17759

17759

ثبت و آماده سازي سيگنال EEG و پياده سازي الگوريتم هاي پردازش و دسته بندي براي توسعه سيستم هاي BCI

كارشناسي ارشد

الكترونيك ديجيتال

شهريور 1396

دكتر ستار ميرزاكوچكي

برق

سيستم¬هاي واسط مغز و كامپيوتر از جذاب¬ترين و پرچالش¬ترين پيشرفت¬هاي علمي بشر مي¬باشد كه حوزه¬هاي آن از بازي¬هاي كامپيوتري تا كمك به بيماران معلول نورون-حركتي (افرادي كه هيچ¬گونه حركت فيزيكي پايين¬تر از چشم براي آنها ممكن نيست) گسترده است. يكي از چالش¬هايي كه همواره در سيستم¬هاي واسط مغز و كامپيوتر، همانند ديگر سيستم¬هاي ديجيتال، با آن مواجه هستيم، تعادل بين سرعت و دقت سيستم است. به¬طور مثال سيستم P300-Speller كه براي انتقال جملات از فردي معلول به افراد اطراف وي طراحي شده¬است، بهتر است داراي سرعت انتقال character/min بالايي باشد يا دقت تشخيص كلمات آن بالا باشد؟ سوالي كه در اين پروژه سعي مي¬كنيم تاحدودي از هر دو جهت به آن پاسخ دهيم. در اين پروژه از چهار فرد مختلف ثبت سيگنال EEG در 10 كانال به عمل آمده¬است تا بتوانيم با پردازش سيگنال¬هاي مغزي ايشان و به¬طور ويژه توجه به پتانسيل مغزي P300 بدون هيچ¬گونه حركت ديگر از سوي فرد متوجه كلمات مدنظر وي شويم. براي اين منظور از چهل و هشت ويژگي مختلف فركانسي، زماني و شكلي استفاده شده است و بهترين گروه از ويژگي¬ها انتخاب شده و طبقه¬بندي توسط سه طبقه¬بند KNN، LDA و SVM انجام گرفته¬است كه در بهترين حالت به دقت تشخيص 86.67 درصد دست يافتيم. اما نكته¬ي مهم ديگر در اين ثبت، افزايش سرعت انتقال داده كه يكي ديگر از چالش¬هاي سيستم-هاي واسط مغز و كامپيوتر بر پايه¬ي P300 مي¬باشد، نسبت به ديگر پروژه¬هاي مرسوم در اين حوزه است. با كاهش زمان تحريك و تعداد trial هاي لازم براي تشخيص P300 توانستيم سرعت انتقال داده براي هر كاراكتر را به ميزان تقريبا دو برابر دادگان استاندارد P300-Speller برسانيم. روش¬هاي ارايه شده در اين پروژه بر روي دادگان استاندارد P300-Speller نيز پياده¬سازي گرديد كه در بهترين حالت به دقت تشخيص 90 درصد كه دقتي قابل قبول در اين حوزه است، دست يافت.

1396/06/09

1/1/1900 12:00:00 AM

Brain-computer interfaces are of most exciting and challenging achievements in science and technology which could be used in video games to helping disabled people. One of the challenges always appearing in BCIs as other digital systems is the tradeoff between speed and accuracy. In P300-Speller for example, to transfer user’s meant sentences to others, is it better to have a high character per minute factor or should we stick to high accuracy? This is one of the questions we are trying to find a solution for in this project. We have recorded EEG signals from four subjects through ten channels so by processing their brain signals and specifically the P300 potentials, without any other movement from user, we could find out what characters were in his/her mind. For this purpose we have used 48 different features in frequency and time domain and gave them to three different classifier – KNN, LDA, SVM. In the best case we have achieved %86.68 of accuracy while increasing the transfer rate to almost two times the conventional BCI competition datasets. We have also processed the Berlin P300-Speller dataset and achieved an accuracy of %90 which is acceptable in P300 detection programs.