استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG
تعداد صفحات : 106
چکيده
در این پروژه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی ها عمل دسته بندی انجام می شود.
اولین پیش پردازش برای دسته بندی سیگنال های مغزی حذف نویز از این سیگنال ها می باشد. در این پروژه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می شود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می¬شود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می باشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است.
بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال¬ها و دسته بندی آنهاپرداخته می شود. ویژگی¬های استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال می باشد. برای ارزیابی کارایی این ویژگی ها همین ویژگی¬ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می شوند و عمل دسته بندی بر اساس ویژگی های استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگی های استخراجی، به دسته بندی سیگنال ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می دهد که دسته بندی با استفاده از ویژگی های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد است.
در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همه¬ی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.

فهرست
فصل اول
مقدمه
1-1- مقدمه
1-2- تاریخچه BCI
1-3- کاربردهای BCI
1-4- تعریف مساله
1-5 – ساختار پروژه
فصل دوم
سیگنالهای مغزی
2-1- مقدمه
2-2- کشف سیگنالهای مغزی
2-3- ثبت سیگنالهای مغزی
2-4- پیش پردازشها روی سیگنالهای مغزی
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه
3-2- معرفی داده های موجود
3-2-1- مشخصات داده هاي ثبت شده توسط گروه دانشگاه Colorado
3-2-2- مشخصات داد ه هاي ثبت شده توسط گروه Graz
3-2-3- مشخصات دادههای MIT-BIH
3-3- استخراج ویژگی
3-4- دسته بندی
فصل چهارم
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
4-1- مقدمه
4-2- تبدیل فوریه
4-3- تبدیل موجک
4-3-1- مقیاس.
4-4- تاریخچه تبدیل والش
4-4-1- توابع والش
4-4-2- تبدیل والش
فصل پنجم
توصیف روش پیشنهادی
5-1- مقدمه
5-2- پایگاه داده مورد استفاده
5-3- حذف نویز
5-3-1- آنالیز مولفه های مستقل
5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل
5-3-3- حذف نویز با استفاده از تبدیل موجک
5-3-4- حذف نویز با استفاده از تبدیل والش
5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA
5-4- استخراج ویژگی
5-4-1- آنتروپی
5-4-2- استخراج ویژگی با استفاده از تبدل والش
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک
5-5- ماشین بردار پشتیبان (Support Vector Machin)
5-5-1- ابر صفحه جداساز
5-5-2- جداسازی غیر خطی
فصل ششم
نتایج و نتیجه گیری
6-1- مقدمه
6-2- حذف نویز
6-3- معیارهای ارزیابی
6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate)
6-3-2- میانگین مربع خطا (Mean Square Error)
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)
6-4- استخراج ویژگی
6-4-1- ویژگیهای تبدیل والش
6-4-2- ویژگیهای تبدیل فوریه
6-4-3- ویژگیهای تبدیل موجک
6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده
6-6- نتیجه گیری
6-7- پیشنهاد ها
منابع