27003

مقاوم‌سازي استخراج ويژگي‌ها و مُدل رمزگشايي در برابر نويز و نقاط پَرت در سيستم‌هاي BCI

دكتري

مهندسي برق الكترونيك

1395-1400

1400/09/01

دكتر محمدرضا دليري

دكتر وحيد شالچيان

برق

واسط‌هاي مغز-كامپيوتر (BCIs)، سيستم‌هايي هستند كه اطلاعات مغزي را ثبت و رمزگشايي كرده و دستورات كنترلي مناسبي صادر مي‌كنند. براي طراحي يك سيستم BCI، ابتدا لازم است تا طي يك مرحله‌ي آموزشي، پارامترهاي مُدل رمزگشا براي هر كاربر به طور جداگانه تعيين شود. وجود نويز، داده‌هاي پَرت و داده‌هاي بي‌ربط به خروجي در يادگيري پارامترهاي اين سيستم‌ها تأثير گذاشته و ممكن است باعث كاهشِ كاراييِ رمزگشايي و يا وقوع پديدهي بيش‌برازش شود. در اين رساله، دو هدف اوليه دنبال مي‌شد. هدف اول بحث مقاوم‌سازي رمزگشايي در برابر پديده‌ي بيش‌برازش بود كه در اين راستا روشي تحت عنوان رگرسيون حداقل مربعات جزئي رگوله شده (RPLS) ارائه شد و نشان داديم كه اين روش در رمزگشايي پيوسته‌ي خروجي مطلوب در داده‌هاي واقعي، كارايي رمزگشايي بهتري نسبت به رگرسيون حداقل مربعات جزئي (PLS)، رگرسيون ريج و روش PLS با ضرايب رگوله شده (PLSRW) داشته (به ترتيب 13.1%، 8.5% و 8.4% بهبود در معيار ميانگين مجذور خطاي نرمال شده يا NMSE تخمين پيوسته‌ي خروجي مطلوب) و همچنين در زمان حضور نويز و نقاط پَرت در داده‌هاي نيمه شبيه‌سازي نيز نسبت به اين روش‌ها منجر به كارايي رمزگشايي بهتري شده است. هدف ديگري كه در اين رساله دنبال مي‌كرديم، پاسخ به اين سؤال بود كه آيا استفاده از روش الگوهاي فضايي مشترك (CSP) براي استخراج فيلترهاي فضايي امكان‌پذير است يا خير. بدين منظور در مطالعات اوليه ابتدا روش نويني براي استخراج و بهينه‌سازي هم‌زمان فيلترهاي فضايي و طيفي در BCIهاي مبتني بر تصورات حركتي ارائه كرده و نشان داديم كه اين روش در داده‌هاي واقعي كارايي بهتري نسبت به CSP و بانك فيلتر CSP (FBCSP) با دو نوع تقسيم باندهاي فركانسي مختلف دارد (به ترتيب 9.6%، 8.8% و 6.8% بهبود در معيار صحت طبقه‌بندي). سپس در مطالعه‌اي ديگر، با ارائه‌ي يك تابع هزينه‌ي نوين به نام واگرايي كوبلك-ليبلر دو طرفه، روشي براي تخمين ماتريس كوواريانس در CSP ارائه كرده و نشان داديم كه در داده‌هاي واقعي استفاده از اين روش نسبت به تخمين ماتريس كوواريانس با استفاده از ميانگين ماتريس‌هاي كواريانس آزمايش‌ها و ميانگين ماتريس‌هاي كواريانس نرمال‌شده‌ي آزمايش‌ها در CSP منجر به عملكرد رمزگشايي بهتري مي‌شود (به ترتيب 19.6% و 14.6% بهبود در معيار صحت طبقه‌بندي). همچنين نشان داديم كه اين روش در شرايط حضور نويز در داده‌هاي نيمه شبيه‌سازي نيز نسبت به دو روش ديگر منجر به صحت طبقه‌بندي بالاتر مي‌شود. از طرف ديگر در اين رساله به دنبال يك روش غير خطي رمزگشايي پيوسته بوديم كه كارايي تخمين بهتري نسبت به روش‌هاي مرسوم رگرسيون خطي داشته باشد و هم‌زمان دچار پديده‌ي بيش‌برازش نيز نشود. از اين رو روشي تحت عنوان PLS بهبود يافته توسط مُدل مخلوط گوسي (GMMPLS) ارائه كرديم. GMMPLS يك روش رمزگشايي "مبتني بر حالت" كاملا اتوماتيك بوده و برخلاف ساير روش‌هاي "مبتني بر حالت"، نيازي به هيچ‌گونه اطلاعات پيشين راجع به خروجي مطلوب و ساختار آن ندارد. نشان داديم كه اين روش نسبت به روش PLS، روش غير خطي PLS مرتبه دو (QPLS) و روش PLS بيزي (BPLS) منجر به كاراييِ رمزگشاييِ بالاتري در تخمين پيوسته‌ي خروجي مطلوب در سيستم‌هاي BCI (داده‌هاي واقعي) مي‌شود ( به ترتيب 39.6%، 34.8% و 34.8% در معيار ضريب تعيين يا R2 رمزگشايي پيوسته خروجي مطلوب). همچنين با استفاده از داده‌هاي شبيه‌سازي شده نشان داديم كه GMMPLS در شرايط نويزي و حضور نقاط پَرت نيز نسبت به روش‌هاي ديگر كاراتر است. در نهايت لازم به ذكر است كه ما در اين رساله به نتايج مطلوبي در بحث استفاده از CSP براي استخراج ويژگي در BCIهاي مبتني بر رمزگشايي پيوسته دست نيافتيم و حتي روش‌هايي كه تاكنون در زمينه‌ي استفاده‌ي CSP در رگرسيون ارائه شده نيز منجر به نتايج مطلوبي در مجموعه داده‌هاي تحت اختيار ما نشد.

1401/06/27

Robust feature extraction and decoding model against noise and outlier samples in BCI systems

11/22/2022 12:00:00 AM

Brain-Computer Interfaces (BCIs) are systems that record and decode brain information and issue proper commands. For designing a BCI system, first, we should obtain model parameters for each subject separately. The presence of noise, outliers, and irrelevant samples in the recorded input and output may affect parameters learning in the decoding model which may lead to low decoding performance and/or the over-fitting phenomenon. In this Ph.D. thesis, we sought two main goals. The first goal was the decoding robustness against the over-fitting phenomenon and in this area, we proposed a method called robust partial least square regression (RPLS) and demonstrated that this method led to a higher decoding performance compared to partial least square (PLS) regression, ridge regression (RR) and PLS with regularized weights (PLSRW) (13.1%, 8.5%, and 8.4% improvement in the desired output continuous decoding). In addition, this method led to a performance improvement in the presence of different levels of noise and outliers samples in the semi-simulated dataset. The second goal of this thesis was to answer this question: could we utilize the common spatial patterns method (CSP) for extracting proper features in a continuous decoding paradigm in a BCI system or not? For this purpose in primary studies, first, we developed a novel method for optimizing spatial and spectral filters simultaneously in motor imagery-based BCI systems. We showed that the proposed method led to a higher classification performance compared to conventional CSP and the filter bank CSP (FBCSP) (9.6%, 8.8%, and 6.8% improvement in accuracy criterion). Next, in another study, we proposed a novel cost function called two-way Kullback Leibler divergence for estimating covariance matrices in the CSP method and illustrated this method led to higher accuracies in motor imagery-based BCI systems compared to conventional covariance matrix estimation methods (19.6% and 14.6% improvement in accuracy criterion). In addition, we illustrated that this method outperformed other methods in the presence of noise and outlier samples in a semi-simulated dataset. On the other hand, in this thesis, we have sought a nonlinear continuous decoding method for improving decoding performance compared to conventional linear regression methods and also without falling into over-fitting. Therefore, we proposed a method called Gaussian mixture of model (GMM)-assisted PLS (GMMPLS). GMMPLS is a fully automatic state-based continuous decoding algorithm which does not demand any prior information about the desired output structure. We illustrated that this novel method outperformed conventional PLS, the nonlinear quadratic PLS (QPLS), and the bayesian PLS (BPLS) methods through two different real-world BCI datasets (39.6%, 34.8%, and 34.8% improvement in the correlation of determination R2 of the desired output estimation). In addition, higher performance of the presented method in a simulated dataset and a semi-simulated dataset containing different levels of noise and outlier samples was shown. In the end, it is worth mentioning that we did not achieve favorable results and performances for our second goal “utilizing CSP for feature extraction in continuous decoding”, and even the previously proposed algorithms for this purpose did not lead to proper results in our datasets.

سيستم‌هاي واسط مغز كامپيوتر (BCI) , رمزگشايي پيوسته , رمزگشايي گسسته , بيش‌برازش , مقاومت به نويز , الگوهاي مشترك فضايي (CSP) , رگرسيون حداقل مربعات جزئي (PLS) , نقات پَرت

Brain-computer interface (BCI) , Continuous decoding , Discrete decoding , Over-fitting , Robustness , Common spatial pattern (CSP) , Partial least square regression (PLS) , Outlier samples

Reza Foodeh

Dr. Mohammad Reza Daliri