26283

كنترل حركت ماشين با استفاده از پتانسيل¬هاي مغزي برانگيخته بينايي

كارشناسي ارشد

مهندسي پزشكي

1397

1400/11/10

عباس عرفانيان اميدوار

عباس عرفانيان اميدوار

ّبرق

در چند دهه اخير، استفاده از سيگنال¬هاي الكتروانسفالوگرام (EEG) به منظور برقراري ارتباط با محيط اطراف، موجب پيدايش واسط¬هاي مغز-رايانه(BCIs) شده است. سيگنال P300 يكي از انواع پتانسيل¬هاي مغزي مي باشد، كه در سامانه¬هاي BCI استفاده مي¬شود. در اين تحقيق، از تحريك بينايي براي برانگيخته شدن سيگنال P300 با هدف كنترل برخط ماشين استفاده مي¬شود. بدين منظور يك واسط گرافيكي كاربر (GUI) با هفت كليد براي كنترل ماشين طراحي شده است، كه چهار كليد براي كنترل ماشين به چپ، راست، عقب و جلو مي باشد، يك كليد براي افزايش سرعت، يك كليد براي كاهش سرعت و يك كليد استارت/ استاپ براي روشن شدن ماشين و توقت ماشين طراحي شده است. روشن شدن ماشين با صداي بوق نشان داده مي شود، همچنين با كليدstart/stop مي توان ماشين را وارد حالت كنترلي و غير كنترلي كرد (وقتي ماشين متوقف مي شود GUI وارد حالت غيركنترلي شده و هيچ فرماني به ماشين ارسال نمي شود). ماشين استفاده شده در اين پروژه يك ماشين كنترلي بوده است كه پس از جدا كردن برد كنترلي آن از بردهاي مورد نياز براي اتصال به كامپيوتر و كنترل توسط سيگنال¬هاي مغزي استفاده شده است. بعد از ثبت سيگنال در مرحله برون خط روش¬هاي مختلفي براي تحليل داده¬هاي ثبت شده استفاده شده است از جمله روش هاي استخراج ويژگي با شبكه¬هاي عصبي خودرمزگذار(AE)، تحليل مؤلفه¬هاي اصلي (PCA)، تحليل تفكيك خطي (LDA) و طبقه¬بندي با روش ماشين بردار پشتيبان (SVM) استفاده شده است، از شبكه¬هاي عصبي كانولوشني (CNN) براي استخراج ويژگي و نيز طبقه¬بندي استفاده شده¬ است. كه در نهايت روش استخراج ويژگي با دو الگوريتم شبكه عصبي خود رمز گذار و تحليل مؤلفه¬هاي اصلي و تركيب خروجي اين دو روش و استفاده از SVM براي طبقه بندي اين ويژگي¬ها به عنوان روش نهايي در حالت برخط انتخاب شد. در آزمايشات برخط، دقت طبقه¬بندي براي انجام كنترل حركت ماشين مشخص گرديد كه كنترل ماشين توسط كاربران صورت گرفته است و ميانگين دقت در حالت برخط برابر 88.7 با نرخ اطلاعات 30 بيت بر دقيقه به دست آمده است. واژه‌هاي كليدي: پتانسيل P300، طبقه¬بندي كننده SVM، شبكه عصبي AE، تحليل مؤلفه هاي اصلي.

1400/12/25

Car Control based on Brain-Computer Interface using visual evoked Potentials

2/1/2023 12:00:00 AM

In recent decades, the use of electroencephalogram (EEG) signals to communicate with the environment has led to the emergence of brain-computer interfaces (BCIs). The P300 signal is a type of brain potential used in BCI systems. In this study, visual stimulation is used to excite the P300 signal for the purpose of online control of the car. For this purpose, a graphical user interface (GUI) with seven keys is designed to control the car, which four keys are used to control the left, right, back and forward, one key to increase speed, one key to reduce speed and one key Start / Stop is designed to turn on the car and stop the car. The car is turned on with a beep sound, and the start / stop key can also be used to enter the car into control and uncontrolled mode (when the car is stopped, the GUI enters the uncontrolled mode and no command is sent to the car). The car used in this project was a control machine that after detaching its control board, the boards needed to connect to the computer and control by brain signals were used. After signal recording in the offline stage, various methods have been used to analyze the recorded data, including feature extraction methods with autoencoder neural networks (AE), principal component analysis (PCA), linear resolution analysis (LDA). And classification by backup vector machine (SVM) method has been used, convolutional neural networks (CNN) have been used for feature extraction as well as classification. Finally, the feature extraction method with two layer of autoencoder neural network algorithms and principal component analysis and output combination of these two methods and the use of SVM to classify these features were selected as the final method in the online mode. In online experiments, the classification accuracy for car motion control was determined that the car was controlled by users and the average online accuracy was 88.7 with an information rate of 30 bits per minute. Keywords: Feature extraction, Principle Componenet Analysis (PCA), Support Vector machine (SVM)

واژه‌هاي كليدي: پتانسيل P300، طبقه¬بندي كننده SVM، شبكه عصبي AE، تحليل مؤلفه هاي اصلي.

Keywords: Feature extraction, Principle Componenet Analysis (PCA), Support Vector machine (SVM)

mahzad pirghayesh ghurshagh

abas erfanian omidvar