23704

طراحي يك سامانه واسط مغز-رايانه برخط براي كاربرد هجي كردن

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1396

1399/9/30

دكتر عباس عرفانيان اميدوار

-

برق

يك سيستم واسط مغز-كامپيوتر مبتني بر سيگنال مغزي، باعث ايجاد مسيرهاي ارتباطي ميان مغز انسان و وسايل خارجي مي¬شود. سيگنال P300 يكي از انواع سيگنال¬هاي مغزي مي¬باشد كه مي¬تواند براي سيستم¬هاي واسط مغز-كامپيوتر مورد استفاده قرار گيرد. درواقع نوعي پتانسيل برانگيخته بينايي است كه 300 ميلي-ثانيه پس از تحريك، در سيگنال مغزي فرد ظاهر مي¬گردد. از فاكتورهاي مهم كه همواره در سيستم¬هاي واسط مغز-كامپيوتر مبتني بر P300 حائر اهميت بوده، سرعت و دقت ارتباط مي¬باشد. در اين تحقيق كنترل صفحه¬كليد به صورت برخط با سيگنال P300 انجام گرفت. بدين منظور، يك رابط كاربر گرافيكي نوآورانه با 9 كليد به عنوان منوي اصلي طراحي شده است. يكي از كليدها براي روشن و خاموش كردن سيستم، و هشت كليد ديگر براي پشتيباني از 56 كاراكتر صفحه¬كليد (50 كاراكتر فعال)، شامل: حروف، اعداد، علائم نوشتاري، و قابليت¬هايي مانند حذف، خط فاصله، خط جديد، تبديل حروف كوچك به بزرگ و بازگشايي صفحه word دارد، مي¬باشد. در بخش استخراج ويژگي ابتدا ماتريس فوق-كواريانس هر ترايال را محاسبه كرده تا وارد فضاي مثبت معين متقارن شود. اين فضا كمك مي¬كند كه ويژگي¬هاي دو كلاس هدف و غيرهدف به خوبي از هم متمايز شوند و استفاده از روابط مربوط به هندسه ريماني، مجاز گردد. سپس از روش كاهش بعد مبتني بر گراف ريماني كلاس¬ها براي كاهش ابعاد ماتريس فوق-كواريانس استفاده كرديم كه به طور همزمان كلاس¬هاي يكسان را بهم نزديك كرده و كلاس¬هاي غيرهمسان را از هم دور مي¬كند. در بخش طبقه¬بندي، از روش فيلتر هندسي-حداقل فاصله تا ميانگين ريماني (fgMDRM) بكار گرفته شد. عملكرد روش پيشنهادي بر روي داده¬هاي استاندارد II از سومين مسابقه و IIb از دومين مسابقه BCI صورت گرفت كه در مقايسه با روش¬هاي پيشنهادي مطالعات اخير به نتايج بهتري دست يافتيم. سپس آزمايشات در دو جلسه برون¬خط و برخط بر روي 6 داوطلب انساني با رده سني 24-30 سال انجام گرفت. در حالت برون¬خط با 4 روش شبكه عصبي كانولوشن (CNN)، تحليل خطي تفكيك¬پذير (LDA)، ماشين¬هاي برداري پشتيبان (SVM)، و كمترين فاصله تا ميانگين ريماني (MDM) مقايسه انجام شد كه در همه موارد، روش پيشنهادي قدرتمندتر ظاهر شد و توانستيم تمايز ويژگي¬هاي دو كلاس را به صورت نمودار scatter براي هر 6 داوطلب به خوبي به نمايش بگذاريم. در آزمايشات برخط نيز از افراد خواسته شد تا جمله¬ي “Brain Computer Interface (BCI) {Enter} 2020” را با دو و سه ترايال بنويسند. پس از آن، متوسط دقت طبقه¬بندي 83/95٪ و متوسط نرخ انتقال اطلاعات (ITR) 76/71 بيت در دقيقه، براي حالت دو ترايال و متوسط دقت طبقه¬بندي 94٪ و متوسط نرخ انتقال اطلاعات (ITR) 97/43 بيت در دقيقه، براي حالت سه ترايال بدست آمد. مقايسه نتايج برخط با مطالعات اخير محققان، افزايش 83/1درصدي در دقت و 76/14 بيت بر دقيقه¬اي در ITR را نشان مي¬دهد.

1400/03/08

Designing an online Brain Computer Interface system for spelling

12/21/2021 12:00:00 AM

A brain-computer interface system (BCI) based on electroencephalogram signals creates communication pathways between the human brain and external devices. P300 signals are one of the brain signals types used for BCI systems. It is a visual evoked potential that appears in a person's brain signal, 300 milliseconds after stimulation. One of the most critical factors which have always been important in P300-based BCI systems is communication speed and accuracy. In this study, the keyboard control was performed online with a P300 signal. An innovative graphical user interface with nine keys has been designed as the main menu. One key to turn the system on and off, and eight other keys to support 56 keyboard characters, including letters, numbers, punctuation, and features such as delete, space, enter, uppercase, lowercase, and open the word page. First, in the feature extraction section, the super-covariance matrix of each trial calculated to enter a symmetric positive definite (SPD) space. This space helps distinguish well between the properties of the target and non-target classes and allows the use of Riemannian geometry relationships. Then we used the Riemann graph dimension reduction method of classes to reduce the super-covariance matrix dimensions, which simultaneously brings the same classes closer together and separates the dissident classes. The geometric filter -minimum distance to Riemannian mean (fgMDRM) method was used in the classification section. The proposed method applied to dataset IIb from BCI competition II and dataset II from BCI competition III. We achieved better results compared to the proposed methods of recent studies. Online and offline experiments were performed in two sessions on six human volunteers aged 30-24. Compared with four methods of convolutional neural network (CNN), Linear Discriminant Analysis (LDA), Support Vector Machines (SVM), and the minimum distance to the Riemannian mean (MDRM). In all cases, the proposed method appeared more robust. We were able to show the discriminative of the two classes in the form of a scatter plot for all six candidates. In online experiments, asked people to write the phrase "Brain-Computer Interface (BCI) {Enter} 2020" with two or three trials. The average classification accuracy 95/83 and 96/33 for two and three trials, respectively, and the average data transfer rate (ITR) were 71/76 and 48/47 for two and three trials, respectively. Comparing the online results with other recent studies show a 1.83% increase in accuracy and 14.76 bits per minute in ITR.

واسط مغز-رايانه، سيگنال مغزي P300، گراف ريماني، ماتريس مثبت معين متقارن (SPD)، فيلتر فضايي-كمترين فاصله تا ميانگين ريماني (fgMDRM)

Brain-Computer Interface (BCI), electroencephalogram (EEG), P300, stimulus paradigm, geodesic filter minimum distance to Riemannian mean (fgMDRM), Riemannian graph, SPD matrix.