گروه هوش مصنوعی

عنوان:

استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG

اساتید راهنما:

دکتر علی اکبر پویان

استاد مشاور:

دکتر کاویان قندهاری

دکتر هادی گرایلو

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

فهرست مطالب:

فصل اول

مقدمه.

1-1-  مقدمه……………………………… 1

1-2-  تاریخچه BCI…………………………….

1-3-  کاربردهای BCI…………………………….

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 دادههای ثبت شده توسط گروه دانشگاهColorado……………..

3-2-2- مشخصات داد ههای ثبت شده توسط گروه Graz……………………………..

3-2-3- مشخصات دادههای MIT-BIH……………………………….

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 بهره گیری……………………………. 40

5-3- حذف نویز…………………………….. 42

5-3-1- واکاوی مولفه های مستقل……………………………… 43

5-3-2- حذف نویز با بهره گیری از واکاوی مولفه های مستقل…………. 44

5-3-3- حذف نویز با بهره گیری از تبدیل موجک……………………………….. 46

5-3-4- حذف نویز با بهره گیری از تبدیل والش………………………………… 47

5-3-5- حذف نویز با بهره گیری از روش ترکیبی تبدیل والش و ICA……………

5-4- استخراج ویژگی……………………………… 51

5-4-1- آنتروپی …………………………….  52

5-4-2- استخراج ویژگی با بهره گیری از تبدل والش………………. 53

5-4-3- استخراج ویژگی با بهره گیری تبدیل فوریه و موجک……………. 53

5-5- ماشین بردار پشتیبان (Support Vector Machin)…………………………….

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)…………………………….

6-3-2- میانگین مربع خطا (Mean Square Error)…………………………….
دانلود متن کامل در سایت sabzfile.com
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)………..

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

چکیده:

در این پایان­نامه قصد داریم با ارائه یک ویژگی مناسب اقدام دسته بندی را بر روی سیگنال­های مغزی انجام دهیم. برای این مقصود آغاز از سیگنالهای مغزی نویز دستگاه ثبت حذف می گردد سپس از این سیگنال­­ها با بهره گیری از تبدیل والش و آنتروپی ویژگی استخراج می گردد. بعد از استخراج ویژگی ، بر اساس این ویژگی­ها اقدام دسته بندی انجام می گردد.

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 مطالعه می­گردد. آغاز با بهره گیری از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می­گردد. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با بهره گیری از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می­گردد. نتایج ارزیابی با بهره گیری 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) می باشد.

بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال­ها و دسته بندی آنهاپرداخته می­گردد. ویژگی­های استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای می باشد. 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 گیری از تبدیل موجک و فوریه استخراج می­شوند و اقدام دسته بندی بر اساس ویژگی­های استخراجی این سه روش به گونه جداگانه انجام می­گردد. بعد از استخراج ویژگی، بر اساس ویژگی­های استخراجی، به دسته بندی سیگنال­ها با بهره گیری از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می گردد. نتایج حاصل نشان می­دهد که دسته بندی با بهره گیری از ویژگی­های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی­های دو تبدیل دیگر می باشد. نرخ تشخیص با بهره گیری از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد می باشد.

در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده می باشد. نتایج نشان داد که روش دسته بندی با بهره گیری از تبدیل والش از همه­ی روشها به غیر از نفر اول بهتر می باشد.. اما مزیتی که روش پیشنهادی نسبت به همه روشها دارد این می باشد که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی می باشد. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه می باشد به مراتب بهتر می باشد.

فصل اول: مقدمه

1-1- مقدمه

تعامل بشر با کامپیوتر (HCI)[1] امروزه کاربردهای گسترده ای دارد. این رشته علم مطالعه تعامل کامپیوتر و بشر می باشد. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر می باشد. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق می‌افتد. که شامل نرم‌افزار و سخت‌افزار می باشد. یک تعریف دقیق آن چنین می باشد:

علم تعامل کامپیوتر و بشر یک رشته مرتبط با طراحی ارزیابی و پیاده سازی سیستم‌های محاسباتی متقابل برای بهره گیری بشر در مطالعه پدیده‌های مهم پیرامون اوست. این رشته شاخه‌هایی از هر دو طرف درگیر را شامل می گردد مثلا گرافیک کامپیوتری، سیتم‌های عامل، زبان­هایی برنامه نویسی، تئوری ارتباطات و طراحی صنعتی برای قسمت کامپیوتری زبان‌شناسی، روانشناسی و کارایی بشر برای قسمت انسانی آن. این رشته به شاخه های زیادی تقسیم می­گردد که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] می باشد.

مغز بشر توانایی انتشار امواجی الکتریکی و مغناطیسی را دارد که می توان با ثبت آنها علاوه بر کاربردهای پردازشی به تشخیص بعضی بیماری­ها و حتی برقراری ارتباط به صورت 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 نمود. با ثبت این سیگنال­ها کوشش بشر برای بهره گیری از این سیگنال­ها برای کاربرد­های مختلف شروع گردید. اکنون بیشترین بهره گیری­های که از این سیگنال­های می­گردد در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری می باشد[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 بشر به این تصور بود که ارتباط بشر با محیط اطرافش سخت و غیر ممکن می باشد. 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 می باشد که این ارتباط را مستقر می کند.

واسط مغز و رایانه از مجموعه‌ای از سنسور­ها و اجزای پردازش سیگنال تشکیل می­گردد که فعالیت مغزی فرد را مستقیما به یک سری سیگنال‌های ارتباطی یا کنترلی تبدیل می کند. در این سامانه آغاز بایستی امواج مغزی را با بهره گیری از دستگاه‌های ثبت امواج مغزی ثبت نمود که معمولا به دلیل دقت زمانی بالا و ارزان بودن و همچنین بهره گیری آسان، از EEG برای ثبت امواج مغزی بهره گیری می گردد. الکترودهای EEG در سطح پوست سر قرار می‌گیرند و میدان الکتریکی حاصل از فعالیت نورون‌ها[5] راه اندازه­گیری می‌کنند. در مرحله بعد این امواج مطالعه شده و ویژگی‌های مورد نظر استخراج می گردد 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 در نظر داشتن پایین بودن نسبت سیگنال به نویز در این سیستم آغاز یک پیش پردازش و عملیات حذف نویز بر روی این سیگنال ها انجام می­گردد. مرحله بعد مرحله استخراج ویژگی می باشد که در فصل­های بعد در مورد انواع ویژگی­ها و روش های استخراج ویژگی صحبت می­کنیم در نهایت با بهره گیری از ویژگی­های استخراج شده اقدام دسته­بندی را انجام می­دهیم.

واسط مغز و رایانه ممکن می باشد ساختاری ثابت داشته باشد یا اینکه به صورت انطباقی باشد و خود را با مشخصه یا مشخصه­های سیگنال انطباق بدهد. همچنین ممکن می باشد از خروجی سیستم به نوعی به شخص مورد آزمایش فیدبک[6] داده گردد. این روش به بیوفیدبک معروف می باشد.

در اولین همایش بین المللی که در ژوئن 1999 برگزار گردید یک تعریف معمول برای BCI به صورت زیر ارائه گردید[2]: (یک واسط مغز و رایانه یک سامانه ارتباطی می باشد که وابسته به مسیرهای خروجی نرمال سامانه عصبی جانبی و ماهیچه‌ها نیست) سیگنال­های الکتریکی مغز از نظر دامنه و فرکانس با بعضی دیگر از سیگنال­های حیاتی همپوشانی دارند، پس در تعریف BCI بر مستقل بودن سیگنال­ها از سایر سیگنال­های عصبی و عضلانی تاکید شده می باشد.

2-1- تاریخچه BCI

اولین کوشش­ها در زمینه تعامل بشر با رایانه همزمان با کشف سیگنال­های EEG شروع گردید و دانشمندان کوشش کردند که بین این سیگنال­ها و فعالیت های مغزی ارتباط مستقر کنند[1]. اما با در نظر داشتن اینکه در آغاز این سیگنال­ها بسیار آشفته و دارای نویز بودند، از این سیگنال­ها فقط در پزشکی بهره گیری می­گردید و فقط پزشکان متخصص با در نظر داشتن 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 کوشش را انجام داد. او بر روی سیگنال عملیات ریاضی کار نمود و نشان داد که اگر فرد عملیات فکری خاصی را انجام ندهد در %66 سیگنال مغزی آن توزیع گوسی می باشد 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 کانال، سیگنال EEG را ثبت نمودند. سپس به کمک یک تفکیک کننده بیز[1] از توان باند­های مختلف فرکانسی بعنوان ویژگی­هایی جهت تفکیک این فعالیت­های ذهنی بهره گیری کردند. آنها در ضمن کار خود این ایده را مطرح نمودند که فعالیت­های مختلف ذهنی می­توانند بعنوان الفبایی جهت برقراری ارتباط مستقیم مغز با دنیای خارج بهره گیری گردد؛ بطوریکه شخص می­تواند با ترکیب و انتخاب توالی چند فعالیت مشخص مقصود خود را به دنیای خارج منتقل کند.

چند سال بعد دکتر Anderson و همکارانش [5,6] کار این دو محقق را ادامه دادند. این گروه در اغلب کار­های خود از همان پنج فعالیت ذهنی بهره گیری کردند. آنها پارامترهای آماری همچون ضرایب(AR)[2] را تخمین زدند و با بهره گیری از این ضریب ویژگی­های را برای دسته بندی و تشخیص این پنج اقدام استخراج کردند. بعد از استخراج ویژگی به کمک شبکه عصبی اقدام دسته­بندی را انجام دادند.

Pfrutscheller و همکارانش [7-11] در مرکز Graz اتریش در تحقیقات خود از سیگنال­های ثبت شده در حین حرکت انگشت تصریح و یا در حین تصور حرکت دادن دست راست و چپ بهره گیری نموده­اند. آنها در کار­های خود از خروجی­های مختلفی همچون حرکت یک نشانگر بر روی مانیتور، انتخاب حروف و کلمات و کنترل یک پروتز مصنوعی بهره گیری کرده­اند. آنها جهت استخراج ویژگی از چند روش بهره گیری کردند. روش اول استخراج پارامترهای AR و روش دیگر محاسبه توان باندهای مختلف فرکانسی، که این باندها متناسب با شخص انتخاب می­شوند. به گفته Pfrutscheller برای این کار از یک تابع فاصله وزندار جهت تعیین اندازه تأثیر هر مؤلفه فرکانسی بر اقدام دسته بندی بهره گیری شده می باشد. به این روش (DSLVQ) [3] می­گویند. این اقدام برای تمام فرکانس­ها در فاصله HZ 30-5 انجام می­گردد تا مؤلفه­های فرکانسی مناسب برای آن شخص بدست آید. آنها برای دسته­بندی هم عموما از دو روش بهره گیری نموده­اند. روش اول روش­های مبتنی بر شبکه عصبی (مانند LVQ)[4] و روش دوم مبتنی بر تفکیک کننده­های خطی.[5] (LDA) آنها جهت بهبود عملکرد سیستم خود در بعضی موردها از تکنیک­های بیو فیدبک هم بهره گیری نموده­اند. بعنوان مثال با نشان دادن یک فلش روی مانیتور از کاربر خواسته می­گردد که تصور حرکت دادن دست راست یا چپ را ا نجام دهد. با انجام مکرر این کار ، تفکیک کننده را برای تفکیک این دو اقدام آموزش می­دهند . سپس در مرحله آزمایش هر بار که از شخص خواسته می­گردد که حرکت دادن یک دست را تصور کند با بهره گیری از تفکیک کننده تعلیم دیده سیگنال مغزی او را دسته­بندی می کنند. هر بار بسته به اندازه خطای تفکیک کننده یک علامت فلش با طولی متناسب با اندازه خطا روی صفحه رسم می­گردد . این علامت در واقع یک فیدبک می باشد که با دیدن آن شخص کوشش می­کند که هر بار طول علامت خطا را کم کند.

Wolpaw و همکارانش[12 ] بیشتر در زمینه پزشکی کار کردند پس کارهای آنها عموما از پشتوانه فیزیولوژیک خوبی برخوردار می باشد اما روش­های پردازشی آنها نسبتا ساده می باشد. اساس کار آنها بر این مبناست که افراد را می­توان بگونه­ای آموزش داد که بتوانند بعضی از ویژگی­های سیگنال مغزی خود را کنترل کنند.

به گونه کلی مانند تحقیقاتی که در طی سالیان دراز در زمینه BCI انجام گرفته می باشد می توان به تصور حرکت دادن دست راست و چپ ، حرکت دادن انگشتان تصریح دو دست، انجام پنج فعالیت ذهنی: حالت استراحت, نامه نگاری، شمارش، ضرب ذهنی و دوران ذهنی ، انجام عملیات ضرب با اندازه پیچیدگی مختلف، گوش دادن به انواع موسیقی، انجام فعالیتهای احساسی و عاطفی و رانندگی شبیه سازی شده تصریح نمود که در هر زمینه محققین زیادی کار کرده­اند و به نتایج قابل قبولی دست یافته ­اند.

[1] Bayes

[2] Autoregressive

[3] Distinction Sensitive Learning Vector Quantization(DSLVQ)

[4] Learning Vector Quantization

[5] Linear Discriminant Analysis

[1] Human Computer Interface(HCI)
جستجو در سایت :   


[2] Brain-Computer Interface(BCI)

[3] Electroencephalography

[4] Hans Berger

[5] neurons

[6] Feedback

تعداد صفحه : 105

قیمت : 14700 تومان

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشدرشته کامپیوتر :طراحی اینترفیسی درسرویس ذخیره سازی شبکه های توری

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :       

****         serderehi@gmail.com