استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG

چکیده

 در این پایان­نامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال­های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال­­ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی­ها عمل دسته بندی انجام می شود.

اولین پیش پردازش برای دسته بندی سیگنال­های مغزی حذف نویز از این سیگنال­ها می­باشد. در این پایان­نامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می­شود. 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 می­شود. 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 می­شود. نتایج ارزیابی با استفاده از این معیار­ها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می­باشد. 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 سیگنال­ها و دسته بندی آنهاپرداخته می­شود. ویژگی­های 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 می­باشد. برای ارزیابی کارایی این ویژگی­ها همین ویژگی­ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می­شوند و عمل دسته بندی بر اساس ویژگی­های استخراجی این سه روش به طور جداگانه انجام می­شود. بعد از استخراج ویژگی، بر اساس ویژگی­های استخراجی، به دسته بندی سیگنال­ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می­دهد که دسته بندی با استفاده از ویژگی­های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی­های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5درصد 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 همه­ی 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، سیگنال­های مغزی ، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD

 لیست مقالات مستخرج از پایان 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

فصل اول

مقدمه

1-1-............................................................................................................. مقدمه1

1-2-............................................................................................... تاریخچه BCI4

1-3-......................................................................................... کاربردهای BCI7

1-4-............................................................................................. تعریف مساله7

1-5 -ساختار پایان نامه7

فصل دوم

سیگنالهای مغزی

2-1- مقدمه9

2-2- کشف سیگنالهای مغزی10

2-3- ثبت سیگنالهای مغزی11

2-4- پیش پردازشها روی سیگنالهای مغزی12

فصل سوم

مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی

3-1- مقدمه16

3-2- معرفی داده­های موجود17

3-2-1- مشخصاتدادههایثبتشدهتوسطگروهدانشگاهColorado17

3-2-2- مشخصاتدادههایثبتشدهتوسطگروه Graz18

3-2-3- مشخصات دادههای MIT-BIH19

3-3- استخراج ویژگی20

3-4- دسته بندی23

فصل چهارم

مقایسه تحلیلی تبدیل فوریه ، موجک و والش

4-1- مقدمه25

4-2- تبدیل فوریه25

4-3- تبدیل موجک30

4-3-1- مقیاس.32

4-4- تاریخچه تبدیل والش35

4-4-1- توابع والش35

4-4-2- تبدیل والش36

فصل پنجم

توصیف روش پیشنهادی

5-1- مقدمه40

5-2- پایگاه داده مورد استفاده40

5-3- حذف نویز42

5-3-1- آنالیز مولفههای مستقل43

5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل44

5-3-3- حذف نویز با استفاده از تبدیل موجک46

5-3-4- حذف نویز با استفاده از تبدیل والش47

5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA50

5-4- استخراج ویژگی51

5-4-1- آنتروپی52

5-4-2- استخراج ویژگی با استفاده از تبدل والش53

5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک53

5-5- ماشین بردار پشتیبان (Support Vector Machin)54

5-5-1- ابر صفحه جداساز55

5-5-2- جداسازی غیر خطی58

فصل ششم

نتایج و نتیجه گیری

6-1- مقدمه60

6-2- حذف نویز61

6-3- معیارهای ارزیابی65

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 ویژگی68

6-4-1- ویژگیهای تبدیل والش69

6-4-2- ویژگیهای تبدیل فوریه72

6-4-3- ویژگیهای تبدیل موجک76

6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده80

6-6- نتیجه گیری83

6-7- پیشنهاد ها85

منابع:...86

فهرست شکل ها

عنوان

صفحه

 

شکل 1-1 - واحد های پردازشی و دسته بندی در یک سیستم BCI4

شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 2012

شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی13

شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز27

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 هرتز28

شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4)29

شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک32

شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی34

شکل 4-7- تبدیل موجک در یک مقیاس خاص34

شکل 4-8-تابع والش برای n=836

شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده42

شکل 5-2- سیگنالهای گرفته شده توسط هر کانال45

شکل 5-3- مولفههای بدست آمده توسط ICA45

شکل 5-4- تبدیل والش از کانال های سیگنال49

شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز49

شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز51

شکل 5- 7– صفحه های جداساز و بردارهای پشتیبان56

شکل 5- 8 - صفحه جداساز و نواحی مربوط به هر کلاس57

شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها59

شکل 6-1- سیگنال اصلی و سیگنال دارای نویز63

شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک64

شکل 6-3- نسبت سیگنال به نویز ده سیگنال66

شکل 6-4- میانگین مربع خطا برای ده سیگنال67

شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال68

شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول70

شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول71

شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول74

شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول77

  فهرست جدول ها

جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال22

جدول 4-1 - مقدار توابع والش و خروجی این تابع39

جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش73

جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه75

جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک79

جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش79

جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک79

جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک81

جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI82

 فصل اول

   1-1-مقدمه

تعامل انسان با کامپیوتر (HCI)[1] 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، زبان­هایی 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 می­شود که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] است.

مغز انسان توانایی انتشار امواجی الکتریکی و مغناطیسی را دارد که می توان با ثبت آنها علاوه بر کاربردهای پردازشی به تشخیص برخی بیماری­ها و حتی برقراری ارتباط بهصورت تلپاتی پرداخت. یکی از روش­های ثبت این سیگنالها EEG)) [3]می­باشد.

سیگنال­های الکتریکی مغزی را اولین بار دکتر هانس برگر[4] در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنال­ها تلاش انسان برای استفاده از این سیگنال­ها برای کاربرد­های مختلف شروع شد. اکنون بیشترین استفاده­های که از این سیگنال­های می­شود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنال­ها، به خاطر آشفته بودن و نویزی بودن این سیگنال­ها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.

در اوایل کشف سیگنال­های مغزی به دلیل نبودن دستگاه­های ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفت­های که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزار­های مناسب جهت ثبت سیگنال­های 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 سنسور­ها و اجزای پردازش سیگنال تشکیل می­شود 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[5] راه اندازه­گیری می‌کنند. در مرحله بعد این امواج بررسی شده و ویژگی‌های مورد نظر استخراج می‌شود و از روی این ویژگی‌ها می­توان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحد­های پردازشی سیستم BCI را می­بینیم.

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 می­شود. مرحله بعد مرحله استخراج ویژگی است که در فصل­های بعد در مورد انواع ویژگی­ها و روش های استخراج ویژگی صحبت می­کنیم در نهایت با استفاده از ویژگی­های استخراج شده عمل دسته­بندی را انجام می­دهیم.

دریافت فایل

---

جهت کپی مطلب از ctrl+A استفاده نمایید نماید