21795

21795

استخراج الگوهاي زماني و طيفي تصور حركتي مبتني بر تصاوير موج نگاري مغز با استفاده از شبكه¬هاي عصبي همگشتي توسط راهبرد الگوهاي مشترك مكاني چند مقياسي عميق

كارشناسي ارشد

هوش مصنوعي و رباتيك

1398/8/18

دكتر محمدرضا جاهد مطلق

كامپيوتر

رابط مغز و رايانه يكي از گرايش‌هاي به روز در استفاده از سيگنال‌هاي موج نگاري مغز بر اساس سامانه­ي تصميم گيري و تصور حركت انسان است. سيگنال­هاي موج نگاري مغز بازتاب فعاليت‌هاي مغزي هستند كه توسط دستگاه رابط مغز و رايانه از كاربر ثبت مي‌شود. اين سيستم‌ها روش نويني براي برقراري ارتباط، خصوصاً براي افرادي كه از نظر جسمي معلول هستند را فراهم مي‌كنند، لذا مورد اقبال پژوهش­گران قرار گرفته­اند. سيگنال­هاي موج نگاري مغز سيگنال‌هايي، نا ايستا و شامل مقادير زيادي اختلال هستند كه اين ويژگي‌ها، پردازش اين سيگنال­ها را براي ما دشوار مي­نمايد. سامانه­هايي كه تا كنون براي حل اين مسئله ارائه شده است در مرحله استخراج ويژگي راهبرد انتخابي خود را بر مبناي ويژگي­هاي دست ساز بنا نهاده­اند، نقيصه اين رويكرد را مي­توان در اين جست­وجو كرد كه روند استخراج ويژگي براي تمامي اشخاص يكسان است ولي در واقعيت ريخت­شناسي سيگنال­هاي توليد شده و زمان مورد نياز براي توليد سيگنال مورد نظر توسط هر شخص متفاوت است, لذا از اين رو است كه نياز به راهبردي براي استخراج ويژگي مبتني بر ريخت شناسي سيگنال­هاي هر شخص احساس مي­شد. از اين رو در اين پژوهش با اجراي الگوريتم الگوهاي مكاني مشترك بر روي سيگنال­هاي موج نگاري مغزِ چند مقياسي شده كه به جهت تفاوت زماني در ارسال دستورهاي حركتي توسط مغز براي ما اهميت پيدا مي­كنند و محاسبه اوزان فيلترهاي مكاني، اين سيگنال­ها را از فضاي سنسور به فضاي الگوريتم الگوهاي مشترك مكاني در هر باند فركانسي و قطعه زماني نگاشت مي­دهيم. در ادامه با معرفي معماري­اي بر مبناي لايه­هاي همگشتي كه اين امكان را فراهم مي­كنند كه براي هر فرد به يادگيري ريخت شناسي سيگنال­ها در بعد زمان و سپس به كشف وابستگي اين سيگنال­ها در بعد باندهاي فركانسي بپردازيم. در آخر موفق شديم با استفاده از راهبرد معرفي شده مبتني بر يادگيري عميق راهبردي نيمه خودكار براي حل اين چالش پيشنهاد كنيم كه راهبرد پيشنهادي توانست نتايج بهتري نسبت به راهبردهايي كه پيش­تر ارائه شد بود، دست يابد.

1398/12/13

Extracting Temporal and Spectral Feature from Motor Imagery EEG Signal Using Deep Convolutional Neural Network

11/9/2019 12:00:00 AM

Motor Imagery BCI (MI-BCI) is a subcategory of BCI systems which its aim, is to interpret sensory processing or motor behavior. any movements in muscles can have effects on brain activity and causing change in these activities, in another word, imagination, movement or preparation can affect brain activity oscillations so-called sensory Motor rhythm or SMR, desynchronization is sign of decrease in brain activity and decrease of oscillatory activity is known as Event-related-Desynchronization (ERD), in contrast, synchronization in oscillatory activity is called Event-related-Synchronization (ERS) , (exploring*studying ) these oscillation is a promising way to extracting movement relevant information for people with severe motor injuries . For Extracting discriminative feature and increasing the signal to noise ratio (SNR) of the EEG data, various spatial filter has been proposed, among those Common Spatial Pattern (CSP) has been outstanding in detecting ERS/ERD patterns. The CSP algorithm is a well-known method in discriminating two class of EEG data. CSP transform the signal into another subspace which maximizes variability for one class while at the same time attempt to minimize the variance for the other class. Even though the algorithm is popular it has its own drawback like it is sensitive to artifact and won’t give researcher any plain insight in time series signal, and the problem gets more noticeable on small training data. To overcome these flaws several modifications have been made to the whole algorithm. In this research, we developed a new architecture based on the Idea of forcing the network to learn a specific temporal filter for specific frequency level to better capturing the dynamic nature of the EEG signals. The preprocessing and analyzation are very similar to sakhavi’s [26] work and instead of using one temporal window we used the overlapping temporal window on the input signals.