-6 yıldır, Veri Madenciliği algoritmaları konusunda kişisel bilgilerin korunması konusunda ciddi yaptırımlar var. Kişisel verilerin güvenliği ve gizliliği sağlanarak bu tür analizlere izin verilmekte. Bu durum da bilim dünyasında, mahremiyeti koruyan yeni bir takım algoritmaların geliştirimesini sağladı.
Bu yazımızda, bilim dünyasında yaygın olarak kullanılan supervised sınıflandırma algoritmaları üzerine tanımlanan yeni uygulamalardan bahsedeceğiz.

Makine öğrenmesinde yaygın olarak kullanılan bir yöntem var: Naive Bayes sınıflandırması. Bu sınıflandırmada, bir üyenin ait olduğu sınıfı bulabilmek için olasılık teorisinden yararlanılır. Bu algoritmaya göre, bir üyenin sınıfını bulabilmek için, her bir sınıfın varolma olasılığı ile, her bir özelliğin bu sınıf içerisinde varolma olasılığının çarpımı hesaplanır ve üye  en büyük olasılığa sahip sınıfa atanır.
Böyle bir sınıflandırma, üyelerin hassas bilgilerini açığa vurabilir, dışarıda başka verilerle birleştirilerek  kötüye kullanılabilecek başka özel verilere ulaşılabilmeyi kolaylaştırabilir.
Bu sebeple, bulut mimarisi üzerinde yeralan büyük veriler sınıflandırılırken, mahremiyeti koruyan Navie Bayes sınıflandırması yapılmalıdır.

Mahremiyeti koruyan Naive Bayes sınıflandırmasında, kategorik ve nümerik verilere belli yöntemler uyarınca, belli miktarlarda Laplace gürültüsü (noise) eklenmektedir.
Belli oranda (epsilon >0.005) eklenen noise bilgisinin, sonucun doğruluğuna çok az etki ettiği ispatlanmıştır. Bu oranın üzerinde noise eklendiğinde, sonuç oldukça farklılaşmaktadır.
Normalde, verinin kendisi değiştirilmemekte, ancak bu veriye dışarıdan erişim sağlanırken ve sınıflandırılırken, sonuca noise eklenerek mahremiyet sağlanmaktadır.
Bu şekilde yapılan sınıflandırma ile, hassas ve kişisel bilgilerin korunması sağlanmaktadır.