18680

۱۸۶۸۰

ارتقاي كارآيي يك سيستم واسط مغز و رايانه مبتني بر EEG با استفاده از روش هاي جداسازي منابع كور

كارشناسي ارشد

سيستم هاي الكترونيك ديجيتال

اسفند ۱۳۹۶

دكتر سيد محمدرضا موسوي ميركلائي

برق

روش¬هاي جداسازي منابع كور (BSS) مانند شناسايي كور مرتبه دوم (SOBI) و تجزيه و تحليل مولفه¬هاي مستقل (ICA) مبتني بر يك دسته گسترده از الگوريتم¬هاي يادگيري بدون نظارت هستند. آن¬ها كاربردهاي بالقوه¬اي در بسياري از حوزه¬هاي علوم كاربردي مانند مهندسي پزشكي، پردازش تصوير، تقويت گفتار، پردازش داده¬هاي ژئوفيزيكي و ارتباطات بي¬سيم دارند. BSS و ICA به مسئله بازيابي سيگنال¬هاي مستقل آماري از يك مخلوط خطي اشاره مي¬نمايند. مولفه كور به اين واقعيت اشاره مي¬كند كه هيچ اطلاعاتي در مورد فرآيند مخلوط شدگي و يا در مورد سيگنال¬هاي منابع وجود ندارد. يك سيستم واسط مغز و رايانه مي¬تواند به عنوان يك كانال ارتباطي و كنترلي تعريف شود كه به كانال-هاي خروجي نرمال مغز مرتبط با اعصاب سطح بدن و عضلات، بستگي ندارد. در سيستم¬هاي BCI، سيگنال¬هاي الكتروانسفالوگرافي (EEG) به بازگرداندن عملكردهاي حسي و حركتي در بيماراني كه دچار نقص حركتي شديد شده¬اند، كمك مي¬نمايند. بنابراين، نياز روز افزون به توسعه روش¬هاي طبقه¬بندي خودكار براي ارزيابي و تشخيص اختلالات عصبي وجود دارد. يك چالش بزرگ براي سيستم¬هاي BCI، تشخيص درست و كارآمد سيگنال¬هاي مختلف EEG از وظايف متفاوت تصور حركت (MI) است. BCI ها الگوريتم¬هاي طبقه¬بندي مناسب را براي كمك به بيماران ناتوان حركتي در برقراري ارتباط استفاده مي-نمايند. سيگنال¬هاي EEG بسيار مستعد آغشته شدن به آرتيفكت¬ها هستند. آلودگي سيگنال¬هاي EEG توسط آرتيفكت¬ها بر سيگنال مطلوب اثر مي¬گذارد و تجزيه و تحليل را مشكل مي¬سازد. بنابراين، حذف خودكار آرتيفكت¬ از سيگنال¬هاي EEG براي اطمينان از يك طبقه¬بندي صحيح مهم است. در اين تحقيق، روش¬هاي BSS به منظور حذف آرتيفكت در يك سيستم واسط مغز و رايانه مبتني بر تصور حركت (MI-BCI) استفاده شده است. نتايج نشان مي¬دهد كه حذف آرتيفكت موجب يك كاهش 6% در عملكرد طبقه¬بندي ميانگين از 63% به 57% مي¬شود. واژه‌هاي كليدي: جداسازي منابع كور، حذف آرتيفكت، واسط مغز و رايانه، EEG، تصور حركت.

1397/01/28

4/17/2018 12:00:00 AM

Blind Source Separation (BSS) techniques, such as Second-Order Blind Identification (SOBI) and Independent Component Analysis (ICA), are based on a spread spectrum of unsupervised learning algorithms. They have potential applications in many areas of applied sciences such as biomedical engineering, image processing, speech enhancement, geophysical data processing, and wireless communication. The BSS and ICA refer to the problem of recovering statistically independent signals from a linear mixture. The term “blind” refers to the fact that there is no information about the mixing process or about the source signals. A Brain Computer Interface (BCI) system can be defined as a “communication and control channel which does not depend on the brain’s normal output channels of peripheral nerves and muscles”. In BCI systems, Electroencephalography (EEG) signals help to restore sensory and motor functions in patients who have severe motor disabilities. Therefore, there is an ever-increasing need for developing automatic classification methods to evaluate and diagnose neurological disorders. A big challenge is for BCI systems to correctly and efficiently identify different EEG signals of different Motor Imagery (MI). The BCIs use appropriate classification algorithms to assist motor disabled patients in communication. The EEG signals are highly susceptible to artifacts. Contamination of the EEG signals by artifacts affects the interest signal and makes the analysis difficult. Thus, automatic artifact removal from the EEG signals is important to ensure a correct classification. In this research, the BSS methods have been used to remove artifacts in a Motor Imagery-based Brain Computer Interface (MI-BCI) system. The results indicate that the artifact removal causes a decrease of 6% of the average classification performance from 63% to 57%. Keywords: Blind Source Separation, Artifact Removal, Brain Computer Interface, EEG, Motor Imagery.