|
Title
|
طبقه بندي خودكار سيگنال هاي EEG در حالت تصور حركتي با استفاده از يادگيري نيمه نظارتي
|
|
Type
|
Thesis
|
|
Keywords
|
الكتروانسفالوگراف، طبقه بندي، يادگيري نيمه نظارتي، رابط مغز و رايانه، تصور حركتي، يادگيري ماشين.
|
|
Abstract
|
زمينه: با توجه به اينكه طبقه بندي سيگنال هاي EEG و استخراج ويژگي از اين سيگنال ها، نقشي اساسي در سيستم هاي BCI ايفا مي كند، ارائه يك الگوريتم طبقه بندي قابل اعتماد و موثر براي ارتقا كاربردهاي BCI بسيار مورد توجه است. روش هاي مختلفي براي رمزگشايي و طبقه بندي سيگنال EEG ارائه شده است. اين روش ها معمولاً به عنوان اولين گام، الگوهايي را استخراج مي كنند و سپس يك طبقه بند، براي شناسايي قصد كاربر، آموزش مي دهند. در حالي كه اين روش ها، عملكرد مناسبي بدست آورده اند، اما آنها معمولاً فرض مي كنند كه داده هاي آزمون، همان روند آموزش/توزيع مشابه مجموعه آموزش را دارند. با اين حال، در بسياري از كاربردهاي BCI، اغلب اين چنين نيست. در واقع حالت هاي مختلف رواني هنگام ثبت داده ها و همچنين تجهيزات انساني، ممكن است منجر به تغيير در داده هاي EEG شود. علاوه بر آن، ممكن است داده هاي يك تصور حركتي خاص (مانند تكان دادن بازوي راست) براي اشخاص مختلف، برابر نباشند و از طرفي ديگر، به طور كلي، تعداد محدودي از نمونه هاي آموزشي در دسترس باشد.
هدف: بررسي و رفع چالش هاي موجود در سيستم هاي رابط كاربري مغز و كامپيوتر.
روششناسي: در اين پژوهش از يك ديتاست شامل سيگنال هاي 109 آزمودني در 4 حالت تصور حركتي و حركت واقعي استفاده شده است. در مرحله پيش پردازش، از فيلتر باترورث و الگوريتم fastICA جهت تميز كردن داده ها و حذف آرتيكفت ها استفاده شد. سپس، 136 ويژگي از حوزه هاي مختلفي مانند حوزه زمان، حوزه فركانس و حوزه تبديل از هر بخش EEG استخراج شد و به كمك الگوريتم mrmr، مجموعه بهينه اي از ويژگي ها به عنوان ورودي طبقه بند انتخاب گردد. در ادامه ويژگي هاي استخراج شده از كانال هاي EEG مختلف به عنوان يك سري مكاني در نظر گرفته شدند و اين سري مكاني به عنوان ورودي به طبقه بند LSTM داده شد. يافته ها: نتايج ارزيابي نشان مي دهد كه الگوريتم پيشنهادي مي تواند به دقت بالاي 88 درصد در بررسي شخص به شخص و به دقت بالاي 70 درصد در ميانگين اشخاص مختلف برسد. علاوه بر اين، مي توان گفت كه ويژگي هاي حوزه فركانس نسبت به ويژگي هاي حوزه زمان اهميت بيشتري دارند و مي تواند تفكيك پذيري بهتري بين كلاس ها ايجاد كنند.
نتيجه گيري: عملكرد سيستم براي اشخاص مختلف متفاوت است كه با انتخاب ويژگي هاي مناسب مي توان عملكرد سيستم را براي اشخاص مختلف به يك
|
|
Researchers
|
seyedmojtaba naghavi (Student) , Hojat Ghimatgar (Primary advisor) , Ahmad Keshavarz (Primary advisor)
|