پایان نامه ارشد رشته مهندسی کامپیوتر: استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی کامپیوتر

گرایش هوش مصنوعی

با عنوان : استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG

دانشگاه صنعتی شاهرود

دانشکده مهندسی کامپیوتر و فناوری اطلاعات

پایان نامه جهت اخذ درجه کارشناسی ارشد

گروه هوش مصنوعی

عنوان:

استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG

اساتید راهنما:

دکتر علی اکبر پویان

استاد مشاور:

دکتر کاویان قندهاری

دکتر هادی گرایلو

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

فهرست مطالب:

فصل اول

مقدمه.

1-1-  مقدمه……………………………… 1

1-2-  تاریخچه BCI…………………………….

1-3-  کاربردهای BCI…………………………….

1-4-  تعریف مساله…………………………….. 7

1-5   – ساختار پایان نامه…………………………….. 7

فصل دوم

سیگنالهای مغزی………………………………

2-1- مقدمه…………………………….. 9

2-2- کشف سیگنالهای مغزی……………………………… 10

2-3- ثبت سیگنالهای مغزی……………………………… 11

2-4- پیش پردازشها روی سیگنالهای مغزی……………………………… 12

فصل سوم

مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی…………….

3-1- مقدمه…………………………….. 16

3-2- معرفی داده ­های موجود…………………………….. 17

3-2-1- مشخصات دادههای ثبت شده توسط گروه دانشگاهColorado……………..

3-2-2- مشخصات داد ههای ثبت شده توسط گروه Graz……………………………..

3-2-3- مشخصات دادههای MIT-BIH……………………………….

3-3- استخراج ویژگی……………………………… 20

3-4- دسته بندی……………………………… 23

فصل چهارم.

مقایسه تحلیلی تبدیل فوریه ، موجک و والش  

4-1- مقدمه…………………………….. 25

4-2- تبدیل فوریه…………………………….. 25

4-3- تبدیل موجک……………………………….. 30

4-3-1- مقیاس…………………………….. 32

4-4- تاریخچه تبدیل والش……………………………….. 35

4-4-1- توابع والش………………………………… 35

4-4-2- تبدیل والش………………………………… 36

فصل پنجم

توصیف روش پیشنهادی 

5-1- مقدمه…………………………….. 40

5-2- پایگاه داده مورد استفاده……………………………. 40

5-3- حذف نویز…………………………….. 42

5-3-1- آنالیز مولفه های مستقل……………………………… 43

5-3-2- حذف نویز با استفاده از آنالیز مولفه های مستقل…………. 44

5-3-3- حذف نویز با استفاده از تبدیل موجک……………………………….. 46

5-3-4- حذف نویز با استفاده از تبدیل والش………………………………… 47

5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA……………

5-4- استخراج ویژگی……………………………… 51

5-4-1- آنتروپی …………………………….  52

5-4-2- استخراج ویژگی با استفاده از تبدل والش………………. 53

5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک……………. 53

5-5- ماشین بردار پشتیبان (Support Vector Machin)…………………………….

5-5-1- ابر صفحه جداساز…………………………….. 55

5-5-2- جداسازی غیر خطی………………………………. 58

فصل ششم

نتایج و نتیجه گیری………………………………

6-1- مقدمه…………………………….. 60

6-2- حذف نویز…………………………….. 61

6-3- معیارهای ارزیابی……………………………… 65

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……………………………… 68

6-4-1- ویژگیهای تبدیل والش………………………………… 69

6-4-2- ویژگیهای تبدیل فوریه…………………………….. 72

6-4-3- ویژگیهای تبدیل موجک……………………………….. 76

6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده………….. 80

6-6- نتیجه گیری……………………………… 83

6-7- پیشنهاد ها……………………………. 85

منابع:………………………………. 86

چکیده:

در این پایان نامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال­های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال­­ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی­ها عمل دسته بندی انجام می شود.

اولین پیش پردازش برای دسته بندی سیگنال­های مغزی حذف نویز از این سیگنال­ها می­باشد. در این پایان نامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می­شود. 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 می­شود. 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 می­شود. نتایج ارزیابی با استفاده از این معیار­ها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می­باشد. 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 سیگنال­ها و دسته بندی آنهاپرداخته می­شود. ویژگی­های 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 می­باشد. برای ارزیابی کارایی این ویژگی­ها همین ویژگی­ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می­شوند و عمل دسته بندی بر اساس ویژگی­های استخراجی این سه روش به طور جداگانه انجام می­شود. بعد از استخراج ویژگی، بر اساس ویژگی­های استخراجی، به دسته بندی سیگنال­ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می­دهد که دسته بندی با استفاده از ویژگی­های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی­های 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 همه­ی 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.

فصل اول: مقدمه

1-1- مقدمه

تعامل انسان با کامپیوتر (HCI)[1] امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق می‌افتد. که شامل نرم‌افزار و سخت‌افزار است. یک تعریف دقیق آن چنین است:

علم تعامل کامپیوتر و انسان یک رشته مرتبط با طراحی ارزیابی و پیاده سازی سیستم‌های محاسباتی متقابل برای استفاده انسان در مطالعه پدیده‌های مهم پیرامون اوست. این رشته شاخه‌هایی از هر دو طرف درگیر را شامل می‌شود مثلا گرافیک کامپیوتری، سیتم‌های عامل، زبان­هایی برنامه نویسی، تئوری ارتباطات و طراحی صنعتی برای قسمت کامپیوتری زبان‌شناسی، روانشناسی و کارایی انسان برای قسمت انسانی آن. این رشته به شاخه های زیادی تقسیم می­شود که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] است.

مغز انسان توانایی انتشار امواجی الکتریکی و مغناطیسی را دارد که می توان با ثبت آنها علاوه بر کاربردهای پردازشی به تشخیص برخی بیماری­ها و حتی برقراری ارتباط به صورت تلپاتی پرداخت. یکی از روش­های ثبت این سیگنالها EEG)) [3] می­باشد.

سیگنال­های الکتریکی مغزی را اولین بار دکتر هانس برگر[4] در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنال­ها تلاش انسان برای استفاده از این سیگنال­ها برای کاربرد­های مختلف شروع شد. اکنون بیشترین استفاده­های که از این سیگنال­های می­شود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنال­ها، به خاطر آشفته بودن و نویزی بودن این سیگنال­ها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.

در اوایل کشف سیگنال­های مغزی به دلیل نبودن دستگاه­های ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفت­های که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزار­های مناسب جهت ثبت سیگنال­های مغزی این ارتباط دور از دسترس نیست. امروزه BCI علمی است که این ارتباط را برقرار می کند.

واسط مغز و رایانه از مجموعه‌ای از سنسور­ها و اجزای پردازش سیگنال تشکیل می­شود که فعالیت مغزی فرد را مستقیما به یک سری سیگنال‌های ارتباطی یا کنترلی تبدیل می‌کند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاه‌های ثبت امواج مغزی ثبت کرد که معمولا به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، از EEG برای ثبت امواج مغزی استفاده می‌شود. الکترودهای EEG در سطح پوست سر قرار می‌گیرند و میدان الکتریکی حاصل از فعالیت نورون‌ها[5] راه اندازه­گیری می‌کنند. در مرحله بعد این امواج بررسی شده و ویژگی‌های مورد نظر استخراج می‌شود و از روی این ویژگی‌ها می­توان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحد­های پردازشی سیستم BCI را می­بینیم.

با توجه به پایین بودن نسبت سیگنال به نویز در این سیستم ابتدا یک پیش پردازش و عملیات حذف نویز بر روی این سیگنال ها انجام می­شود. مرحله بعد مرحله استخراج ویژگی است که در فصل­های بعد در مورد انواع ویژگی­ها و روش های استخراج ویژگی صحبت می­کنیم در نهایت با استفاده از ویژگی­های استخراج شده عمل دسته­بندی را انجام می­دهیم.

واسط مغز و رایانه ممکن است ساختاری ثابت داشته باشد یا اینکه به صورت انطباقی باشد و خود را با مشخصه یا مشخصه­های سیگنال انطباق بدهد. همچنین ممکن است از خروجی سیستم به نوعی به شخص مورد آزمایش فیدبک[6] داده شود. این روش به بیوفیدبک مشهور است.

در اولین همایش بین المللی که در ژوئن 1999 برگزار شد یک تعریف معمول برای BCI به صورت زیر ارائه شد[2]: (یک واسط مغز و رایانه یک سامانه ارتباطی است که وابسته به مسیرهای خروجی نرمال سامانه عصبی جانبی و ماهیچه‌ها نیست) سیگنال­های الکتریکی مغز از نظر دامنه و فرکانس با برخی دیگر از سیگنال­های حیاتی همپوشانی دارند، لذا در تعریف BCI بر مستقل بودن سیگنال­ها از سایر سیگنال­های عصبی و عضلانی تاکید شده است.

2-1- تاریخچه BCI

اولین تلاش­ها در زمینه تعامل انسان با رایانه همزمان با کشف سیگنال­های EEG شروع شد و دانشمندان سعی کردند که بین این سیگنال­ها و فعالیت های مغزی ارتباط برقرار کنند[1]. اما با توجه به اینکه در ابتدا این سیگنال­ها بسیار آشفته و دارای نویز بودند، از این سیگنال­ها فقط در پزشکی استفاده می­شد و فقط پزشکان متخصص با توجه به تجربه از این سیگنال­ها می­توانستند استفاد کنند. اما رفته رفته با تولید دستگاه­های جدید و توانایی ثبت این سیگنال­ها با کیفیت بهتر، پژوهش­ها و تحقیقات بیشتری در این زمینه انجام گرفت.

در سال 1969، Elul [3]اولین تلاش را انجام داد. او بر روی سیگنال عملیات ریاضی کار کرد و نشان داد که اگر فرد عملیات فکری خاصی را انجام ندهد در %66 سیگنال مغزی آن توزیع گوسی است و اگر فرد عملیات ریاضی انجام دهد در %32 سیگنال مغزی توزیع گوسی دارد و از طریق سیگنال مغز توانست تشخیص دهد که فرد چه عملیات فکری انجام می­دهد.

در دانشگاه Colorado دو محقق Keirn و Aunon تحقیقات خود را در این زمینه برای دسته­بندی پنج فعالیت مختلف ذهنی شروع کردند[4]. آنها در حین انجام پنج فعالیت ذهنی مشخص و همزمان از چند کانال، سیگنال EEG را ثبت نمودند. سپس به کمک یک تفکیک کننده بیز[1] از توان باند­های مختلف فرکانسی بعنوان ویژگی­هایی جهت تفکیک این فعالیت­های ذهنی استفاده کردند. آنها در ضمن کار خود این ایده را مطرح نمودند که فعالیت­های مختلف ذهنی می­توانند بعنوان الفبایی جهت برقراری ارتباط مستقیم مغز با دنیای خارج استفاده شود؛ بطوریکه شخص می­تواند با ترکیب و انتخاب توالی چند فعالیت مشخص مقصود خود را به دنیای خارج منتقل کند.

چند سال بعد دکتر Anderson و همکارانش [5,6] کار این دو محقق را ادامه دادند. این گروه در اغلب کار­های خود از همان پنج فعالیت ذهنی استفاده کردند. آنها پارامترهای آماری همچون ضرایب(AR)[2] را تخمین زدند و با استفاده از این ضریب ویژگی­های را برای دسته بندی و تشخیص این پنج عمل استخراج کردند. بعد از استخراج ویژگی به کمک شبکه عصبی عمل دسته­بندی را انجام دادند.

Pfrutscheller و همکارانش [7-11] در مرکز Graz اتریش در تحقیقات خود از سیگنال­های ثبت شده در حین حرکت انگشت اشاره و یا در حین تصور حرکت دادن دست راست و چپ استفاده نموده­اند. آنها در کار­های خود از خروجی­های مختلفی همچون حرکت یک نشانگر بر روی مانیتور، انتخاب حروف و کلمات و کنترل یک پروتز مصنوعی استفاده کرده­اند. آنها جهت استخراج ویژگی از چند روش استفاده کردند. روش اول استخراج پارامترهای AR و روش دیگر محاسبه توان باندهای مختلف فرکانسی، که این باندها متناسب با شخص انتخاب می­شوند. به گفته Pfrutscheller برای این کار از یک تابع فاصله وزندار جهت تعیین میزان تأثیر هر مؤلفه فرکانسی بر عمل دسته بندی استفاده شده است. به این روش (DSLVQ) [3] می­گویند. این عمل برای تمام فرکانس­ها در فاصله HZ 30-5 انجام می­شود تا مؤلفه­های فرکانسی مناسب برای آن شخص بدست آید. آنها برای دسته­بندی هم عموما از دو روش استفاده نموده­اند. روش اول روش­های مبتنی بر شبکه عصبی (مانند LVQ)[4] و روش دوم مبتنی بر تفکیک کننده­های خطی.[5] (LDA) آنها جهت بهبود عملکرد سیستم خود در برخی موارد از تکنیک­های بیو فیدبک هم استفاده نموده­اند. بعنوان مثال با نشان دادن یک فلش روی مانیتور از کاربر خواسته می­شود که تصور حرکت دادن دست راست یا چپ را ا نجام دهد. با انجام مکرر این کار ، تفکیک کننده را برای تفکیک این دو عمل آموزش می­دهند . سپس در مرحله آزمایش هر بار که از شخص خواسته می­شود که حرکت دادن یک دست را تصور کند با استفاده از تفکیک کننده تعلیم دیده سیگنال مغزی او را دسته­بندی می کنند. هر بار بسته به میزان خطای تفکیک کننده یک علامت فلش با طولی متناسب با میزان خطا روی صفحه رسم می­شود . این علامت در واقع یک فیدبک است که با دیدن آن شخص سعی می­کند که هر بار طول علامت خطا را کم کند.

Wolpaw و همکارانش[12 ] بیشتر در زمینه پزشکی کار کردند لذا کارهای آنها عموما از پشتوانه فیزیولوژیک خوبی برخوردار است اما روش­های پردازشی آنها نسبتا ساده است. اساس کار آنها بر این مبناست که افراد را می­توان بگونه­ای آموزش داد که بتوانند برخی از ویژگی­های سیگنال مغزی خود را کنترل کنند.

به طور کلی از جمله تحقیقاتی که در طی سالیان دراز در زمینه BCI انجام گرفته است می توان به تصور حرکت دادن دست راست و چپ ، حرکت دادن انگشتان اشاره دو دست، انجام پنج فعالیت ذهنی: حالت استراحت, نامه نگاری، شمارش، ضرب ذهنی و دوران ذهنی ، انجام عملیات ضرب با میزان پیچیدگی مختلف، گوش دادن به انواع موسیقی، انجام فعالیتهای احساسی و عاطفی و رانندگی شبیه سازی شده اشاره کرد که در هر زمینه محققین زیادی کار کرده­اند و به نتایج قابل قبولی دست یافته ­اند.

[1] Bayes

[2] Autoregressive

[3] Distinction Sensitive Learning Vector Quantization(DSLVQ)

[4] Learning Vector Quantization

[5] Linear Discriminant Analysis

[1] Human Computer Interface(HCI)

[2] Brain-Computer Interface(BCI)

[3] Electroencephalography

[4] Hans Berger

[5] neurons

[6] Feedback

تعداد صفحه : 105

قیمت : چهارده هزار تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09124404335        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

شماره کارت :  6037997263131360 بانک ملی به نام محمد علی رودسرابی

11

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید