در این پایان نامه 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 بهره گرفتن 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 پایان نامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با بهره گرفتن 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 بهره گرفتن 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 بهره گرفتن 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 می شود. 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 بهره گرفتن از تبدیل موجک و فوریه استخراج میشوند و عمل دسته بندی بر اساس ویژگیهای استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگیهای استخراجی، به دسته بندی سیگنالها با بهره گرفتن از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان میدهد که دسته بندی با بهره گرفتن از ویژگیهای استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگیهای دو تبدیل دیگر است. نرخ تشخیص با بهره گرفتن 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 بهره گرفتن 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
فهرست
عنوان | صفحه |
فصل اول…
مقدمه…
1-1- مقدمه. 1
4
7
1-4- تعریف مساله. 7
– 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 داده های ثبت شده توسط گروه دانشگاهColorado. 17
3-2-2- مشخصات داد ههای ثبت شده توسط گروه Graz. 18
3-2-3- مشخصات داده های 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 مولفه های مستقل.. 43
5-3-2- حذف نویز با بهره گرفتن از آنالیز مولفه هایمستقل.. 44
5-3-3- حذف نویز با بهره گرفتن از تبدیل موجک…. 46
5-3-4- حذف نویز با بهره گرفتن از تبدیل والش….. 47
5-3-5- حذف نویز با بهره گرفتن از روش ترکیبی تبدیل والش و ICA… 50
5-4- استخراج ویژگی.. 51
5-4-1- آنتروپی 52
5-4-2- استخراج ویژگی با بهره گرفتن از تبدل والش….. 53
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک…. 53
) 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
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 می شود که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] است.
مغز انسان توانایی انتشار امواجی الكتریكی و مغناطیسی را دارد كه می توان با ثبت آنها علاوه بر كاربردهای پردازشی به تشخیص برخی بیماریها و حتی برقراری ارتباط به صورت تلپاتی پرداخت. یكی از روشهای ثبت این سیگنالها EEG)) 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 می شود 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 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 بهره گرفتن 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 اندازه گیری 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 می شود. مرحله بعد مرحله استخراج ویژگی است که در فصلهای بعد در مورد انواع ویژگیها و روش های استخراج ویژگی صحبت میکنیم در نهایت با بهره گرفتن از ویژگیهای استخراج شده عمل دستهبندی را انجام میدهیم.
واسط مغز و رایانه ممکن است ساختاری ثابت داشته باشد یا اینکه به صورت انطباقی باشد و خود را با مشخصه یا مشخصههای سیگنال انطباق بدهد. همچنین ممكن است از خروجی سیستم به نوعی به شخص مورد آزمایش فیدبك[6] داده شود. این روش به بیوفیدبك 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) سیگنالهای الكتریكی مغز از نظر دامنه و فركانس با برخی دیگر از سیگنالهای حیاتی همپوشانی دارند، لذا در تعریف BCI بر مستقل بودن سیگنالها از سایر سیگنالهای عصبی و عضلانی تاكید شده است.
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI
1-2- تاریخچه BCI
اولین تلاشها در زمینه تعامل انسان با رایانه همزمان با کشف سیگنالهای EEG شروع شد و دانشمندان سعی کردند که بین این سیگنالها و فعالیت های مغزی ارتباط برقرار کنند[1]. اما با توجه به اینکه در ابتدا این سیگنالها بسیار آشفته و دارای نویز بودند، از این سیگنالها فقط در پزشکی استفاده میشد و فقط پزشکان متخصص با توجه به تجربه از این سیگنالها میتوانستند استفاد کنند. اما رفته رفته با تولید دستگاههای جدید و توانایی ثبت این سیگنالها با کیفیت بهتر، پژوهشها 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 میدهد.
در دانشگاه Colorado دو محقق Keirn و Aunon تحقیقات خود را در این زمینه برای دستهبندی پنج فعالیت مختلف ذهنی شروع کردند[4]. آنها در حین انجام پنج فعالیت ذهنی مشخص و همزمان از چند كانال، سیگنال EEG را ثبت نمودند. سپس به كمك یک تفكیک كنندة بیز[7] از توان باندهای مختلف فركانسی بعنوان ویژگیهایی جهت تفكیک این فعالیتهای ذهنی استفاده كردند. آنها در ضمن كار خود این ایده را مطرح نمودند كه فعالیتهای مختلف ذهنی میتوانند بعنوان الفبایی جهت برقراری ارتباط مستقیم مغز با دنیای خارج استفاده شود؛ بطوریكه شخص می تواند با تركیب و انتخاب توالی چند فعالیت مشخص مقصود خود را به دنیای خارج منتقل كند.
چند سال بعد دکتر Anderson و همکارانش [5,6] کار این دو محقق را ادامه دادند. این گروه در اغلب كارهای خود از همان پنج فعالیت ذهنی استفاده کردند. آنها پارامترهای آماری همچون ضرایب(AR)[8] را تخمین زدند و با بهره گرفتن از این ضریب ویژگیهای را برای دسته بندی و تشخیص این پنج عمل استخراج کردند. بعد از استخراج ویژگی به کمک شبکه عصبی عمل دستهبندی را انجام دادند.
Pfrutscheller و همکارانش [7-11] در مرکز Graz اتریش در تحقیقات خود از سیگنالهای ثبت شده در حین حركت انگشت اشاره و یا در حین تصور حركت دادن دست راست و چپ استفاده نموده اند. آنها در كارهای خود از خروجیهای مختلفی همچون حركت یک نشانگر بر روی مانیتور، انتخاب حروف و كلمات و كنترل یک پروتز مصنوعی استفاده كردهاند. آنها جهت استخراج ویژگی از چند روش استفاده کردند. روش اول استخراج پارامترهای AR و روش دیگر محاسبة توان باندهای مختلف فركانسی، كه این باندها متناسب با شخص انتخاب میشوند. به گفته Pfrutscheller برای این كار از یک تابع فاصلة وزندار جهت تعیین میزان تأثیر هر مؤلفة فركانسی بر عمل دسته بندی استفاده شده است. به این روش (DSLVQ) [9] میگویند. این عمل برای تمام فركانسها در فاصله HZ 30-5 انجام می شود تا مؤلفه های فركانسی مناسب برای آن شخص بدست آید. آنها برای دستهبندی هم عموما از دو روش استفاده نموده اند. روش اول روشهای مبتنی بر شبكة عصبی (مانند LVQ)[10] و روش دوم مبتنی بر تفكیک كنندههای خطی.[11] (LDA) آنها جهت بهبود عملكرد سیستم خود در برخی موارد از تكنیكهای بیو فیدبك هم استفاده نموده اند. بعنوان مثال با نشان دادن یک
[دوشنبه 1399-10-01] [ 11:01:00 ق.ظ ]
|