18377

۱۸۳۷۷

تشخيص مؤلفه P300 از سيگنال‌هاي مغزي براي سيستم‌هاي رابط مغز و رايانه

كارشناسي ارشد

الكترونيك ديجيتال

آذرماه ۱۳۹۶

دكتر ستار ميرزاكوچكي

برق

امروزه سيستم‌هاي رابط مغز و رايانه بسيار گسترش يافته‌اند، يك سيستم رابط مغز و رايانه با استفاده از داده‌هايي كه با ثبت سيگنال‌هاي مغزي و پردازش و طبقه‌بندي آن‌ها به‌دست مي‌آيند به‌دنبال ايجاد ارتباط ميان انسان و رايانه است. يكي از مهم‌ترين مؤلفه‌ها در سيگنال‌هاي مغزي پتانسيل برانگيخته P300 است، اين مؤلفه بر اساس الگوي oddball هنگامي كه مغز در حين پردازش يك سري از تحريكات معمول، به يك تحريك غيرمعمول برمي‌خورد ظاهر مي‌شود، يكي از كاربردهاي P300 سيستم هجي كننده است كه با استفاده از يك ماتريس 6×6 و روشن و خاموش شدن سطرها و ستون‌ها اقدام به تشخيص كاراكتر انتخابي توسط كاربر با استفاده از اين مؤلفه مي‌كند. در اين پروژه از دو دسته داده استفاده شده است، دسته اول داده‌هاي استاندارد رقابت‌هاي BCI (رقابت سوم- مجموعه داده دوم) است كه معيار اصلي مقايسه‌ها در اين پروژه با ساير آزمايش‌ها مي‌باشد. دسته دوم داده‌هايي هستند كه با استفاده از 10 كانال و از 3 فرد ثبت شده كه پس از انجام پيش‌پردازش‌هاي لازم، مورد طبقه‌بندي و ارزيابي قرارگرفته است. از آن‌جا كه هدف اصلي اين پروژه يافتن راه‌كاري براي افزايش دقت در طبقه‌بندي داده‌ها و با در نظرگرفتن سرعت سيستم (كه كاربرد آن را در سيستم‌هاي آنلاين را تضمين كند) است، روشي پيشنهاد شده كه در آن بدون استفاده از ميانگين‌گيري از ثبت‌ها كه به‌منظور كاهش نويز استفاده مي‌شود، با استفاده از ويژگي‌هاي زماني و مرتب‌سازي آن‌ها به‌گونه‌اي خاص و استفاده از طبقه‌بندي كننده‌هاي خطي توانستيم دقت سيستم را تا حد مطلوبي بهبود و درعين حال سرعت سيستم را بالا ببريم. در اين پروژه با استفاده از روش‌هاي مختلف استخراج ويژگي كه شامل FLD، CSSSP و ويژگي‌هاي زماني است و هم‌چنين روش‌هاي مختلف طبقه‌بندي ازجمله LDA و SVM (با پارامترهاي بهينه شده) و شبكه‌هاي عصبي مصنوعي (ANN) اقدام به پردازش داده‌ها و طبقه‌بندي آن‌ها كرديم، سپس اين روش‌ها را با روش پيشنهادي مقايسه كرديم، مشاهده شد بهترين دقت در روش پيشنهادي حاصل شده است. با استفاده از اين روش توانستيم به دقت 51/98% براي فرد A و44/99% براي فرد B در طبقه‌بندي P300 (در داده‌هاي استاندارد رقابت‌هاي BCI) دست يابيم كه با توجه به ساير مطالعات در اين زمينه روش پيشنهادي بهبود داشته‌است، هم‌چنين در تشخيص حرف و با استفاده از 5 و 15 تكرار براي ميانگين دو فرد توانستيم به ترتيب به درصد 78/73% و 44/94% دست‌يابيم. علاوه بر اين، نتايج ما نشان مي دهد روش استفاده شده در اين پروژه در مقايسه با ساير روش‌ها در دقت طبقه بندي و تشخيص P300 بهبود داشته‌است. واژه‌هاي كليدي: رابط مغز و رايانه ، پتانسيل برانگيخته P300 ، شبكه‌هاي عصبي مصنوعي (ANN) ، SVM ،CSSSP

1396/10/28

1/18/2018 12:00:00 AM

A Brain- Computer Interface (BCI) is a kind of human-computer interface that collects and classifies Electroencephalogram (EEG) data to communication between human and computer. The P300 wave is an Event-related potential occurs as a response to familiar visual in an oddball paradigm, one of the common brain- computer interface application is the P300 speller that designed to comminucate language between human and computer, it uses the 6×6 matrix of characters, the subject must focus on one character and P300 occurs when the target rows or columns are flashed. To do that this study EEG recorded from 10 channels of three subjects in offline mode and after preprosessing and denoising we try to detect P300 wave. The other datasets we used them in this study the datasets provided by the BCI competition III. This study goals to detect the P300 wave as accurate as possible, So in this research, we proposed method to feature extraction and used linear discriminant without averaging from all trials for classification achieve to better performance. Results of different feature extraction methods (Fisher’s Linear Discriminant (FLD), Common Sparse Spectral Spatial Pattern (CSSSP),Time features) and classification methods (Linear Discriminant Analysis (LDA), Artificial Neural Network (ANN), support vector machine (SVM) with optimize parameters) compare and the proposed method yeilds better performance compared to the other methods. Results demonstrate a classification accuracy (P300 & Non-P300) of %98.51 and %99.44 for subject A and B, respectively, and word prediction accuracy for 5 and 15 trials was %73.78 and %96.50, respectively. In addition, our results indicate a significant improvement and progress in classification accuracy compared to the other feature extraction and classification approaches. Keywords: Brain-Computer Interface (BCI), P300 speller, Artificial Neural Network (ANN), support vector machine (SVM), Common Sparse Spectral Spatial Pattern(CSSSP)