16602

16602

كنترل حركت وسيله نقليه با استفاده از پتانسيل هاي مغزي برانگيخته بينايي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

آبان ماه 1395

دكتر عباس عرفانيان اميدوار

برق

در چند دهه اخير استفاده از سيگنال¬هاي مغزي الكتروانسفالوگرام (EEG) و پردازش آن به منظور برقراري ارتباط با دنياي خارج، موجب پيدايش سامانه¬هاي واسط مغز–كامپيوتر (BCI) شده است. سيگنال P300 يكي از انواع سيگنال هاي مغزي مي¬باشد كه در سامانه¬هاي BCI استفاده مي¬شود. سيگنال P300 نوعي پتانسيل برانگيخته بينايي است كه اغلب با تحريك بينايي با الگوي معيني برانگيخته مي¬شود. در اين تحقيق كنترل وسيله نقليه با استفاده از سيگنال بينايي 300P انجام شد. براي انجام تحقيق، يك الگوي تحريك بينايي براي برانگيخته كردن 300P، شامل 6 كليد طراحي شد و همزمان با تحريك بينايي ثبت سيگنال EEG از 5 نفر انجام شد. هر آزمايش در دو حالت برون خط و برخط انجام شد. پس از ثبت سيگنال و انجام پيش¬پردازش¬هاي لازم، از چهار روش CSP، CTP و FLD و روش پيشنهادي براي استخراج ويژگي، و از سه روش LDA، SVM و بيز براي طبقه¬بندي داده شامل 300P (هدف) و داده غير 300P (غيرهدف) استفاده شد. روش پيشنهادي در اين تحقيق بصورت تعريف يك تابع هدف با توجه به روش FLD و نسبت سيگنال به نويز بود كه براي حداكثر كردن آن از الگوريتم ژنتيك استفاده شد. نتايج تركيب¬هاي مختلف استخراج ويژگي و طبقه¬بندي با يكديگر مقايسه شد و روش استخراج ويژگي پيشنهادي و طبقه¬بندي كننده SVM بهترين نتيجه را داشت. بنابراين، براي حالت برخط از اين روش استفاده شد. در حالت برون خط و با استفاده از روش استخراج ويژگي پيشنهادي و طبقه¬بندي كننده SVM، ميانگين دقت طبقه¬بندي همه افراد، با استفاده از داده¬هاي تك آزمون و دو آزمون، به ترتيب، 11/1± %71/87 و 84/0± %80/95 بود. اين نتايج بر مبناي اعتبارسنجي متقابل 10 بخشي با سه بار تكرار و ميانگين¬گيري بدست آمده است. با استفاده از اعتبارسنجي يكي- بيرون، و با استفاده از روش استخراج ويژگي پيشنهادي و طبقه¬بندي كننده SVM، ميانگين دقت همه افراد با استفاده از داده¬هاي دو آزمون، 20/1±%49/95 بدست آمد. در حالت برخط، ميانگين دقت همه افراد 73/4± % 28/89، و ميانگين نرخ انتقال اطلاعات همه افراد 87/5± 03/86 بيت بر دقيقه بود. واژه‌هاي كليدي: الكتروانسفالوگرام، پتانسيل 300P، استخراج ويژگي، طبقه بندي كننده ماشين بردار پشتيبان، اعتبارسنجي متقابل، اعتبارسنجي يكي- بيرون، الگوريتم ژنتيك، نرخ انتقال اطلاعات.

1395/11/20

1/1/1900 12:00:00 AM

In recent decades, using of Electroencephalogram (EEG) an​d processing of it for communicating to surroundings, caused Brain Computer Interface (BCI) appear. P300 signal is a type of EEG signal that used in BCIs system. P300 is a visual evoked potential that usually is evoked using specific pattern stimulation. In this research, vehicle control using P300 signal done. For this work, a visual stimulation pattern for evoking P300, containing six keys designed an​d EEG recorded simultaneously from five subjects. Any experiment has two states: offline an​d online. In offline experiment, after EEG recording an​d preprocessing, four feature extraction methods; CSP, CTP, FLD an​d proposed method, an​d three classification methods; LDA, SVM an​d Bayes, used for classification P300 an​d non-P300 signals. Proposed method in this research introduced as cost function using FLD an​d SNR, an​d for maximization of it, Genetic Algorithm used. Results of different feature extraction an​d classification methods compare an​d among them SVM classifier using proposed feature extraction method (SVM+GA) has the best result an​d so, in online experiments used from it. In offline results, SVM+GA mean accuracy of all subjects, for single an​d double trials, respectively, was 87.71% ± 1.11 , 95.80% ± 0.84. These results averaged on 10-fold cross validation. Using Leave-One-Out validation method, mean accuracy of all subjects for double trials was 95.49% ± 1.20 for SVM+GA. In online results, mean accuracy of all subjects was 89.28% ± 4.73 an​d mean Information Transfer Rate (ITR) was 86.03 ± 5.87 bits/min.