27891

استخراج الگوهاي زماني-مكاني از سيگنال‌هاي تصور حركتي الكتروانسفالوگرام با استفاده از رويكرد يادگيري عميق

كارشناسي ارشد

مهندسي كامپيوتر

1398

1401/07/19

دكتر محمدرضا جاهدمطلق

دكتر محمدرضا دليري

مهندسي كامپيوتر

پيشرفت‌ها در علوم مربوط به مغز و رايانه در دهه‌ي گذشته منجر به توسعه‌هاي هيجان‌انگيزي در واسط‌هاي مغز و رايانه شده‌است. واسط مغز و رايانه در زمينه‌ي تصور حركتي روش‌هاي جديدي را براي افرادي كه از لحاظ توانايي حركتي دچار نقص هستند و يا بيماراني كه دچار صدمه به مغزشان شده‌اند، ايجاد كرده‌است. اگرچه موج‌نگاري مغزي نقش حساسي را در بسياري از زمينه‌ها دارد اما پژوهش‌هاي پيشين نشان مي‌دهد كه اين روش‌ها به طور معمول از محدوديت‌هاي برخوردار هستند. يكي از مهم‌ترين اين محدوديت‌ها‬ متفاوت بودن الگوي اين سيگنال‌ها براي افراد (سوژه‌هاي) مختلف مي‌باشد. در اين پژوهش سعي شده است كه براي كاهش اثر تفاوت الگوي اين سيگنال‌ها در پردازش سيگنال‌هاي الكتروانسفالوگرام راه حلي معرفي شود. متفاوت بودن سيگنال براي افراد مختلف طبق تحقيقات صورت گرفته متاثر از عوامل متعددي از جمله سن، حالات نشستن يا ايستادن، قدرت تصور فرد و … مي‌باشد. تمام اين موارد باعث پيچيده شدن سيگنال‌هاي الكتروانسفالوگرام تصور حركتي مي‌شود. از اين رو براي غلبه بر اين چالش از مفهوم اطلاعات متقابل كه بر خلاف همبستگي مي‌تواند وابستگي غير خطي را بين دو متغير تصادفي بيان كند، استفاده كرديم. براي پياده‌سازي اين ايده، از يك شبكه‌ي كانولوشنيEEGNet كه جهت استخراج ويژگي از سيگنال‌هاي الكتروانسفالوگرام طراحي شده است، استفاده كرده‌ايم. به جاي تابع زيان آنتروپي متقابل از تابع زيان مبتني بر تخمين اطلاعات متقابل استفاده كرديم تا با بيشينه كردن ميزان اطلاعات متقابل به صورت نظارت شده بين سيگنال‌هاي دو سوژه مختلف، ويژگي‌هايي استخراج شوند تا بيشترين ارتباط را با فعاليت انجام شده داشته باشند. در نهايت اين ايده منجر به افزايش 5.2 درصد براي مسئله چهار كلاسه و 7.1 درصد براي مسئله دو كلاسه در دقت طبقه بند شد. نكته‌ي بعدي در اين تحقيق معرفي معياري جهت سنجش كاهش حساسيت ويژگي‌هاي استخراج شده نسبت به متفاوت بودن سيگنال‌هاي الكتروانسفالوگرام براي افراد مختلف مي‌باشد. براي اين منظور از مفهوم عدم قطعيت استفاده كرديم تا بتوانيم اين سنجش را به صورت كمي بررسي كنيم. هرچه عدم قطعيت در ويژگي‌هاي استخراج شده كم‌تر باشد نشان‌دهنده‌ي اين مي‌باشد كه ويژگي‌ها حساسيت كم‌تري نسبت به متفاوت بودن سيگنال‌ها دارند. در نهايت با كمك اين معيار نشان داديم كه اين ويژگي‌ها حساسيت كم‌تري دارند.

1401/11/26

Extraction of spatial-temporal pattern in motor imagery EEG signals based on deep learning methods

10/11/2023 12:00:00 AM

In the past decade, advances in the brain computer interface, has led to many exciting developments in brain-computer interfaces. As a result, research in this field has experienced an increasing trend. Brain-computer interfaces have pioneered novel motor imagery methods for individuals with impaired motor function and patients with brain injuries. Recent developments in wireless recording, machine learning and real-time temporal resolution have increased interest in electroencephalographic (EEG) based BCI approaches. Despite its popularity in many fields, EEG has been found to have limitations in past research. One of the main limitations is the variation of signals across different individuals (subject variant). In this research, we attempt to offer a solution to this challenge. Research suggests the variation in signals to be due to many factors such as age, posture while sitting or sanding, individual’s imagery ability etc., all of which complicates processing of Electroencephalography (EEG) signals in motor imagery. To tackle this challenge, we utilize the concept of mutual information which unlike correlation, can express non-linear dependencies between two random variables. In order to calculate mutual information between signals from various subjects, we use convolutional neural networks designed in previous research as a tool for extracting features from EEG signals, which eventually leads to an increase in classification accuracy. We also introduce in this research, a metric to measure extracted feature’s sensitivity to variations of EEG signals among different subjects. In order to enable quantitative measurements for this, we make use of the concept of uncertainty. The lower uncertainty in extracted features, the less sensitive these features are to variations in signals. Using that metric, we demonstrate our extracted features to be lower in sensitivity.

واسط مغز و رايانه , يادگيري عميق , استخراج ويژگي , سيگنال هاي موج نگاري مغز , عدم قطعيت , اطلاعات متقابل

brain-computer interface , deep learning , feature extraction , neuroimaging signals , mutual information , uncertainty

Hesam Zaravashan

Dr. Mohammadreza Jahed Motlagh