16721

16721

ارزيابي سيگنال هاي مغزي در شناسايي اشيا

كارشناسي ارشد

الكترونيك

بهمن 1395

دكتر ميرزاكوچكي

دكتر دليري

برق

چكيده سيگنال هاي مغزي الكتروانسفالوگرام كه در سالهاي اخير بسيار مورد توجه پژوهشگران حوزه عصب شناسي قرار گرفته اند، كاربردهاي حياتي مهمي در زمينه هاي مختلف پزشكي و همچنين سيستم هاي رابط كامپيوتري با مغز دارند. اين سيگنال ها بر روي پوست سر ظاهر مي شوند و عمدتا در 5 باند فركانسي مختلف دلتا، تتا، آلفا، بتا و گاما تقسيم بندي ميشوند. همگام سازي و ارتباط بين اين باندهاي فركانسي، تزويج فركانس متقابل ناميده مي شود به طوريكه اين تزويج فركانس متقابل مي تواند به عنوان تعامل متقابل بين دامنه، فاز و فركانس سيگنال تفسير بشود. در اين رساله از سيگنال هاي الكتروانسفالوگرام كه از كاربران در حين مشاهده 10 دسته تصوير سه بعدي مختلف در حين اجراي يك آزمايش از نوع One-Back ، شامل تصاوير البسه و حوله، پرده، وسايل الكترونيكي، لامپ، قوري و ليوان، وسايل ورزشي، وسايل حمام، ميز و صندلي، درخت و وسايل نقليه كه در دو جهت ديد از روبرو و ديد كناري ثبت شده اند، استفاده شده است و همچنين به منظور بررسي بيشتر از يكسري از داده هاي آماده كه از كاربران در حين مشاهده 12 دسته شامل حيوان، گل، غذا، ميوه، ساختمان، لوازم تحرير، عروسك، جواهرات، لباس، وسايل حمل و نقل، اعضاي بدن انسان و لوازم الكتريكي كه تنها از ديد روبرو ثبت شده اند، نيز در جهت بررسي تزويج فركانس- فركانس كه معيار جديد و پيشنهادي اين رساله در ارزيابي نحوه ارتباط نواحي مختلف مغزي مي باشد، استفاده شده است. ويژگي هاي تزويج به دو طريق استخراج شده اند كه عبارتند از: درون الكترودها، و بين پنج ناحيه مغزي شامل نواحي جلويي، مركزي، آهيانه اي، گيجگاهي و پس سري. جهت استخراج ويژگي از ويژگي هاي عملكردي و تاثيري استفاده شده و همچنين جهت طبقه بندي ويژگي ها، از طبقه بندي ماشين بردار پشتيبان چندكلاسه و كلاس بندي K نزديكترين همسايه (KNN) استفاده شده است. نتايج بدست آمده از طريق استخراج ويژگي و انتخاب ويژگي هاي برتر اسكالر نظير منحني مشخصه عملكرد سيستم (ROC) و روش آناليز واريانس(آنوا)، حاكي از صحت طبقه بندي و وجود ارتباط هاي اطلاعاتي در حالت تزويج فركانسي- فركانسي بين نواحي و باندهاي فركانسي مختلف مغزي مي باشد. واژه‌هاي كليدي: تزويج فركانس متقابل، سيگنال الكتروانسفالوگرام، ماشين بردار پشتيبان(SVM)، كلاس بندي K همسايه نزديكترين(KNN)، تزويج فركانس به فركانس، انتخاب ويژگي

1395/12/02

1/1/1900 12:00:00 AM

Abstract: Nowadays, EEG signals have been considered under a great attention because of their wide applications in vital roles such as, bio-medical science, medical industry an​d especially in brain computer interface (BCI) systems. EEG signals are appearing in 5 frequency bands which are called Delta, Theta, Alpha, Beta an​d Gamma. The synchronization an​d relation between these bands are called frequency coupling an​d this coupling can be occurred between amplitude, phase an​d frequency. In this thesis, it is used from two EEG recorded signals database in order to assess the functional of frequency-frequency coupling. The first EEG recorded signals is an One-Bakc task which was recorded by showing 3D images of 10 different categories involves clothes an​d towel, curtains, electrical devices, lamps, pots an​d glasses, sport equipments, bath countertops, tables an​d desks, trees an​d vehicles which are shown in both front an​d side view. The another EEG database is a selective task which users must reaction after showing 12 different categories of images involves animals, flowers, foods, fruits, buildings, stationeries, dolls, jewelleries, clothes, transportations, humans body organs an​d electrical devices which are shown just in front view. The frequency-frequency coupling an​d features were extracted in three ways: 1- Within each electrodes 2- Between five brain areas (Frontal, Cerebral, Temporal, Occipital an​d Parietal). The results which are calculated by using Support Vector Machine (SVM) an​d K-Nearest neighbor (KNN) an​d scalar feature selction methods such as, Receiver Operating Characteristics (ROC) an​d variance test method (Anova) are showing there would be a meaningful information connectivity between brain areas an​d frequency bands. Keywords: Cross-Frequency Coupling, Electroencephalogram Signal, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Frequency-Frequency Coupling (FFC), Scalar Feature Selection