30180

تشخيص قصد حركت اعضاي بدن با استفاده از تحليل سيگنال‌هاي مغزي EEG به كمك شبكه‌هاي عصبي عميق

كارشناسي ارشد

مهندسي برق- مخابرات ـ سيستم

1399

1402/7/26

سيد علي اصغر بهشتي شيرازي

مهندسي برق

فعاليت‌هاي انسان باعث ساطع شدن سيگنال‌هايي از مغز مي‌شوند. يكي از فعاليت‌هايي كه باعث اين امر مي‌شود تخيل حركت نام دارد كه در كمك به افراد معلول بسيار حائز اهميت است. با تجزيه و تحليل اين نوع سيگنال‌ها مي‌توان به قصد اين افراد براي به حركت در آوردن اعضاي بدنشان پي برد. از چالش هاي موجود در اين حوزه مي‌توان به پايين بودن نسبت سيگنال به نويز و تفاوت ويژگي‌هاي سيگنال افراد مختلف اشاره كرد. قوي‌ترين ابزار براي تجزيه و تحليل اين نوع سيگنال‌ها هوش مصنوعي است. بنابراين در اين پايان‌نامه به طراحي شبكه‌اي مبتني بر يادگيري عميق براي طبقه‌بندي سيگنال‌هاي مربوط به تخيل حركت مي‌پردازيم كه متشكل از بخش توجه‌كننده، شبكه‌ي كانولوشني زماني-مكاني و شبكه‌اي مبتني بر TCN است. بخش توجه‌كننده متشكل از بلوك كد‌كننده‌ي ترنسفرمر است كه در آن بر خلاف منابع پيشين، توجه مكاني-زماني انجام مي‌شود. همچنين در اين طرح ساختار جديدي براي تقويت TCN پيشنهاد كرده‌ايم. براي مقايسه بهتر طرح پيشنهادي با ساير شبكه‌هاي ارائه شده، از مجموعه داده BCI Competition IV 2a براي آموزش شبكه استفاده كرده‌ايم كه دقت عملكرد شبكه‌ي پيشنهادي پس از هشت بار آموزش شبكه به صورت ميانگين 37/78 درصد و در بهترين حالت 41/80 درصد اندازه‌گيري شده است.

1402/09/21

EEG based Motor imagery detection using deep neural network

1/1/1900 12:00:00 AM

Human activities cause the emission of signals from the brain. One of the activities that causes this, is called motor imagery, which is very important in helping disabled people. By analyzing these types of signals, one can understand the intention of these people to move their body parts. One of the challenges in this field is the low signal-to-noise ratio and the difference in the signal characteristics of different people. The most powerful tool for analyzing these types of signals is artificial intelligence. Therefore, in this document, we design a network based on deep learning for the classification of signals related to motor imagery, which consists of an attention based block, a time-spatial convolutional network, and a TCN-based network. The attention part consists of the transformer encoder block, where, unlike previous sources, spatio-temporal attention is performed. Also, in this plan, we have proposed a new structure to strengthen TCN. In order to better compare the proposed scheme with other proposed networks, we have used the BCI Competition IV 2a data set to train the network, and the performance accuracy of the proposed network after eight times of network training was measured as 78.37% on average and 80.41% in the best case.

تخيل حركت , يادگيري عميق , توجه‌كننده , شبكه‌ي كانولوشني

motor imagery , Deep Learning , attention , convolutional network

Mohammad Naseri

Dr. Beheshti Shirazi