16901

16901

پردازش سيگنال پتانسيلهاي ميداني مغز براي بهبود رمزگشايي در BCI

كارشناسي ارشد

بيوالكتريك

شهريور ماه 1395

دكتر محمدرضا دليري

دكتر وحيد شالچيان

برق

چكيده پردازش سيگنال پتانسيل هاي ميداني، موضوعي مهم براي سيستم هاي BCI است. در اين بين حذف آرتيفكت، كيفيت سيگنال هاي مغزي را افزايش داده و در نتيجه مي تواند منجر به افزايش عملكرد رمزگشايي در سيستم هاي BCI شود. در اين پايان نامه ما روشي نوين، خودكار و غير نظارتي را براي حذف آرتيفكت هاي غير گوسي از پتانسيل هاي ميداني چند كاناله براي استفاده در سيستم هاي واسط مغز-كامپيوتر (BCI) ارائه مي كنيم. اين روش كه فيلتر تخمين حداقل نويز (MNE) ناميده مي شود، از يك حد آستانه گذاري تكرار شونده به همراه خارج قسمت رِيلي استفاده مي كند تا تخميني از نويز را به دست آورده و آن را در سيگنال اصلي حداقل سازد. فيلتر MNE براي پياده سازي به اطلاعات اوليه راجع به نوع پتانسيل ميداني نياز ندارد. در نتيجه اين روش قابل استفاده بر روي الكتروانسفالوگرام (EEG)، الكتروكورتيكوگرام (ECoG) و پتانسيل هاي ميداني محلي (LFP) است. عملكرد روش پيشنهادي به عنوان بخش پيش پردازش در پروسه ي رمزگشايي بر روي دو مجموعه داده ي مختلف ECoG (رگرسيون) و EEG (طبقه بندي) ارزيابي مي شود. نتايج به دست آمده نشان مي دهد كه روش پيشنهادي MNE به طور معناداري نسبت به روش هاي شناخته شده ي  حذف آرتيفكت مرجع مشترك ميانگين (CAR)، لاپلاسين، آناليز مولفه هاي مستقل (ICA) و حذف نويز ويولت عملكرد بالاتري دارد. اين عملكردِ بالاتر در داده هاي شبهشبيه سازي شده ي ECoG با سطح نويز هاي مختلف نيز ديده مي شود. همچنين حجم محاسباتي روش پيشنهادي نسبت به روش‌هاي ICA و حذف نويز پايين‌تر است. موضوعي كه استفاده از MNE را در پياده سازي آنلاينِ سيستم هاي BCI جذاب مي كند. واژه‌هاي كليدي: واسط مغز-كامپيوتر (BCI)، پتانسيل هاي ميداني، حذف آرتيفكت، الكتروكورتيكوگرام (ECoG)، الكتروانسفالوگرام (EEG).

1395/12/17

1/1/1900 12:00:00 AM

Abstract: Field potentials signal processing is a crutial step in brain computer interface (BCI). Artifact removal is a signal processing scheme which improved signal quality an​d decoding performance. In this tesis a novel automated an​d unsupervised method for removing artifacts from multichannel field potential signals is introduced which can be used in BCI applications. The method, which is called minimum noise estimate (MNE) filter is based on an iterative thresholding followed by Rayleigh quotient which tries to find an estimate of the noise an​d to minimize it over the original signal. MNE filter is capable to operate without any prior information about field potential signals. Thus it could be performed on electroencephalogram (EEG), electrocorticogram (ECoG) an​d local field potentials (LFP) signals. The performance of the proposed method is eva​luated by its application on two different type of signals, i.e., ECoG an​d EEG datasets, through a decoding procedure. The results indicate that the proposed method significantly outperforms over well-known artifacts removal techniques such as common average referencing (CAR), Laplacian method, independent component analysis (ICA) an​d wavelet denoising approach. In addition, MNE filter has less time complexity compare to ICA an​d wavelet denosing. Thus it could be an interesting method for online implementation. Keywords: Brain computer interface (BCI), Field potentials, Artifact Removal, Electrocorticogram (ECoG), Electroencephalogram (EEG).