17844

17844

طراحي يك سيستم BCI بر اساس فعاليت هاي ذهني در سيگنال هاي EEG با استفاده از شبكه هاي عصبي مصنوعي

كارشناسي ارشد

الكترونيك

شهريور 1396

دكتر احمد آيت اللهي

دكتر سيد محمد رضا موسوي ميركلايي

برق

چكيده هرچند در مقايسه با ساير وسايل كنترلي، دستگاه‌هاي مبتني بر ارتباط مغز و رايانه قابليت استفاده پيدا نكرده¬اند، براي كساني كه ازلحاظ حركتي ناتوان هستند، دستگاه‌هاي مبتني بر ارتباط مغز و رايانه مهم‌ترين وسيله¬ي برقراري ارتباط با جهان خارج هست. از اين دستگاه‌ها براي دستور دادن به وسايل كنترلي استفاده مي‌شود. اين وسايل مي¬توانند توانايي¬هاي يك شخص را گسترش دهند. يكي از موضوعاتي كه جديداً با افزايش روزافزون تعداد تصادفات و مشكلات مغزي و نخاعي و همچنين با پيشرفت علم مهندسي پزشكي موردتوجه قرارگرفته است، برقراري ارتباط با مغز از طريق رايانه مي‌باشد. اين موضوع مي¬تواند به افراد ناتوان جسمي كمك كند تا با محيط اطراف خود به‌خوبي ارتباط برقرار كنند.در راستاي كمك به بيماران داراي مشكلات تكلمي و حركتي، ساخت پروتزهاي عصبي و عضلاني و تجهيزات توان‌بخشي روباتيك با قابليت كنترل مستقيم توسط سيگنال‌هاي مغزي در سال‌هاي اخير موردتوجه قرارگرفته است و تحقيقات گسترده‌اي به‌منظور ارتقاء نرم‌افزاري و سخت‌افزاري دستگاه‌ها انجام‌شده است. دستگاه‌هايي كه از طريق سيگنال¬هاي مغزي پلي ميان افراد و محيط بيرون ايجاد مي¬كنند، دستگاه‌هاي مبتني بر BCI ناميده مي¬شوند. اساس كار اين سيستم طبقه¬بندي سيگنال¬هاي مغزي براي دستيابي به برخي خواسته¬ها يا تفكرات فرد مورد آزمايش است. براي اين طبقه¬بندي روش¬هاي گوناگوني بسته به ويژگي¬هاي انتخابي الگوريتم¬هاي كاهش ويژگي و روش¬هاي طبقه¬بندي وجود دارد كه براي دستيابي به بهترين نتيجه در طبقه‌بندي هر مجموعه از داده¬ها بايد اين عامل‌ها را تعيين كرد. در اين تحقيق يك سيستم BCI با استفاده از شبكه‌هاي عصبي مصنوعي پيشنهاد مي¬شود. اين شبكه¬هاي عصبي پيشنهادي با استفاده از الگوريتم¬هاي فراابتكاري مختلف آموزش داده مي¬شود و درنهايت بهترين الگوريتم‌ها در اين تحقيق آورده شده و كارآيي سيستم BCI پيشنهادي موردبحث و بررسي قرار مي¬گيرد. درنهايت با اين سيستم پيشنهادي، براي برخي از فرد مورد مطالعه¬¬ها نظير DS1c نرخ طبقه‌بندي به نزديك به 100 درصد و براي بقيه¬ي فرد مورد مطالعه¬ها به بالاي 90 درصد با حفظ سرعت مطلوب ارتقا پيدا كرد. واژه¬هاي كليدي: طبقه¬بندي، بازشناسي، BCI، EEG، تصورات حركتي، شبكه¬هاي عصبي.

1396/07/05

1/1/1900 12:00:00 AM

Abstract: However, brain-computer-based devices have not been usable compared to other controls, and for people with disabilities, brain-computer-based devices are the most important means of communicating with the outside world. These devices are used to order equipment and so on. These tools can extend the capabilities of a person. One of the issues that have recently been extended with the increasing number of crashes and brain and spinal cord problems, as well as the advancement of medical engineering science, is communicating between the brain and computer.This can help people with disabilities to communicate well with their surroundings. In order to help patients with speech and movement problems, neural and muscular prosthetics and robotic rehabilitation equipment with direct control of brain signals in recent years has been taken into consideration and extensive research has been done to upgrade the software and hardware of the devices. Devices that generate bridge between between people and the outside environment using brain signals are called BCI-based devices. The basis of this system is the classification of brain signals to achieve some of the person's wishes or thoughts. For this classification, there are various methods depending on the characteristics of the feature-specific attrition algorithms and classification methods, which should determine these factors in order to achieve the best results in classifying each set of data. In this research, a BCI system is proposed using artificial neural networks. The proposed neural networks are taught using various meta-innovative algorithms, and ultimately, the best algorithms in this study are presented and the performance of the proposed BCI system is discussed. . Finally, with this proposed system, for some subjects such as DS1c, the classification rate was nearly 100%, and for the rest of the subjects, up to 90%, with the maintenance of optimal speed. Keywords: Calssification; Recognition; BCI; EEG; Motor Imageries; Neural Networks;