new5

استخراج ویژگی مناسب برای تشخیص سیگنال¬های حرکات ارادی EEG

59,000تومان

توضیحات

دانلود و مشاهده قسمتی از متن کامل پایان نامه :

دانشکده مهندسی کامپیوتر و فناوری اطلاعات
گروه هوش مصنوعی

استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG

……………………

اساتید راهنما:
دكتر علی اکبر پویان

استاد مشاور:
دکتر کاویان قندهاری
دکتر هادی گرایلو

پایان نامه جهت اخذ درجه کارشناسی ارشد
شهریور 1391
دانشگاه صنعتي شاهرود

دانشكده: مهندسی کامپیوتر و فناوری اطلاعات
گروه: هوش مصنوعی

پايان نامه کارشناسي ارشد …………………………
تحت عنوان: طبقه بندی سیگنال های EEG با استفاده از تکنیک های هوش مصنوعی

در تاريخ ……. توسط كميته تخصصي زير جهت اخذ مدرک کارشناسي ارشد مورد ارزيابي و با درجه ………. مورد پذيرش قرار گرفت.

امضاء اساتيد مشاور امضاء اساتيد راهنما
آقای دکتر کاویان قندهاری
آقای دکتر علی اکبر پویان
آقای دکتر هادی گرایلو

امضاء نماينده تحصيلات تكميلي امضاء اساتيد داور
نام و نام خانوادگي:

نام و نام خانوادگي:

نام و نام خانوادگي:
تقدیم به

چشمان منتظر مادر م
دستان خسته پدرم

تشکر و قدرداني
پاس خدایی که آدمی را به نعمت تفکر آراست و اساتید فرزانه ای چون دکتر علی اکبر پویان و دکتر هادی گرایلو را در مسیر راهم قرار داد تا از اندیشه نابشان بهره گیرم و دانش و بینششان را ره توشه خویش سازم.
آقایان پاس می دارم اندیشه بلندتان را و ارج می نهم همت والایتان را.

تشکر می نمایم از پدر و مادر یگانه ام، همسر عزیزم و برادر و خواهرانم که وجودشان تکیه گاهی برای تمام لحظه های سخت من و دعاهایشان تنها سرمایه بال گشودنم بسوی خوشبختی است.

اینجانب ………………. دانشجوی دوره کارشناسی ارشد رشته مهندسی کامپیوتر دانشکده کامپیوتر و فناوری اطلاعات دانشگاه صنعتی شاهرود نویسنده پایان نامه استخراج ویژگی مناسب برای تشخیص سیگنال-های حرکات ارادی EEG تحت راهنمائی دکتر علی اکبر پویان متعهد می شوم .
• تحقیقات در این پایان نامه توسط اینجانب انجام شده است و از صحت و اصالت برخوردار است .
• در استفاده از نتایج پژوهشهای محققان دیگر به مرجع مورد استفاده استناد شده است .
• مطالب مندرج در پایان نامه تاکنون توسط خود یا فرد دیگری برای دریافت هیچ نوع مدرک یا امتیازی در هیچ جا ارائه نشده است .
• کلیه حقوق معنوی این اثر متعلق به دانشگاه صنعتی شاهرود می باشد و مقالات مستخرج با نام « دانشگاه صنعتی شاهرود » و یا « Shahrood University of Technology » به چاپ خواهد رسید .
• حقوق معنوی تمام افرادی که در به دست آمدن نتایح اصلی پایان نامه تأثیرگذار بوده اند در مقالات مستخرج از پایان نامه رعایت می گردد.
• در کلیه مراحل انجام این پایان نامه ، در مواردی که از موجود زنده ( یا بافتهای آنها ) استفاده شده است ضوابط و اصول اخلاقی رعایت شده است .
• در کلیه مراحل انجام این پایان نامه، در مواردی که به حوزه اطلاعات شخصی افراد دسترسی یافته یا استفاده شده است اصل رازداری ، ضوابط و اصول اخلاق انسانی رعایت شده است .
تاریخ
امضای دانشجو

چکيده

در این پایان نامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی ها عمل دسته بندی انجام می شود.
اولین پیش پردازش برای دسته بندی سیگنال های مغزی حذف نویز از این سیگنال ها می باشد. در این پایان نامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می شود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می شود. نتایج ارزیابی با استفاده از این معیار ها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می باشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است.
بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال ها و دسته بندی آنهاپرداخته می شود. ویژگی های استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال می باشد. برای ارزیابی کارایی این ویژگی ها همین ویژگی ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می شوند و عمل دسته بندی بر اساس ویژگی های استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگی های استخراجی، به دسته بندی سیگنال ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می دهد که دسته بندی با استفاده از ویژگی های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد است.
در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همه ی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.
کلمات کلیدی: تبدیل والش، سیگنال های مغزی ، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD

ليست مقالات مستخرج از پايان نامه

[1]. Jamshid Pirgazi, Ali A. Pouyan “Using Walsh transform to Denoise EEG Signals
”, In: The 19th Iranian Conference of Biomedical Engineering (ICBME2012), 2012, Accept Extend Abstract.

. [2] جمشید پیرگزی ،علی اکبر پویان، “ترکیب تبدیل والش و آنالیز مولفه های مستقل به منظور حذف نویز از سیگنال های مغزی” ، کنفرانس مهندسی برق مجلسی ، مرداد 1391.
[3]. جمشید پیرگزی ، علی اکبر پویان “استخراج ویژگی از سیگنال های مغزی با استفاده از تبدیل والش و آنتروپی”، پانزدهمین کنفرانس دانشجویی مهندسی برق ایران دانشگاه کاشان ، شهریور 1391.

فهرست
عنوان صفحه

فصل اول
مقدمه
1-1- مقدمه 1
1-2- تاریخچه BCI 4
1-3- کاربردهای BCI 7
1-4- تعریف مساله 7
1-5 – ساختار پایان نامه 7
فصل دوم
سیگنالهای مغزی
2-1- مقدمه 9
2-2- کشف سیگنالهای مغزی 10
2-3- ثبت سیگنالهای مغزی 11
2-4- پیش پردازشها روی سیگنالهای مغزی 12
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه 16
3-2- معرفی داده های موجود 17
3-2-1- مشخصات دادههاي ثبت شده توسط گروه دانشگاهColorado 17
3-2-2- مشخصات داد ههاي ثبت شده توسط گروه Graz 18
3-2-3- مشخصات دادههای MIT-BIH 19
3-3- استخراج ویژگی 20
3-4- دسته بندی 23
فصل چهارم
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
4-1- مقدمه 25
4-2- تبدیل فوریه 25
4-3- تبدیل موجک 30
4-3-1- مقیاس. 32
4-4- تاریخچه تبدیل والش 35
4-4-1- توابع والش 35
4-4-2- تبدیل والش 36
فصل پنجم
توصیف روش پیشنهادی
5-1- مقدمه 40
5-2- پایگاه داده مورد استفاده 40
5-3- حذف نویز 42
5-3-1- آنالیز مولفههای مستقل 43
5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل 44
5-3-3- حذف نویز با استفاده از تبدیل موجک 46
5-3-4- حذف نویز با استفاده از تبدیل والش 47
5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA 50
5-4- استخراج ویژگی 51
5-4-1- آنتروپی 52
5-4-2- استخراج ویژگی با استفاده از تبدل والش 53
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک 53
5-5- ماشین بردار پشتیبان (Support Vector Machin) 54
5-5-1- ابر صفحه جداساز 55
5-5-2- جداسازی غیر خطی 58
فصل ششم
نتایج و نتیجه گیری
6-1- مقدمه 60
6-2- حذف نویز 61
6-3- معیارهای ارزیابی 65
6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate) 65
6-3-2- میانگین مربع خطا (Mean Square Error) 66
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference) 67
6-4- استخراج ویژگی 68
6-4-1- ویژگیهای تبدیل والش 69
6-4-2- ویژگیهای تبدیل فوریه 72
6-4-3- ویژگیهای تبدیل موجک 76
6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده 80
6-6- نتیجه گیری 83
6-7- پیشنهاد ها 85
منابع:… 86

فهرست شکل ها
عنوان صفحه

شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI 4
شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 20 12
شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی 13
شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز 27
شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4)) 28
شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز 28
شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4) 29
شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک 32
شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی 34
شکل 4-7- تبدیل موجک در یک مقیاس خاص 34
شکل 4-8- تابع والش برای n=8 36
شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده 42
شکل 5-2- سیگنالهای گرفته شده توسط هر کانال 45
شکل 5-3- مولفههای بدست آمده توسط ICA 45
شکل 5-4- تبدیل والش از کانال های سیگنال 49
شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز 49
شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز 51
شکل 5- 7 – صفحه های جداساز و بردارهای پشتیبان 56
شکل 5- 8 – صفحه جداساز و نواحی مربوط به هر کلاس 57
شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها 59
شکل 6-1- سیگنال اصلی و سیگنال دارای نویز 63
شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک 64
شکل 6-3- نسبت سیگنال به نویز ده سیگنال 66
شکل 6-4- میانگین مربع خطا برای ده سیگنال 67
شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال 68
شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول 70
شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول 71
شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول 74
شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول 77

فهرست جدول ها
عنوان صفحه

جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال 22
جدول 4-1 – مقدار توابع والش و خروجی این تابع 39
جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش 73
جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه 75
جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک 79
جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش 79
جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک 79
جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک 81
جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI 82

فصل اول

مقدمه

1-1- مقدمه
تعامل انسان با کامپیوتر (HCI) امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق می‌افتد. که شامل نرم‌افزار و سخت‌افزار است. یک تعریف دقیق آن چنین است:
علم تعامل کامپیوتر و انسان یک رشته مرتبط با طراحی ارزیابی و پیاده سازی سیستم‌های محاسباتی متقابل برای استفاده انسان در مطالعه پدیده‌های مهم پیرامون اوست. این رشته شاخه‌هایی از هر دو طرف درگیر را شامل می‌شود مثلا گرافیک کامپیوتری، سیتم‌های عامل، زبان هایی برنامه نویسی، تئوری ارتباطات و طراحی صنعتی برای قسمت کامپیوتری زبان‌شناسی، روانشناسی و کارایی انسان برای قسمت انسانی آن. این رشته به شاخه های زیادی تقسیم می شود که یکی از آنها واسط مغز و کامپیوتر(BCI) است.
مغز انسان توانايي انتشار امواجي الكتريكي و مغناطيسي را دارد كه مي توان با ثبت آنها علاوه بر كاربردهاي پردازشي به تشخيص برخي بيماري ها و حتي برقراري ارتباط به صورت تلپاتي پرداخت. يكي از روش هاي ثبت اين سيگنالها EEG)) مي باشد.
سیگنال های الکتریکی مغزی را اولین بار دکتر هانس برگر در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنال ها تلاش انسان برای استفاده از این سیگنال ها برای کاربرد های مختلف شروع شد. اکنون بیشترین استفاده های که از این سیگنال های می شود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنال ها، به خاطر آشفته بودن و نویزی بودن این سیگنال ها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.
در اوایل کشف سیگنال های مغزی به دلیل نبودن دستگاه های ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفت های که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزار های مناسب جهت ثبت سیگنال های مغزی این ارتباط دور از دسترس نیست. امروزه BCI علمی است که این ارتباط را برقرار می کند.
واسط مغز و رایانه از مجموعه‌ای از سنسور ها و اجزای پردازش سیگنال تشکیل می شود که فعالیت مغزی فرد را مستقیما به یک سری سیگنال‌های ارتباطی یا کنترلی تبدیل می‌کند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاه‌های ثبت امواج مغزی ثبت کرد که معمولا به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، از EEG برای ثبت امواج مغزی استفاده می‌شود. الکترودهای EEG در سطح پوست سر قرار می‌گیرند و میدان الکتریکی حاصل از فعالیت نورون‌ها راه اندازه گیری می‌کنند. در مرحله بعد این امواج بررسی شده و ویژگی‌های مورد نظر استخراج می‌شود و از روی این ویژگی‌ها می توان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحد های پردازشی سیستم BCI را می بینیم.
با توجه به پایین بودن نسبت سیگنال به نویز در این سیستم ابتدا یک پیش پردازش و عملیات حذف نویز بر روی این سیگنال ها انجام می شود. مرحله بعد مرحله استخراج ویژگی است که در فصل های بعد در مورد انواع ویژگی ها و روش های استخراج ویژگی صحبت می کنیم در نهایت با استفاده از ویژگی های استخراج شده عمل دسته بندی را انجام می دهیم.
واسط مغز و رایانه ممکن است ساختاری ثابت داشته باشد یا اینکه به صورت انطباقی باشد و خود را با مشخصه یا مشخصه های سیگنال انطباق بدهد. همچنين ممكن است از خروجي سيستم به نوعي به شخص مورد آزمايش فيدبك داده شود. اين روش به بيوفيدبك مشهور است.
در اولین همایش بین المللی که در ژوئن 1999 برگزار شد یک تعریف معمول برای BCI به صورت زیر ارائه شد[2]: (یک واسط مغز و رایانه یک سامانه ارتباطی است که وابسته به مسیرهای خروجی نرمال سامانه عصبی جانبی و ماهیچه‌ها نیست) سيگنال هاي الكتريكي مغز از نظر دامنه و فركانس با برخي ديگر از سيگنال هاي حياتي همپوشاني دارند، لذا در تعريف BCI بر مستقل بودن سيگنال ها از ساير سيگنال هاي عصبي و عضلاني تاكيد شده است.

شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI
1-2- تاریخچه BCI
اولین تلاش ها در زمینه تعامل انسان با رایانه همزمان با کشف سیگنال های EEG شروع شد و دانشمندان سعی کردند که بین این سیگنال ها و فعالیت های مغزی ارتباط برقرار کنند[1]. اما با توجه به اینکه در ابتدا این سیگنال ها بسیار آشفته و دارای نویز بودند، از این سیگنال ها فقط در پزشکی استفاده می شد و فقط پزشکان متخصص با توجه به تجربه از این سیگنال ها می توانستند استفاد کنند. اما رفته رفته با تولید دستگاه های جدید و توانایی ثبت این سیگنال ها با کیفیت بهتر، پژوهش ها و تحقیقات بیشتری در این زمینه انجام گرفت.
در سال 1969، Elul [3]اولین تلاش را انجام داد. او بر روی سیگنال عملیات ریاضی کار کرد و نشان داد که اگر فرد عملیات فکری خاصی را انجام ندهد در %66 سیگنال مغزی آن توزیع گوسی است و اگر فرد عملیات ریاضی انجام دهد در %32 سیگنال مغزی توزیع گوسی دارد و از طریق سیگنال مغز توانست تشخیص دهد که فرد چه عملیات فکری انجام می دهد.
در دانشگاه Colorado دو محقق Keirn و Aunon تحقیقات خود را در این زمینه برای دسته بندی پنج فعالیت مختلف ذهنی شروع کردند[4]. آنها در حين انجام پنج فعاليت ذهني مشخص و همزمان از چند كانال، سيگنال EEG را ثبت نمودند. سپس به كمك يك تفكيك كنندة بيز از توان باند هاي مختلف فركانسي بعنوان ويژگي هايي جهت تفكيك اين فعاليت هاي ذهني استفاده كردند. آنها در ضمن كار خود اين ايده را مطرح نمودند كه فعاليت هاي مختلف ذهني مي توانند بعنوان الفبايي جهت برقراري ارتباط مستقيم مغز با دنياي خارج استفاده شود؛ بطوريكه شخص مي تواند با تركيب و انتخاب توالي چند فعاليت مشخص مقصود خود را به دنياي خارج منتقل كند.
چند سال بعد دکتر Anderson و همکارانش [5,6] کار این دو محقق را ادامه دادند. اين گروه در اغلب كار-هاي خود از همان پنج فعاليت ذهني استفاده کردند. آنها پارامترهاي آماري همچون ضرايب(AR) را تخمین زدند و با استفاده از این ضریب ویژگی های را برای دسته بندی و تشخیص این پنج عمل استخراج کردند. بعد از استخراج ویژگی به کمک شبکه عصبی عمل دسته بندی را انجام دادند.
Pfrutscheller و همکارانش [7-11] در مرکز Graz اتریش در تحقيقات خود از سيگنال هاي ثبت شده در حين حركت انگشت اشاره و يا در حين تصور حركت دادن دست راست و چپ استفاده نموده اند. آنها در كار هاي خود از خروجي هاي مختلفي همچون حركت يك نشانگر بر روي مانيتور، انتخاب حروف و كلمات و كنترل يك پروتز مصنوعي استفاده كرده اند. آنها جهت استخراج ويژگي از چند روش استفاده کردند. روش اول استخراج پارامترهاي AR و روش ديگر محاسبة توان باندهاي مختلف فركانسي، كه اين باندها متناسب با شخص انتخاب مي شوند. به گفته Pfrutscheller براي اين كار از يك تابع فاصلة وزندار جهت تعيين ميزان تأثير هر مؤلفة فركانسي بر عمل دسته بندي استفاده شده است. به اين روش (DSLVQ) مي گويند. اين عمل براي تمام فركانس ها در فاصله HZ 30-5 انجام مي شود تا مؤلفه هاي فركانسي مناسب براي آن شخص بدست آيد. آنها براي دسته بندي هم عموما از دو روش استفاده نموده اند. روش اول روش هاي مبتني بر شبكة عصبي (مانند LVQ) و روش دوم مبتني بر تفكيك كننده هاي خطي. (LDA) آنها جهت بهبود عملكرد سيستم خود در برخي موارد از تكنيك هاي بيو فيدبك هم استفاده نموده اند. بعنوان مثال با نشان دادن يك فلش روي مانيتور از كاربر خواسته مي شود كه تصور حركت دادن دست راست يا چپ را ا نجام دهد. با انجام مكرر اين كار ، تفكيك كننده را براي تفكيك اين دو عمل آموزش مي دهند . سپس در مرحلة آزمايش هر بار كه از شخص خواسته مي-شود كه حركت دادن يك دست را تصور كند با استفاده از تفكيك كنندة تعليم ديده سیگنال مغزی او را دسته-بندي مي كنند. هر بار بسته به ميزان خطاي تفكيك كننده يك علامت فلش با طولي متناسب با ميزان خطا روي صفحه رسم مي شود . اين علامت در واقع يك فيدبك است كه با ديدن آن شخص سعي مي كند كه هر بار طول علامت خطا را كم كند.
Wolpaw و همکارانش[12 ] بیشتر در زمینه پزشکی کار کردند لذا كارهاي آنها عموما از پشتوانة فيزيولوژيك خوبي برخوردار است اما روش هاي پردازشي آنها نسبتا ساده است. اساس كار آنها بر اين مبناست كه افراد را مي توان بگونه اي آموزش داد كه بتوانند برخي از ویژگی های سیگنال مغزی خود را کنترل کنند.
به طور کلی از جمله تحقیقاتی که در طی سالیان دراز در زمینه BCI انجام گرفته است می توان به تصور حركت دادن دست راست و چپ ، حركت دادن انگشتان اشارة دو دست، انجام پنج فعاليت ذهني: حالت استراحت, نامه نگاري، شمارش، ضرب ذهني و دوران ذهني ، انجام عمليات ضرب با ميزان پيچيدگي مختلف، گوش دادن به انواع موسيقي، انجام فعاليتهاي احساسي و عاطفي و رانندگي شبيه سازي شده اشاره کرد که در هر زمینه محققین زیادی کار کرده اند و به نتایج قابل قبولی دست یافته اند.
1-3- کاربرد های BCI
از زمانی که سیگنال های EEG ثبت شد محققین سعی در استفاده از این سیگنال ها برای کاربرد های مختلف داشتند. در ابتدای کار از این سیگنال ها فقط برای کاربرد های پزشکی استفاده می کردند مانند تشخیص انواع بیماری ها که رایج ترین آنها بیماری صرع است . اما بعد ها از این سیگنال ها نیز به منظور کمک رساندن به بیمارانی که دارای ناتوانی جسمی و عصبی هستند نیز استفاده شد. در این افراد مغز فرمان ها را صادر می کند اما به دلیل نقص در اندام این فرمان ها به طور کامل اجرا نمی شود با استفاده از BCI می توان سیستمی طراحی کرد که فرمان را مستقیما از مغز بگیرد و بر روی این سیگنال پردازش انجام دهد و عمل مورد نظر را انجام دهد.
1-4- تعریف مساله
در این پایان نامه ما قصد داریم به تفکیک و دسته بندی سیگنال های مغزی بپردازیم. مجموعه داده مورد استفاده ما چهار عمل حرکت دادن مچ دست به چهار جهت اصلی است. کار ما به این صورت است که ابتدا بر روی سیگنال یک سری پیش پردازش ها مانند حذف نویز و… انجام می دهیم. در مرحله بعد بر روی استخراج ویژگی از سیگنال کار می کنیم و ویژگی های مختلف را از سیگنال استخراج می کنیم. در مرحله بعد به دسته-بندی سیگنال های مغزی بر اساس ویژگی های استخراج شده می پردازیم. کارایی دسته بندی بر اساس هر مجموعه از ویژگی ها را ارزیابی می کنیم.
1-5- ساختار پایان نامه
در فصل دوم در مورد سیگنال های مغزی و انواع آنها و نحوه ثبت آنها بحث می شود. برای اینکه یک مرور کلی بر روی کارهای گذشته و روش های که تا کنون استفاده شده است داشته باشیم فصل سه به این منظور اختصاص داده شده است. در این فصل انواع روشهای استخراج ویژگی بررسی می شود. سپس روشهای موجود برای دسته بندی که تا کنون استفاده شده است را بررسی می کنیم. در فصل چهار به معرفی و توصیف تبدیل والش که در این پایان نامه از آن استفاده شده است می پردازیم. برای داشتن یک مقایسه، سه تبدیل فوریه، موجک و والش را معرفی می کنیم و در مورد آنها صحبت می شود. در فصل پنجم نیز روش پیشنهادی خود در حذف نویز و استخراج ویژگی را توصیف می کنیم. در نهایت در فصل ششم روش حذف نویز و عمل دسته بندی با استفاده از این ویژگی ها را با سایر روش ها مقایسه می کنیم و به نتیجه گیری در مورد کار می-پردازیم.

فصل دوم

سیگنال های مغزی
2-1- مقدمه
سیگنال EEG مخفف Electroencephalography است که با استفاده از یک سری الکترودها که در سطح مغز قرار می‌گیرند، فعالیت‌های الکتریکی مغز را اندازه گیری می‌کند[13]. الکترودها به منظور جمع آوری ولتاژ در مکان‌های خاصی از مغز قرار می‌گیرند. قبل از اینکه الکترودها در سطح پوست قرار گیرند یک ژل هادی به منظور کاهش مقاومت روی پوست سر مالیده می‌شود. خروجی این الکترودها به ورودی یک تقویت کننده وصل می‌شود سپس از فیلترهای بالا گذر و پایین گذر عبور داده می‌شود. تغییرات در جریان اکسیژن خون با میزان فعالیت‌های عصبی ارتباط دارد. زمانی که سلول ‌های عصبی فعال هستند اکسیژنی که توسط هموگلوبین خون حمل می‌شود را مصرف می‌کنند. پاسخ محلی به این کاهش اکسیژن افزایش جریان خون در ناحیه‌هایی است که فعالیت‌های عصبی زیاد است. از طرف دیگر در اثر فعالیت‌های عصبی و انتقال پیام‌های عصبی جریان الکتریکی تولید می‌شود که این جریان الکتریکی طبق قانون مارکوف یک میدان مغناطیسی را تولید می‌ کند.
2-2- کشف سیگنال های مغزی
در سال ١٨٧٥ ريچارد كاتن جراح انگليسي ، به وجود پتانسيل هاي الکتريکي در سطح قشر مغز باز شده حيواناتي همچون خرگوش و ميمون پي برد [14] او همچنين گزارش داد كه وقتي به چشم حيوان نور مي تابد، تغييراتي را در پتانسيل مغز او و در جهت خلاف چشمي كه در آن نور تابانده شده است مشاهده می شود . در همان سال ها تحقيقات مشابه ي نيز در روسيه و فنلاند انجام گرفت.[15] اما هانس برگر پزشك و روانشناس آلماني نخستين كسي بود كه سيگنال هاي مغزي يك انسان را ثبت نمود. او با اطلاع يافتن از نتايج تحقيقات كاتن برروي حيوانات، مسير تحقيقات خود را متوجه انسان ها نمود .وي كه با استفاده از وسايل ابتدايي گالوانومتر رشته ای تحقيقات خود را انجام مي داد، در سال ١٩٢٠ اولين نتايج خود را با افرادي كه داراي جمجمة با فاصله اي فاقد استخوان بودند بدست آورد . برگر عمل ثبت را برروي كاغذ عكاسي و با حركت يك نقطة نوراني نوساني برروي آن انجام مي داد. به همين ترتيب بود كه برگر حركات منظم با فركانس تقريبي ١٠ هرتز را كشف كرد و آنها را كه نخستين ريتم پيدا شده در سيگنال هاي مغزي انسان بودند را α نامید.
در طول چند سال بعد برگر كارهاي خود را با انجام ثبت هاي بيشتر ادامه داد تا مطمئن شود كه آنچه ثبت مي شود ناشي از هارمونيك هاي توليد شده توسط جريان خون و يا ناشي از پوست سر نمي باشد . تا اينكه نهايتا در سال ١٩٢٩ چنين نوشت[16]:
“EEG يك منحني با نوسانات پيوسته است كه با آن مي توان به وجود امواج نوع اول با دوره متوسط 90ms و امواج نوع دوم، با دامنه كوچكتر و با دوره متوسط35 ms پی برد. نوسانات با دامنه حداكثر150-200 ميكروولت اندازه گيري شده اند.”

منابع:
[1] .Melody M. Moore,‘Real-World Applications for Brain–Computer Interface Technology’, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, VOL. 11, NO. 2, JUNE 2003.
[2] . J. R. Wolpaw, N. Birbaumer, W. J. Heetderks, D. G. McFarland, P. H. Peckhom, G. Schalk, E. Donchin, L. A. Quaterano, C. J. Robinson, T. M. Vaughan, “Brain–Computer Interface Technology : A Review of the First International Meeting”, IEEE Trans. Rehab. Eng., vol. 8, No. 2,pp. 164–173, June 2000.
[3] . R. Elul, “Gaussian Behavior of the Electroencephalogram: Changes during performance of Mental Task”, Science, vol. 164, pp. 338–331, April 1969.
[4] . Z. A. Keirn, J. I. Aunon, “A New mode of Communication between Man and his Surroundings”, IEEE Trans. Biomed. Eng., vol. 37, no. 12, pp. 1209–1214, 1990.
[5] . C. W. Anderson, E. A Stolz, S. Shamsunder, “Multivariate Autoregressive Models for Classification of Spontaneous Electoencephalographic Signal during Mental Tasks”, IEEE Trans.Biomed. Eng., vol. 45, No. 3, pp. 277–286, March 1998.
[6] .C. Anderson and Z. Sijercic, “Classification of EEG Signals from Four Subjects during Five Mental Tasks ”, in Solving Eng. Problems with Neural Networks: Proc. Conf. on Eng.
Applicationsin Neural Networks (EANN’96), PL 34, pp. 407-414, Finland 1996.
[7] . G. Pfrutscheller, C. Neuper, C. Guger, W. Harkam, H. Ramoser, A. Schlogl, B. Dbermaier, M.Pregenzer, “Current Trends in Graz Brain–Computer Interface (BCI) Research”, IEEE Trans.Rehab. Eng., vol. 8, No. 2, pp. 216–218, June 2000.
[8] . G. Pfrutscheller, C. Neuper, A. Schlogl, K. Lugger, “Separability of EEG Signals Recorded during Right and Left Motor Imagery Using Adaptive Autoregressive Parameters”, IEEE Trans. Rehab. Eng., vol. 6, pp. 316–325, September 1998.
[9] . A. Schloegl, C. Neuper, G. Pfrutscheller, “Subject Specific EEG Patterns During Motor Imaginary”, in Proc. 19th Inter. Conf., IEEE/EMBS, Chicago 1997, pp. 1530-1532.
[10] . A. L. Schloegl, K. Lugger, G. Pfurtscheller, “ Using Adaptive Autoregressive Parameters for a Brain Computer Interface Experiment”, Proc. 19th Int. Conf. IEEE/EMBS, Chicago, IL. USA, 1997, pp. 1533-1535.
[11] . A. Schlogl, S. J. Roberts, G. Pfrutscheller, “A criterion for adaptive autoregressive models”, in Proc. 22nd Annu. Inter. Conf. IEEE/EMBS, vol. 2, pp. 1581-1582, 2000.
[12] . J. R. Wolpaw, H. Ramaser,D. J. McFarland, G. Pfrutscheller, “EEG–Based Communication: Improved Accuracy by Response Verification”, IEEE Trans. Rehab. Eng., vol. 6, No. 3, pp. 326–333, September 1998.
[13] . S. Baillet, J. C. Mosher, R. M. Leahy, “Electromagnetic Brain Mapping”, IEEE Signal Processing, vol. 18, no. 6, pp. 14-30, November 2001.
[14] . Who named it?, http://www.whonamedit.com/doctor.cfm/845.html.
[15] . The History of Medicine: http://www.medhelpnet.com/medhist7.html, 1901-1925.
[16] .Biocybernaut,Institute,EEG-ElectroEncephaloGraph,http://biocybernaut.com/tutorial/ eeg.html.
[17] . D. G. Domenick, “International 10-20 Electrode Placement System for Sleep”, http://members.aol.com/aduial/20-10sys.html.
[18] . http://dragon.inha.ac.kr/~neurolee/eeg/eeg_eng.htm, EEG (Electroencephalogram).
[19] .Gratton F. G., Coles M. G., & Donchin E,’ A new method for off-line removal of ocular artifact.’ Electroencephalography and Clinical Neurophysiology , 55,pp468–484,1983.
[20] . Berg P., & Scherg M, ‘Dipole models of eye activity and its.application to the removal of eye artifacts from the EEG and MEG’.,Clinical Physics and Physiological Measurements , 12 ( SupplementA),pp 49–54,1991.
[21] . Lagerlund T. D., Sharbrough F. W., & Busacker, N. E.,‘Spatial filtering of multichannel electroencephalographic recordings through principal component analysis by singular value decomposition’. Journal of Clinical Neurophysiology, 14, 73–82, 1997.
[22] . Makeig S., Bell A. J., Jung T. -P., Sejnowski T. J., ‘Independent component analysis of electroencephalographic data. In Advances in neural information processing systems’, D. Touretzky, M. Mozer, & M. Hasselmo Eds., Vol. 8, pp 145–151. Cambridge, MA: The MIT Press,1996.
[23] . Vorobyov S., Cichocki A., ‘Blind noise reduction for multisensory signals using ICA and subspace filtering, withapplication to EEG analysis’. Biological Cybernethics, Springer-Verlag 86,pp 293-303,2002.
[24] . Zhou W., Gotman J., ‘Removal of EMG and ECG Artifacts from EEG Based on Wavelet Transform and ICA.’Proceedings of the 26th Annual International Conference of the IEEE EMBS, San Francisco, USA pp 392-395,2004.
[25] . Melody M. Moore, ‘Real-World Applications for Brain–Computer Interface Technology’, IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING,VOL.11,NO.2,JUNE2003.
[26] . Abootalebi V., Moradi M., Khalilzadeh M., ‘A comparisonof methods for ERP assessment in a P300-based GKT’, International Journal of Psychophysiology, 62, 309:320, 2006.
[27] . Delorme A., Sejnowski T., & Makeig S., ‘Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis’. NeuroImage 34, pp 1443-1449, 2007.
[28] . Castellanos N. P., A. Makarov V., ‘Recovering EEG brain signals: Artifact suppression with wavelet enhanced independent component analysis’. Journal of Neuroscience Methods 158, pp 300-312, 2006.
[29] . http://www.physionet.org/physiobank/database/sleep-edf
[30] . L. Cohen, “Time-Frequency Analysis”, Prentice Hall, 1995.
[31] . Xiu Zhang and Xingyu Wang, “A Genetic Algorithm based Time-Frequency Approach to a Movement Prediction Task”, Proceedings of the 7th World Congress on Intelligent Control and Automation June, Chongqing, China,pp 25 – 27, 2008.
[32] .Katsuluro Inow, Daiki Mori, Kota Sugioka, Gert Pfurtscheller and Kousuke Kurnamaru ,” Feature Extraction of EEG Signals During Right and Left Motor Imagery” , SICE AnnuaI Conference in SapporoHokkaido Institute of Tecnology, Japan, August 44,2004.
[33] . Anna Caterina Merzagora, Scott Bunce, Meltem Izzetoglu and Banu Onaral “Wavelet analysis for EEG feature extraction in deception detection”, Proceedings of the 28th IEEE EMBS Annual International Conference New York City, USA, Aug 30-Sept 3, 2006.
[34] . Huaiyu Xu, Jian Lou, Ruidan Su, Erpeng Zhang “ Feature Extraction and Classification of EEG for Imaging Left-right Hands Movement”, © IEEE 2009.
[35] . Md. Riyasat Azim, Md. Shahedul Amin, Shah Ahsanul Haque, Mir Nahidul Ambia, Md. Asaduzzaman Shoeb “Feature Extraction of Human Sleep EEG Signals using Wavelet Transform and Fourier Transform”, 2nd International Conference on Signal Processing Systems (ICSPS), 2010.
[36] . Aihua Zhang, Bin Yang, Ling Huang “Feature Extraction of EEG Signals Using Power Spectral Entropy” , International Conference on BioMedical Engineering and Informatics, IEEE 2008.
[37] مریم وطن خواه، محمد رضا اکبرزاده توتونچی ، علی مقیمی، وحید اسدپور،”اندازه گیری سطح درد با استفاده از سیگنال های مغزی”،هجدهمین کنفرانس مهندسی برق ایران،دانشگاه صنعتی اصفهان،21-23اردیبهشت 1389
[38] . Polikar R.; “The wavelet tutorial”; http://users. rowan.edu/ ~polikar/ WAVELETS.
[39] . دکتر حمید پوررضا ،تبدیل موجک ، آزمایشگاه بینایی ماشین گروه مهندسی کامپیوتر دانشگاه فردوسی مشهد
[40] . M.Akin ; “comperision of Wavelet Transform and FFT methods in Analysis of EEG signals”; Journal Medical Systems, june 2002.
[41] .J.l.Walsh ,”A closed set of normal orthogonal functions”, Amer.J.Math.45, Island,American Mathematical Society pp:5-24-1923.
[42] . G. Pfurtscheller, C. Neuper, A. Schlögl, et al, “Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters”, IEEE Trans. Rehab. Eng, vol. 6(3), pp.316-25, 1998.
[43] . Maria T. tito, Malek Adjouadi, Mercedes Cabrerizo, Melvin Ayala, Ilker Yaylali, Armando Barreto, Naphtali Rishe,’ Application of the Walsh Transform Towards Seizure Detection’, Proceedings of the 6th WSEAS International Conference on Signal Processing, Robotics and Automation, Corfu Island, Greece, February 16-19,2007.
[44] . Pratt, W.K., Kane, J., Andrews, H.C.,’Hadamard Transform Image Coding,’ Proc. IEEE, Vol.57,No.1,pp.58-68,Jan.1969.
[45] . Shanks, J.L., ‘Computation of the fast Walsh-fourier Transform,’ IEEE Trans. Vol.18, pp.457-459, May 1969.
[46] . Harmuth, H.F.,’A Generalized Concept of Frequency and some Applications,’ IEEE Trans. on Information Theory, Vol.14, No.3, pp.375-382, May 1968.
[47] . BCI Competition IV Results/ Data sets 3.
[48] .Hyvarinen A., Karhunen J., Oja E., ‘Independent Component Analysis-Theory and Applications,’JohnWiely&Sons,2001.
[49] . R. Vigario,J. Sarela,V. Jousmaki, M. Hamalainen, E. Oja, ‘Independent Component Approach to the Analysis of EEG and MEG Recording, ‘ IEEE Trans. Biomed. Eng. vol. 47,no. 5, MAY 2000.
[50] . فرناز قاسمی، محمد حسن مرادی، مهدی تهرانی دوست ، وحید ابوطالبی ؛ “ نقاط قوت و ضعف استفاده از ترکیب آنالیز مولفه های مستقل و تبدیل ویولت به منظور حذف خودکار آرتیفکت چشمی از سیگنال الکتروانسفاگرام” ، چهاردهمین کنفرانس مهندسی ملی سالانه انجمن کامپیوتر ایران ، دانشگاه صنعتی امیر کبیر، 20 و 21 اسفند 1387.
[51] . Donoho, D.L. and I.M. Johnstone. ‘Adapting to unknown smoothness via wavelet shrinkage’. J. Am. Stat. Assoc., 90: 1200-1224, , 1995.
[52] . Han, J.Y., S.K. Lee and H.B. Park. ‘Denosing ECG using Translation Invariant Multiwavelet’. World Acad . Sci. Eng. Technol., 40: 140-144, 2009.
[53] .J. N. Kapur, and H.K. Kesavan, ‘Entropy optimization principles with applications’, Academic Press, San Diego,1992.
[54] . Christianini, N., Shawe-Taylor, J.’ An Introduction to support vector machines and other kernel-based learning methods’. Cambridge University Press (2000).
[55] . Hwanjo Yu and Sungchul Kim,” SVM Tutorial: Classification, Regression, and Ranking”, Pohang, South Korea
[56] . Platt, J.: Fast training of support vector machines using sequential minimal optimization. In:A.S. B. Scholkopf C. Burges (ed.) Advances in Kernel Methods: Support Vector Machines.MIT Press, Cambridge, MA (1998).

Abstract

This thesis investigates remove noise and feature extraction as two important fields in signal pro-cessing.
First preprocessing is to remove noise from signal for classification it. In this thesis, we study two classical methods and two proposed methods for removing noise. First, noise is removed form signals using classical ICA method, wavelet transform, two proposed methods (Walsh transform and combination method Walsh-ICA). To have a good evaluation, the result of these four meth-ods is evaluated by attention to Mean Square Error (MSE), Percentage Root Mean Square Dif-ference (PRD) and Signal to Noise Ratio (SNR) measure. The result of evaluation used these measures; confirmed Walsh transform and combination method Walsh-ICA had the smallest MSE while having the largest SNR and PRD.
Then feature extraction from signal and classification them would be studied. The number of ex-tracted feature is few so feature vector have 22 elements. These features correspond to Walsh transform entropy of channels signal, Walsh transform entropy of whole of signal, Walsh trans-form power of channels signal and Walsh transform power of whole of signal. For evaluating performance of these features, these feature would be extracted using wavelet and Fourier trans-form, too. Also classification base on extracted feature from these three methods separately. Then signals are classified using support vector machine (SVM) classification and KNN base on extracted feature. The result show that classification using extracted feature of Walsh transform is better than classification using other two transforms. Recognition rate is 42.5 by proposed method and SVM, is 39.0 by KNN method. For another comparing, the result is compared with the obtained result from 4th composition BCI. The result show that classification methods using Walsh transform is the best methods expect one participant’s methods. But advantage of pro-posed method is time complexity. Proposed method consume a few time for testing and training this time is 52 second, that is better than fist method which consume 403 and 640 second.

KEY WORDS: walsh transform,EEG, Mean Square Error (MSE), Percentage Root Mean Square Difference (PRD) and Signal to Noise Ratio (SNR).

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “استخراج ویژگی مناسب برای تشخیص سیگنال¬های حرکات ارادی EEG”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

20 − = 13