دانشکده مهندسي کامپيوتر و فناوري اطلاعات
گروه هوش مصنوعي
استخراج ويژگي مناسب براي تشخيص سيگنالهاي حرکات ارادي EEG
جمشيد پيرگزي
اساتيد راهنما:
دكتر علي اکبر پويان
استاد مشاور:
دکتر کاويان قندهاري
دکتر هادي گرايلو
پايان نامه جهت اخذ درجه کارشناسي ارشد
شهريور 1391
دانشگاه صنعتي شاهرود
دانشكده: مهندسي کامپيوتر و فناوري اطلاعات
گروه: هوش مصنوعي
پايان نامه کارشناسي ارشد آقاي جمشيد پيرگزي
تحت عنوان: طبقه بندي سيگنال هاي EEG با استفاده از تکنيک هاي هوش مصنوعي
در تاريخ ………………………. توسط كميته تخصصي زير جهت اخذ مدرک کارشناسي ارشد مورد ارزيابي و با درجه ……………………………….. مورد پذيرش قرار گرفت.
امضاءاساتيد مشاورامضاءاساتيد راهنماآقاي دکتر کاويان قندهاري
آقاي دکتر علي اکبر پويانآقاي دکتر هادي گرايلو

امضاءنماينده تحصيلات تكميليامضاءاساتيد داورنام و نام خانوادگي:
نام و نام خانوادگي:
نام و نام خانوادگي:تقديم به
چشمان منتظر مادر م
دستان خسته پدرم
تشکر و قدرداني
پاس خدايي که آدمي را به نعمت تفکر آراست و اساتيد فرزانهاي چون دکتر علياکبر پويان و دکتر هادي گرايلو را در مسير راهم قرار داد تا از انديشه نابشان بهره گيرم و دانش و بينششان را رهتوشه خويش سازم.
آقايان پاس ميدارم انديشه بلندتان را و ارج مينهم همت والايتان را.
تشکر مينمايم از پدر و مادر يگانهام، همسر عزيزم و برادر و خواهرانم که وجودشان تکيهگاهي براي تمام لحظههاي سخت من و دعاهايشان تنها سرمايه بال گشودنم بسوي خوشبختي است.
اينجانب جمشيد پيرگزي دانشجوي دوره کارشناسي ارشد رشته مهندسي کامپيوتر دانشکده کامپيوتر و فناوري اطلاعات دانشگاه صنعتي شاهرود نويسنده پايان نامه استخراج ويژگي مناسب براي تشخيص سيگنالهاي حرکات ارادي EEG تحت راهنمائي دکتر علي اکبر پويان متعهد مي شوم .
تحقيقات در اين پايان نامه توسط اينجانب انجام شده است و از صحت و اصالت برخوردار است .
در استفاده از نتايج پژوهشهاي محققان ديگر به مرجع مورد استفاده استناد شده است .
مطالب مندرج در پايان نامه تاکنون توسط خود يا فرد ديگري براي دريافت هيچ نوع مدرک يا امتيازي در هيچ جا ارائه نشده است .
کليه حقوق معنوي اين اثر متعلق به دانشگاه صنعتي شاهرود مي باشد و مقالات مستخرج با نام ” دانشگاه صنعتي شاهرود ” و يا ” Shahrood University of Technology ” به چاپ خواهد رسيد .
حقوق معنوي تمام افرادي که در به دست آمدن نتايح اصلي پايان نامه تأثيرگذار بوده اند در مقالات مستخرج از پايان نامه رعايت مي گردد.
در کليه مراحل انجام اين پايان نامه ، در مواردي که از موجود زنده ( يا بافتهاي آنها ) استفاده شده است ضوابط و اصول اخلاقي رعايت شده است .
در کليه مراحل انجام اين پايان نامه، در مواردي که به حوزه اطلاعات شخصي افراد دسترسي يافته يا استفاده شده است اصل رازداري ، ضوابط و اصول اخلاق انساني رعايت شده است .
تاريخ
امضاي دانشجو

چکيده
در اين پاياننامه قصد داريم با ارائه يک ويژگي مناسب عمل دسته بندي را بر روي سيگنالهاي مغزي انجام دهيم. براي اين منظور ابتدا از سيگنالهاي مغزي نويز دستگاه ثبت حذف مي شود سپس از اين سيگنالها با استفاده از تبديل والش و آنتروپي ويژگي استخراج مي شود. بعد از استخراج ويژگي ، بر اساس اين ويژگيها عمل دسته بندي انجام مي شود.
اولين پيش پردازش براي دسته بندي سيگنالهاي مغزي حذف نويز از اين سيگنالها ميباشد. در اين پاياننامه دو روش کلاسيک حذف نويز و دو روش پيشنهادي حذف نويز بررسي ميشود. ابتدا با استفاده از روش کلاسيک ICA ، تبديل موجک و دو روش پيشنهادي تبديل والش و روش ترکيبي والش و ICA از سيگنال حذف نويز ميشود. براي داشتن يک ارزيابي از اين چند روش، نتايج حاصل از اين چهار روش با استفاده از سه معيار، نسبت سيگنال به نويز(SNR)، ميانگين مربع خطا(MSE) و جذر ميانگين تفاضل مربعات(درصد) (PRD) ارزيابي ميشود. نتايج ارزيابي با استفاده از اين معيارها نشان داد که روش ترکيبي والش و ICA و تبديل والش داراي کمترين مقدار ميانگين مربع خطا ميباشد. همچنين اين دو روش داراي بيشترين مقدار نسبت سيگنال به نويز و جذر ميانگين تفاضل مربعات(درصد) است.
بعد از حذف نويز از سيگنال، به بحث استخراج ويژگي از سيگنالها و دسته بندي آنهاپرداخته ميشود. ويژگيهاي استخراج شده تعداد ويژگي کمي مي باشد و يک بردار ويژگي 22 مولفه اي است. اين ويژگي ها مربوط به آنتروپي تبديل والش کانال هاي سيگنال، آنتروپي تبديل والش کل سيگنال، توان تبديل والش کانال هاي سيگنال و توان تبديل والش کل سيگنال ميباشد. براي ارزيابي کارايي اين ويژگيها همين ويژگيها، نيز با استفاده از تبديل موجک و فوريه استخراج ميشوند و عمل دسته بندي بر اساس ويژگيهاي استخراجي اين سه روش به طور جداگانه انجام ميشود. بعد از استخراج ويژگي، بر اساس ويژگيهاي استخراجي، به دسته بندي سيگنالها با استفاده از طبقه بندي کننده SVM و نزديکترين همسايه پرداخته مي شود. نتايج حاصل نشان ميدهد که دسته بندي با استفاده از ويژگيهاي استخراجي تبديل والش به مراتب بهتر از دسته بندي بر اساس ويژگيهاي دو تبديل ديگر است. نرخ تشخيص با استفاده از روش پيشنهادي و svm، 42.5 درصد و با روش نزديکترين همسايه 39.0 درصد است.
در مقايسه اي ديگر، نتايج حاصل با نتايج پياده سازي شده بر روي اين مجموعه داده، در چهارمين دوره مسابقات BCI مقايسه شده است. نتايج نشان داد که روش دسته بندي با استفاده از تبديل والش از همهي روشها به جز نفر اول بهتر است.. ولي مزيتي که روش پيشنهادي نسبت به همه روشها دارد اين است که در بحث زماني اين روش داراي مجموع زمان تست و آموزش کمي است. اين زمان 52 ثانيه مي باشد که نسبت به روش اول که 403 و 640 ثانيه است به مراتب بهتر است.
کلمات کليدي: تبديل والش، سيگنالهاي مغزي ، نسبت سيگنال به نويز(SNR)، ميانگين مربع خطا(MSE) و جذر ميانگين 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] جمشيد پيرگزي ،علي اکبر پويان، “ترکيب تبديل والش و آناليز مولفه هاي مستقل به منظور حذف نويز از سيگنال هاي مغزي” ، کنفرانس مهندسي برق مجلسي ، مرداد 1391.
[3]. جمشيد پيرگزي ، علي اکبر پويان “استخراج ويژگي از سيگنال هاي مغزي با استفاده از تبديل والش و آنتروپي”، پانزدهمين کنفرانس دانشجويي مهندسي برق ايران دانشگاه کاشان ، شهريور 1391.
فهرست
عنوانصفحه
فصل اول
مقدمه
1-1-مقدمه1
1-2-تاريخچه BCI4
1-3-کاربردهاي BCI7
1-4-تعريف مساله7
1-5- ساختار پايان نامه7
فصل دوم
سيگنالهاي مغزي
2-1- مقدمه9
2-2- کشف سيگنالهاي مغزي10
2-3- ثبت سيگنالهاي مغزي11
2-4- پيش پردازشها روي سيگنالهاي مغزي12
فصل سوم
مروري بر تحقيقات انجام شده در زمينه دسته بندي سيگنالهاي مغزي
3-1- مقدمه16
3-2- معرفي دادههاي موجود17
3-2-1- مشخصات دادههاي ثبت شده توسط گروه دانشگاهColorado17
3-2-2- مشخصات داد ههاي ثبت شده توسط گروه Graz18
3-2-3- مشخصات دادههاي MIT-BIH19
3-3- استخراج ويژگي20
3-4- دسته بندي23
فصل چهارم
مقايسه تحليلي تبديل فوريه ، موجک و والش
4-1- مقدمه25
4-2- تبديل فوريه25
4-3- تبديل موجک30
4-3-1- مقياس.32
4-4- تاريخچه تبديل والش35
4-4-1- توابع والش35
4-4-2- تبديل والش36
فصل پنجم
توصيف روش پيشنهادي
5-1- مقدمه40
5-2- پايگاه داده مورد استفاده40
5-3- حذف نويز42
5-3-1- آناليز مولفههاي مستقل43
5-3-2- حذف نويز با استفاده از آناليز مولفه هايمستقل44
5-3-3- حذف نويز با استفاده از تبديل موجک46
5-3-4- حذف نويز با استفاده از تبديل والش47
5-3-5- حذف نويز با استفاده از روش ترکيبي تبديل والش و ICA50
5-4- استخراج ويژگي51
5-4-1- آنتروپي52
5-4-2- استخراج ويژگي با استفاده از تبدل والش53
5-4-3- استخراج ويژگي با استفاده تبديل فوريه و موجک53
5-5- ماشين بردار پشتيبان (Support Vector Machin)54
5-5-1- ابر صفحه جداساز55
5-5-2- جداسازي غير خطي58
فصل ششم
نتايج و نتيجه گيري
6-1- مقدمه60
6-2- حذف نويز61
6-3- معيارهاي ارزيابي65
6-3-1- نسبت سيگنال به نويز (Signal to Noise Rate)65
6-3-2- ميانگين مربع خطا (Mean Square Error)66
6-3-3- جذر ميانگين تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)67
6-4- استخراج ويژگي68
6-4-1- ويژگيهاي تبديل والش69
6-4-2- ويژگيهاي تبديل فوريه72
6-4-3- ويژگيهاي تبديل موجک76
6-5- مقايسه با کارهاي مرتبط بر روي اين مجموعه داده80
6-6- نتيجه گيري83
6-7- پيشنهاد ها85
منابع:…86
فهرست شکل ها
عنوان صفحه
شکل 1-1 – واحد هاي پردازشي و دسته بندي در يک سيستم BCI4
شکل 2-1- محل قرار گرفتن الکترود ها در سيستم 10- 2012
شکل 2-2- محدوده دامنه و فرکانس برخي از سيگنالهاي حياتي13
شکل 4-1 – سيگنال ايستا داراي چهار جزء فرکانسي 5 ، 10، 20 و 50 هرتز27
شکل 4-2 – تبديل فوريه سيگنال رابطه 2-4))28
شکل 4-3 – سيگنال غير ايستا داراي چهار جزء فرکانسي 5، 10، 20 و 50 هرتز28
شکل 4-4 – تبديل فوريه سيگنال شکل (3-4)29
شکل 4-5- تجزيه سيگنال با استفاده از تبديل موجک32
شکل 4-6- مقياسهاي مختلف يک تابع کسينوسي34
شکل 4-7- تبديل موجک در يک مقياس خاص34
شکل 4-8- تابع والش براي n=836
شکل 5-1- نحوه قرارگيري الکترودها بر روي سر هنگام ثبت سيگنالهاي مغزي مورد استفاده42
شکل 5-2- سيگنالهاي گرفته شده توسط هر کانال45
شکل 5-3- مولفههاي بدست آمده توسط ICA45
شکل 5-4- تبديل والش از کانال هاي سيگنال49
شکل 5-5- حد آستانه مشخص شده بر روي تبديل والش براي حذف نويز49
شکل 5-6- حد آستانه مشخص شده بر روي تبديل والش، مولفههاي ICA براي حذف نويز51
شکل 5- 7 – صفحه هاي جداساز و بردارهاي پشتيبان56
شکل 5- 8 – صفحه جداساز و نواحي مربوط به هر کلاس57
شکل 5-9- افزايش بعد جهت جداسازي خطي دادهها59
شکل 6-1- سيگنال اصلي و سيگنال داراي نويز63
شکل 6-2- سيگنال حاصل از حذف نويز با استفاده از روش ICA ، روش ترکيبي والش- ICA ، تبديل والش و تبديل موجک64
شکل 6-3- نسبت سيگنال به نويز ده سيگنال66
شکل 6-4- ميانگين مربع خطا براي ده سيگنال67
شکل 6-5- جذر ميانگين تفاضل مربعات(درصد) براي ده سيگنال68
شکل 6-6- آنتروپي توالي کانالهاي سيگنالهاي کلاس اول70
شکل 6-7- توان آنتروپي هر کانال از سيگنالهاي کلاس اول71
شکل 6-8- آنتروپي تبديل فوريه کانالهاي سيگنالهاي کلاس اول74
شکل 6-9- آنتروپي تبديل موجک کانالهاي سيگنالهاي کلاس اول77
فهرست جدول ها
عنوان صفحه
جدول 3-1 – انواع ويژگيهاي استفاده شده در پردازش سيگنال22
جدول 4-1 – مقدار توابع والش و خروجي اين تابع39
جدول 6-1-نرخ تشخيص طبقه بندي کننده SVM و نزديکترين همسايه براي دو مجموعه داده بر اساس ويژگيهاي تبديل والش73
جدول 6-2-نرخ تشخيص طبقه بندي کننده SVM و نزديکترين همسايه براي دو مجموعه داده بر اساس ويژگي هاي تبديل فوريه75
جدول 6-3-نرخ تشخيص طبقهبندي کننده SVM و نزديکترين همسايه براي دو مجموعه داده بر اساس ويژگيهاي تبديل موجک79
جدول 6-4- نتايج دستهبندي بر اساس ويژگيهاي سه روش79
جدول 6-5- مقايسه متوسط زمان اجراي تبديل والش ، تبدل فوريه و تبديل موجک79
جدول 6-6- مقايسه متوسط زمان اجراي روش پيشنهادي با نفر اول مسابقات BCI و تبدل فوريه و تبديل موجک81
جدول 6-7- مقايسه نرخ تشخيص روش پيشنهادي با 4 نفر اول مسابقات BCI82
فصل اول
مقدمه
مقدمه
تعامل انسان با کامپيوتر (HCI)1 امروزه کاربردهاي گسترده اي دارد. اين رشته علم بررسي تعامل کامپيوتر و انسان است. در واقع اين علم نقطه تقاطع دانش کامپيوتر، علوم رفتارشناسي طراحي و چند علم ديگر است. ارتباط و تعامل کامپيوتر وانسان از طريق واسط اتفاق مي‌افتد. که شامل نرم‌افزار و سخت‌افزار است. يک تعريف دقيق آن چنين است:
علم تعامل کامپيوتر و انسان يک رشته مرتبط با طراحي ارزيابي و پياده سازي سيستم‌هاي محاسباتي متقابل براي استفاده انسان در مطالعه پديده‌هاي مهم پيرامون اوست. اين رشته شاخه‌هايي از هر دو طرف درگير را شامل مي‌شود مثلا گرافيک کامپيوتري، سيتم‌هاي عامل، زبانهايي برنامه نويسي، تئوري ارتباطات و طراحي صنعتي براي قسمت کامپيوتري زبان‌شناسي، روانشناسي و کارايي انسان براي قسمت انساني آن. اين رشته به شاخه هاي زيادي تقسيم ميشود که يکي از آنها واسط مغز و کامپيوتر(BCI)2 است.
مغز انسان توانايي انتشار امواجي الكتريكي و مغناطيسي را دارد كه مي توان با ثبت آنها علاوه بر كاربردهاي پردازشي به تشخيص برخي بيماريها و حتي برقراري ارتباط به صورت تلپاتي پرداخت. يكي از روشهاي ثبت اين سيگنالها EEG)) 3 ميباشد.
سيگنالهاي الکتريکي مغزي را اولين بار دکتر هانس برگر4 در سال 1920 شناسايي و ثبت کرد. با ثبت اين سيگنالها تلاش انسان براي استفاده از اين سيگنالها براي کاربردهاي مختلف شروع شد. اکنون بيشترين استفادههاي که از اين سيگنالهاي ميشود در تشخيص پزشکي و کمک به افراد ناتوان جسمي و فکري است[1]. در اوايل ثبت اين سيگنالها، به خاطر آشفته بودن و نويزي بودن اين سيگنالها کار کردن بر روي و استخراج اطلاعات مفيد از آنها مشکل بود.
در اوايل کشف سيگنالهاي مغزي به دليل نبودن دستگاههاي ثبت و ضبط مناسب انسان به اين تصور بود که ارتباط انسان با محيط اطرافش سخت و غير ممکن است. اما با پيشرفتهاي که در حوزه رايانه و الکترونيک صورت گرفت و با ابداع ابزارهاي مناسب جهت ثبت سيگنالهاي مغزي اين ارتباط دور از دسترس نيست. امروزه BCI علمي است که اين ارتباط را برقرار مي کند.
واسط مغز و رايانه از مجموعه‌اي از سنسورها و اجزاي پردازش سيگنال تشکيل ميشود که فعاليت مغزي فرد را مستقيما به يک سري سيگنال‌هاي ارتباطي يا کنترلي تبديل مي‌کند. در اين سامانه ابتدا بايد امواج مغزي را با استفاده از دستگاه‌هاي ثبت امواج مغزي ثبت کرد که معمولا به دليل دقت زماني بالا و ارزان بودن و همچنين استفاده آسان، از EEG براي ثبت امواج مغزي استفاده مي‌شود. الکترودهاي EEG در سطح پوست سر قرار مي‌گيرند و ميدان الکتريکي حاصل از فعاليت نورون‌ها5 راه اندازهگيري مي‌کنند. در مرحله بعد اين امواج بررسي شده و ويژگي‌هاي مورد نظر استخراج مي‌شود و از روي اين ويژگي‌ها ميتوان حدس زد که کاربر چه فعاليتي را در نظر دارد. در شکل(-11) واحدهاي پردازشي سيستم BCI را ميبينيم.
با توجه به پايين بودن نسبت سيگنال به نويز در اين سيستم ابتدا يک پيش پردازش و عمليات حذف نويز بر روي اين سيگنال ها انجام ميشود. مرحله بعد مرحله استخراج ويژگي است که در فصلهاي بعد در مورد انواع ويژگيها و روش هاي استخراج ويژگي صحبت ميکنيم در نهايت با استفاده از ويژگيهاي استخراج شده عمل دستهبندي را انجام ميدهيم.
واسط مغز و رايانه ممکن است ساختاري ثابت داشته باشد يا اينکه به صورت انطباقي باشد و خود را با مشخصه يا مشخصههاي سيگنال انطباق بدهد. همچنين ممكن است از خروجي سيستم به نوعي به شخص مورد آزمايش فيدبك6 داده شود. اين روش به بيوفيدبك مشهور است.
در اولين همايش بين المللي که در ژوئن 1999 برگزار شد يک تعريف معمول براي BCI به صورت زير ارائه شد[2]: (يک واسط مغز و رايانه يک سامانه ارتباطي است که وابسته به مسيرهاي خروجي نرمال سامانه عصبي جانبي و ماهيچه‌ها نيست) سيگنالهاي الكتريكي مغز از نظر دامنه و فركانس با برخي ديگر از سيگنالهاي حياتي همپوشاني دارند، لذا در تعريف BCI بر مستقل بودن سيگنالها از ساير سيگنالهاي عصبي و عضلاني تاكيد شده است.
شکل 1-1 – واحد هاي پردازشي و دسته بندي در يک سيستم BCI
تاريخچه BCI
اولين تلاشها در زمينه تعامل انسان با رايانه همزمان با کشف سيگنالهاي EEG شروع شد و دانشمندان سعي کردند که بين اين سيگنالها و فعاليت هاي مغزي ارتباط برقرار کنند[1]. اما با توجه به اينکه در ابتدا اين سيگنالها بسيار آشفته و داراي نويز بودند، از اين سيگنالها فقط در پزشکي استفاده ميشد و فقط پزشکان متخصص با توجه به تجربه از اين سيگنالها ميتوانستند استفاد کنند. اما رفته رفته با توليد دستگاههاي جديد و توانايي ثبت اين سيگنالها با کيفيت بهتر، پژوهشها و تحقيقات بيشتري در اين زمينه انجام گرفت.
در سال 1969، Elul [3]اولين تلاش را انجام داد. او بر روي سيگنال عمليات رياضي کار کرد و نشان داد که اگر فرد عمليات فکري خاصي را انجام ندهد در %66 سيگنال مغزي آن توزيع گوسي است و اگر فرد عمليات رياضي انجام دهد در %32 سيگنال مغزي توزيع گوسي دارد و از طريق سيگنال مغز توانست تشخيص دهد که فرد چه عمليات فکري انجام ميدهد.
در دانشگاه Colorado دو محقق Keirn و Aunon تحقيقات خود را در اين زمينه براي دستهبندي پنج فعاليت مختلف ذهني 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 بيز7 از توان باندهاي مختلف فركانسي بعنوان ويژگيهايي جهت تفكيك اين فعاليتهاي ذهني استفاده كردند. آنها در ضمن كار خود اين ايده را مطرح نمودند كه فعاليتهاي مختلف ذهني ميتوانند بعنوان الفبايي جهت برقراري ارتباط مستقيم مغز با دنياي خارج استفاده شود؛ بطوريكه شخص ميتواند 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 اين دو محقق را ادامه دادند. اين گروه در اغلب كارهاي خود از همان پنج فعاليت ذهني استفاده کردند. آنها پارامترهاي آماري همچون ضرايب(AR)8 را تخمين زدند و با استفاده از اين ضريب ويژگيهاي را براي دسته بندي و تشخيص اين پنج عمل استخراج کردند. بعد از استخراج ويژگي به کمک شبکه عصبي عمل دستهبندي را انجام دادند.
Pfrutscheller و همکارانش [7-11] در مرکز Graz اتريش در تحقيقات خود از سيگنالهاي ثبت شده در حين حركت انگشت اشاره و يا در حين تصور حركت دادن دست راست و چپ استفاده نمودهاند. آنها در كارهاي خود از خروجيهاي مختلفي همچون حركت يك نشانگر بر روي مانيتور، انتخاب حروف و كلمات و كنترل يك پروتز مصنوعي استفاده كردهاند. 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 ميشوند. 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) 9 ميگويند. اين عمل براي تمام فركانسها در فاصله HZ 30-5 انجام ميشود تا مؤلفههاي فركانسي مناسب براي آن شخص بدست آيد. آنها براي دستهبندي هم عموما از دو روش استفاده نمودهاند. روش اول روشهاي مبتني بر شبكة عصبي (مانند LVQ)10 و روش دوم مبتني بر تفكيك كنندههاي خطي.11 (LDA) آنها جهت بهبود عملكرد سيستم خود در برخي موارد از تكنيكهاي بيو فيدبك هم استفاده نمودهاند. بعنوان مثال با نشان دادن يك فلش روي مانيتور از كاربر خواسته ميشود 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 ميدهند . سپس در مرحلة آزمايش هر بار كه از شخص خواسته ميشود كه حركت دادن يك دست را تصور كند با استفاده از تفكيك كنندة تعليم ديده سيگنال مغزي او را دستهبندي مي كنند. هر بار بسته به ميزان خطاي تفكيك كننده يك علامت فلش با طولي متناسب با ميزان خطا روي صفحه رسم ميشود . اين علامت در واقع يك فيدبك است كه با ديدن آن شخص سعي ميكند كه هر بار طول علامت خطا را كم كند.
Wolpaw و همکارانش[12 ] بيشتر در زمينه پزشکي کار کردند لذا كارهاي آنها عموما از پشتوانة فيزيولوژيك خوبي برخوردار است اما روشهاي پردازشي آنها نسبتا ساده است. اساس كار آنها بر اين مبناست كه افراد را ميتوان بگونهاي آموزش داد كه بتوانند برخي از ويژگيهاي سيگنال مغزي خود را کنترل کنند.
به طور کلي از جمله تحقيقاتي که در طي ساليان دراز در زمينه BCI انجام گرفته است مي 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 زمينه محققين زيادي کار کردهاند و به نتايج قابل قبولي دست يافتهاند.
کاربردهاي BCI
از زماني که سيگنالهاي EEG ثبت شد محققين سعي در استفاده از اين سيگنالها براي کاربردهاي مختلف داشتند. در ابتداي کار از اين سيگنالها فقط براي کاربردهاي پزشکي استفاده ميکردند مانند تشخيص انواع بيماريها که رايج ترين آنها بيماري صرع است . اما بعدها از اين سيگنالها نيز به منظور کمک رساندن به بيماراني که داراي ناتواني جسمي و عصبي هستند نيز استفاده شد. در اين افراد مغز فرمانها را صادر ميکند اما به دليل نقص در اندام اين فرمانها به طور کامل اجرا نميشود با استفاده از BCI ميتوان سيستمي طراحي کرد که فرمان را مستقيما از مغز بگيرد و بر روي اين سيگنال پردازش انجام دهد و عمل مورد نظر را انجام دهد.
تعريف مساله
در اين پايان نامه ما قصد داريم به تفکيک و دستهبندي سيگنالهاي مغزي بپردازيم. مجموعه داده مورد استفاده ما چهار عمل حرکت دادن مچ دست به چهار جهت اصلي است. کار ما به اين صورت است که ابتدا بر روي سيگنال يک سري پيش پردازشها مانند حذف نويز و… انجام ميدهيم. در مرحله بعد بر روي استخراج ويژگي از سيگنال کار مي کنيم و ويژگيهاي مختلف را از سيگنال استخراج ميکنيم. در مرحله بعد به دستهبندي سيگنالهاي مغزي بر اساس ويژگيهاي استخراج شده ميپردازيم. کارايي دستهبندي بر اساس هر مجموعه از ويژگيها را ارزيابي ميکنيم.
ساختار پايان نامه
در فصل دوم در مورد سيگنالهاي مغزي و انواع آنها و نحوه ثبت آنها بحث مي شود. براي اينکه يک مرور کلي بر روي کارهاي گذشته و روشهاي که تا کنون استفاده شده است داشته باشيم فصل سه به اين منظور اختصاص داده شده است. در اين فصل انواع روشهاي استخراج ويژگي بررسي مي شود. سپس روشهاي موجود براي دسته بندي که تا کنون استفاده شده است را بررسي مي کنيم. در فصل چهار به معرفي و توصيف تبديل والش که در اين پايان نامه از آن استفاده شده است ميپردازيم. براي داشتن يک مقايسه، سه تبديل فوريه، موجک و والش را معرفي مي کنيم و در مورد آنها صحبت مي شود. در فصل پنجم نيز روش پيشنهادي خود در حذف نويز و استخراج ويژگي را توصيف ميکنيم. در نهايت در فصل ششم روش حذف نويز و عمل دستهبندي با استفاده از اين ويژگيها را با ساير روشها مقايسه ميکنيم و به نتيجه گيري در مورد کار ميپردازيم.
فصل دوم
سيگنالهاي مغزي
2-1- مقدمه
سيگنال EEG مخفف Electroencephalography است که با استفاده از يک سري الکترودها که در سطح مغز قرار مي‌گيرند، فعاليت‌هاي الکتريکي مغز را اندازه گيري مي‌کند[13]. الکترودها به منظور جمع آوري ولتاژ در مکان‌هاي خاصي از مغز قرار مي‌گيرند. قبل از اينکه الکترودها در سطح پوست قرار گيرند يک ژل هادي به منظور کاهش مقاومت روي پوست سر ماليده مي‌شود. خروجي اين الکترودها به ورودي يک تقويت کننده وصل مي‌شود سپس از فيلترهاي بالا گذر و پايين گذر عبور داده مي‌شود. تغييرات در جريان اکسيژن خون با ميزان فعاليت‌هاي عصبي ارتباط دارد. زماني که سلول‌هاي عصبي فعال هستند اکسيژني که توسط هموگلوبين خون حمل مي‌شود را مصرف مي‌کنند. پاسخ محلي به اين کاهش اکسيژن افزايش جريان خون در ناحيه‌هايي است که فعاليت‌هاي عصبي زياد است. از طرف ديگر در اثر فعاليت‌هاي عصبي و انتقال پيام‌هاي عصبي جريان الکتريکي توليد مي‌شود که اين جريان الکتريکي طبق قانون مارکوف يک ميدان مغناطيسي را توليد مي‌کند.
2-2- کشف سيگنالهاي مغزي
در سال 1875 ريچارد كاتن جراح انگليسي ، به وجود پتانسيلهاي الکتريکي در سطح قشر مغز باز شده حيواناتي همچون خرگوش و ميمون پيبرد [14] او همچنين گزارش داد كه وقتي به چشم حيوان نور ميتابد، تغييراتي را در پتانسيل مغز او و در جهت خلاف چشمي كه در آن نور تابانده شده است مشاهده ميشود . در همان سالها تحقيقات مشابهي نيز در روسيه و فنلاند انجام گرفت.[15] اما هانس برگر پزشك و روانشناس آلماني نخستين كسي بود كه سيگنالهاي مغزي يك انسان را ثبت نمود. او با اطلاع يافتن از نتايج تحقيقات كاتن برروي حيوانات، مسير تحقيقات خود را متوجه انسانها نمود .وي كه با استفاده از وسايل ابتدايي گالوانومتر رشته اي12 تحقيقات خود را انجام ميداد، در سال 1920 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 ميداد. به همين ترتيب بود كه برگر حركات منظم با فركانس تقريبي 10 هرتز را كشف كرد و آنها را كه نخستين ريتم پيدا شده در سيگنالهاي مغزي انسان بودند را ? ناميد.
در طول چند سال بعد برگر كارهاي خود را با انجام ثبت هاي بيشتر ادامه داد تا مطمئن شود كه آنچه ثبت ميشود ناشي از هارمونيكهاي13 توليد شده توسط جريان خون و يا ناشي از پوست سر نميباشد . تا اينكه نهايتا در سال 1929 چنين نوشت[16]:
“EEG يك منحني با نوسانات پيوسته است كه با آن ميتوان به وجود امواج نوع اول با دوره متوسط 90ms و امواج نوع دوم، با دامنه كوچكتر و با دوره متوسط35 ms پيبرد. نوسانات با دامنه حداكثر150-200 ميكروولت اندازه گيري شده اند.”
تقريبا از همان زمان نامگذاري امواج مغزي تحت عناوين?,?,.. همچنين استفاده از اصطلاح الكترو انسفالوگرام براي سيگنالهاي مغزي متداو ل شد . برگر از همان زمان بدنبال يافتن ارتباط امواج مغزي با برخي بيماريها و فعاليتهاي ذهني بود . او در ادامه تحقيقات خود متوجه تغييرات امواج ? در بيماري هايي همچون صرع، آلزايمر و همچنين در طول مدت خواب گشت.
نتايج تحقيقات برگر او را به سرعت به شهرت جهاني رساند. وي دو بار نامزد دريافت جايزة نوبل شد؛ اما بعلت مخالفت نازيها اين جوايز به او اعطا نشد. وي نهايتا در سال ???? خودکشي کرد.
2-3- ثبت سيگنالهاي مغزي
اغلب براي قرار دادن الكترودها بر روي سر جهت ثبت امواج مغز از سيستم بين المللي 20/10 الكترود استفاده ميشود. اين سيستم از محلهاي آناتوميكي14 ويژه اي براي استاندارد كردن محل الكترودها استفاده ميكند.
براي داشتن امکان مقايسه نتايج ثبت سيگنال مغزي و امکان تعميم نتايج، در سال 1949 ميلاي يک شيوه الکترودگذاري به عنوان استاندارد بين المللي شناخته شد[17]. اين چيدمان جهاني الکترودها که به عنوان `استاندارد 10-20 شناخته شد، امکان پوشاندن تقريبا تمام نواحي سر را توسط الکترودها فراهم مي‌کند(شکل[18](1-2. انتخاب محل الکترودها بر اساس نقاط ويژه استخوان جمجمه انجام گرفته است. الکترود‌ها در نواحي تلاقي سطوح استخوان جمجمه قرار مي‌گيرند که ساير الکترودهاي مياني بر اساس 10 و 20 درصد کل فاصله چيده خواهند شد. شکل(1-2) نواحي مختلف قرار گيري الکترودها را نشان مي‌دهد. نام هر منطقه بر اساس لبي که در آن قرار گرفته ‌است و قرار داشتن در نيم‌کره راست يا چپ مشخص مي‌شود. به اين صورت که در نيم‌کره چپ با اعداد فرد و در نيمکره راست با اعداد زوج نشان داده مي‌شود.

شکل 2-1- محل قرار گرفتن الکترود ها در سيستم 10- 20
2-4- پيش پردازشها روي سيگنالهاي مغزي
همانطور که مي دانيم، سيگنال EEG ثبت شده از روي سر معمولا همراه با نويزهاي مختلفي ميباشند.که از آن جمله مي توان به سيگنال پلک زدن و حرکات چشم EOG ،انقباض ماهيچهها EMG، سيگنال قلبي ECG و همچنين نويز برق شهر اشاره نمود.
اين سيگنالها عموما در محدوده فرکانسي 0 تا 100 هرتز که بيشترين انرژي آن در محدوده 0.5 تا 60 هرتز است، ميباشد. دامنه اين سيگنالها نيز در محدوده 2 تا 100 ميکرو ولت ميباشد. لذا اين سيگنالها هم از نظر فرکانس و هم از نظر دامنه با ديگر سيگنالهاي حياتي مانند ECG، EOG و … هم پوشاني دارند. در شکل(2-2) محدوده دامنه و فرکانس برخي از سيگنالهاي حياتي نشان داده شده است[16]. همانطور که ملاحظه ميشود سيگنال EEG با اکثر سيگنالهاي ديگر هم پوشاني دارد.
علاوه بر نويز مربوط به ديگر سيگنالهاي حياتي ، نويزهاي مربوط به برق شهر که فرکانس 50 تا 60
شکل 2-2- محدوده دامنه و فرکانس برخي از سيگنالهاي حياتي
هرتز دارد و همچنين نويز هاي مربوط به الکترودها نيز بر روي اين سيگنالها تاثير ميگذارد.
وجود نويز در سيگنالهاي EEG باعث ميشود که پردازش بر روي اين سيگنالها مشکل باشد و باعث ارزيابي و نتايج نادرست ميشود. لازم است که تا حد امکان اين نويزها از اين سيگنالها حذف شود. براي نويز برق شهر سعي مي شود که وسايل ثبت را تا حد امکان ايزوله نمايند و همچنين با استفاده از فيلترهاي notch و فيلترهاي نرم افزاري فرکانس ناشي از برق شهر را حذف کنند.
براي حذف نويز مربوط به سيگنالهاي حياتي و همچنين ديگر نويزها محققين روشهاي زيادي را استفاده کردهاند. يکي از متداولترين روشهاي پردازشي براي مقابله با اثرات نامطلوب نويز، حذف قسمتهايي ازEEG است که حاوي نويزي بزرگتر از يک آستانه تعيين شده هستند. البته اين روش به منزله از دست دادن اطلاعات در آن بازه ميباشد. گروه ديگر روشها بر پايه رگرسيون در حوزه زمان و يا فرکانس هستند.[19] اين روشها داراي دو ايراد عمده ميباشند ، اول اينکه نياز به وجود کانال مرجع براي نويز دارند و دوم اينکه بعلت خالص نبودن سيگنال ثبت شده توسط الکترودهاي EOG مقداري از سيگنال EEG که توسط الکترودهاي مزبور ثبت ميشود نيز به اشتباه بعنوان نويز تلقي شده و از سيگنال کم ميگردد.
در [20] روشي براي حذف نويزهاي مصنوعي چشمي با استفاده از آناليز مولفههاي اصلي ، PCA ، ارائه دادند. ابتدا مولفههاي عمده بيانگر پلکها وحرکات افقي و عمودي چشم را درسيگنالهاي کاليبره شناسايي کرده و با حذف اين مولفه ها از داده EEG آنرا تصحيح نمودند . اين مقاله با مقايسه روش رگرسيون و مدلهاي دوقطبي مکاني -زماني مزيت و برتري روش PCA را نشان داده است. همچنين در [21] نشان داده شد که ممکن است برخي مولفهها ترکيب EEG و EOG بوده و با حذف آنها مقداري از اطلاعات EEG نيز از دست برود. اخيرا از روش آناليز مولفههاي مستقل براي تجزيه EEG به منابع مستقل تشکيل دهنده آن استفاده شده است. [22] اين روش در جداسازي و حذف منابع نويزي در سيگنالهاي حياتي و بخصوص EEG بسيار موفق بوده است. از سال 2002 تلفيق برخي از روشهاي حذف نويز همراه با ICA مد نظر قرار گرفت و در [ 23 ] از تلفيق روشICA وفيلتر زير فضا جهت حذف نويزهاي داخلي و نويزهاي تجميعي استفاده شده است. در سال 2004 Zhou و Goteman از ترکيب موجک و ICA براي حذف نويز ECG وEMG استفاده نمودند .[24] آنها ابتدا داده را با روش موجک حذف نويز نموده و سپس ICA را بر روي آن اعمال نمودند. در سالهاي اخير روشهايي نرم افزاري جهت ساده کردن اين فرآيند وقت گير و حذف خودکار آرتيفکتها پيشنهاد گرديده است. در [ 25] حذف تطبيقي و بروزEOG با استفاده از ICA مبتني بر شبکه عصبي و استفاده از PCA غير خطي انجام شده است[26] . در سال 2007، Delorme و همکاران به حذف آرتيفکت با استفاده از ICA و آمارگانهاي مرتبه بالاتر پرداختند[ 27 ] آنها ابتدا به مقايسه3 روش مختلف ICA و SoBI Infomax و Fast ICA روي داده شبيه سازي شده پرداختند و در ادامه به قسمتهايي از EEG که داراي آرتيفکت نبوده ، آرتيفکتهايي تا 30 مرتبه کوچکتر از EEG اضافه کرده و کارآيي 5 روش مختلف و معمول حذف آرتيفکت را مقايسه نمود ه اند.(آستانه استاندارد، شيبهاي خطي، عدم احتمال داده، کورتوزيس والگوي طيفي) نتايج حاکي از آن است که تمامي روشها در صورتيکه روي مولفههاي بدست آمده از ICA اعمال گردد، نسبت به اعمال روي خود داده EEG بسيار بهتر عمل ميکنند. مگر در مورد آرتيفکت ماهيچه اي که تفاوت بارزي بين دو حالت مشاهده نشده است. در مرجع [28] از تلفيق روش ICA و موجک استفاده نمودند، آنها ابتدا روش ICA را روي داده EEG پياده نموده و سپس مولفههاي تشخيص داده شده بعنوان نويز را با استفاده از موجک حذف نويز نمودند. آنها بيان نمودند که بعلت بيشتر بودن تعداد منابع از سنسورها ممکن است چند مولفه کوچک مغزي که استقلال کمتري نسبت به EOG دارند، در يک مولفه مستقل بدست آيد و حذف کامل اين مولفه منجر به از دست دادن مقداري از اطلاعات EEG گردد.
فصل سوم
مروري بر تحقيقات انجام شده در زمينه دسته بندي سيگنالهاي مغزي
3-1- مقدمه
با کشف سيگنالهاي EEG بسياري از محققين در سراسر دنيا شروع به فعاليت در اين زمينه کردند. مجموعه دادههاي متفاوت و با کاربردهاي متفاوتي ايجاد شد. اکثر اين محققين در تلاش به رسيدن به طراحي سيستم واسط مغز و کامپيوتر(BCI) بودند. در شکل) 1-1 ( يک سيستم BCI نشان داده شده است. اين سيستم از سه بخش اصلي پيش پردازش ، استخراج ويژگي و دستهبندي تشکيل شده است. محققين مشغول به تلاش براي بهبود در هر يک از سه بخش اصلي شدند. در اين فصل ابتدا مجموعه دادههاي استاندارد موجود را معرفي ميکنيم. در بخشهاي ديگر نيز به بررسي روشهاي مختلف استخراج ويژگي ، کاهش ويژگي و روشهاي مختلف دستهبندي ميپردازيم . لازم به ذکر است که قسمت پيش پردازش و حذف نويز را در فصل پيش توضيح داديم
3-2- معرفي دادههاي موجود
3-2-1- مشخصات دادههاي ثبت شده توسط گروه دانشگاهColorado
اولين گروه از دادهها متعلق به گروه Aunon و Keirn دانشگاه Colorado است[4]. اين دادهها مطابق استاندارد 20-10 از کانالهاي C3، C4، P3، P4، O1 و O2 همراه با يک کانال EOG ثبت شده است. هر سري از دادهها به مدت 10 ثانيه و با نرخ نمونه برداري 250 هرتز ثبت شده است. اين دادهها مجموعه ماتريسي به ابعاد 7*2500 را تشکيل ميدهند. ثبت کانالهاي EEG نسبت به کانالهاي مرجع A1 و A2 ، که به استخوانهاي پشت دو گوش متصل شده و از نظر الکتريکي به يکديگر متصل بودند، انجام شده است. از فيلترهاي آنالوگ Grass7P511 که فيلترهايي ميان گذر با باند عبور بين 1/0 تا 100 هرتز است، استفاده شده است. اين دادهها از 7 نفر ثبت شده است. نفر اول چپ دست با 48 سال سن و نفر دوم راست دست با 39 سال سن مي باشد. اين دو نفر از کارمندان دانشگاه بوده اند و نفر سوم تا هفتم همگي راست دست و از ميان دانشجوياني با سنين بين 20 تا 30 سال بودهاند. همه افراد مرد بودهاند فقط نفر پنجم زن بوده است.
از هر شخص در يك جلسه 5 بار و هر بار از 5 فعاليت ذهني سيگنال ثبت شده است. 5 ثبت ديگر هم در روز ديگر انجام شده است، بجز افراد دوم و هفتم كه تنها در يك جلسه ثبت سيگنال شركت نمودهاند. از سوي ديگر نفر پنجم در يك جلسه سوم نيز شرکت نموده است. كليه ثبتهاي انجام شده، يكبار با چشمان باز و بار ديگر با چشمان بسته صورت گرفته است.Aunon و Keirn ، سعي در انتخاب فعاليتهاي ذهني نمودهاند، كه نواحي نسبتا معيني از مغز را درگير كنند و يا ميزان فعاليت دو نيم كرة مغزي در حين انجام آنها متفاوت باشد. اين پنج فعاليت ذهني عبارتند از: 1- حالت استراحت15 2- عمل ضرب ذهني16 3- دوران ذهني يک شي هندسي17 4- نامه نامه نگاري ذهني18 5- شمارش ذهني همراه با تصوير چشمي19.
3-2-2- مشخصات داد ههاي ثبت شده توسط گروه Graz
يکي ديگر از مجموعه داده استاندارد که محققين بر روي آنها کار ميکنند، توسط گروه دانشگاه Graz ثبت شده است[7-11]. اين دادهها از سه نفر زن راست دست که سنشان بين 20 تا 27 سال است، ثبت شده است. در ابتداي هر آزمايش در لحظه صفر يک علامت (+) در وسط مانيتور و روبروي فرد ظاهر ميگردد. دو ثانيه بعد صداي زنگ هشدار دهنده به صدا در ميآيد. يک ثانيه بعد علامت فلش که به سمت راست يا چپ مانيتور اشاره ميکنند ظاهر ميشود. اين علامت به مدت 1/25 ثانيه بر روي مانيتور وجود دارد. از آن زمان به بعد شخص بر اساس جهت فلش ، مشغول به تصور حرکت يکي از دو دست راست و چپ ميشود. از آن پس عمل نشان دادن فلش جهت دار با فواصل زماني بين 9 تا 11 ثانيه تكرار ميشود و فرد مورد آزمايش ، تصور حركت دست مربوطه را انجام ميدهد.
اين سيگنالها از 56 الکترود که بر روي سر با فواصل تقريبي 2/5 سانتيمتر و نسبت به مرجع پتانسيل گوش راست قرار دارند ثبت شده است. سيگنال ثبت شده از يک فيلتر ميان گذر با باند عبور 0/5 تا 50 هرتز عبور داده شده است. عمل نمونه برداري با نرخ 128 هرتز انجام گرفته است. کانال EOG هم بصورت دو قطبي20 بين دو الکترود ، که در بالا و پايين چشم راست قرار داشت ثبت شده است. جهت اطمينان از عدم وجود سيگنال EMG اين سيگنال نيز در طي آزمايش از روي ساعد دو دست راست و چپ نيز ثبت شده است.
بدين ترتيب هر مرتبه ثبت سيگنال شامل 8 ثانيه است. که فاصله زماني 0- 4 ثانيه مربوط به آماده سازي فرد و 4-8 ثانيه نيز حاوي سيگنال تصور حرکت دست است. همه داده ها براي اطمينان از عدم وجود Artifact و يا پتانسيل حرکتي به طور جداگانه بررسي شدند. بدين ترتيب در مجموع 149 سيگنال از نفر اول ثبت شد(75 مرتبه دست راست و 74 مرتبه دست چپ) از نفر دوم 142 سيگنال (67 مرتبه دست راست و 75 مرتبه دست چپ). از نفر سوم نيز 115 سيگنال (56 مرتبه دست راست و 59 مرتبه دست چپ). دادههاي ثبت شده



قیمت: تومان


پاسخ دهید