1-5- ساختار پایان نامه7
فصل دوم
سیگنالهای مغزی

در این سایت فقط تکه هایی از این مطلب(به صورت کاملا تصادفی و به صورت نمونه) با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود-این مطالب صرفا برای دمو می باشد

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

2-1- مقدمه9
2-2- کشف سیگنالهای مغزی10
2-3- ثبت سیگنالهای مغزی11
2-4- پیش پردازشها روی سیگنالهای مغزی12
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه16
3-2- معرفی دادههای موجود17
3-2-1- مشخصات دادههای ثبت شده توسط گروه دانشگاهColorado17
3-2-2- مشخصات داد ههای ثبت شده توسط گروه Graz18
3-2-3- مشخصات دادههای MIT-BIH19
3-3- استخراج ویژگی20
3-4- دسته بندی23
فصل چهارم
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
4-1- مقدمه25
4-2- تبدیل فوریه25
4-3- تبدیل موجک30
4-3-1- مقیاس.32
4-4- تاریخچه تبدیل والش35
4-4-1- توابع والش35
4-4-2- تبدیل والش36
فصل پنجم
توصیف روش پیشنهادی
5-1- مقدمه40
5-2- پایگاه داده مورد استفاده40
5-3- حذف نویز42
5-3-1- آنالیز مولفههای مستقل43
5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل44
5-3-3- حذف نویز با استفاده از تبدیل موجک46
5-3-4- حذف نویز با استفاده از تبدیل والش47
5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA50
5-4- استخراج ویژگی51
5-4-1- آنتروپی52
5-4-2- استخراج ویژگی با استفاده از تبدل والش53
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک53
5-5- ماشین بردار پشتیبان (Support Vector Machin)54
5-5-1- ابر صفحه جداساز55
5-5-2- جداسازی غیر خطی58
فصل ششم
نتایج و نتیجه گیری
6-1- مقدمه60
6-2- حذف نویز61
6-3- معیارهای ارزیابی65
6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate)65
6-3-2- میانگین مربع خطا (Mean Square Error)66
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)67
6-4- استخراج ویژگی68
6-4-1- ویژگیهای تبدیل والش69
6-4-2- ویژگیهای تبدیل فوریه72
6-4-3- ویژگیهای تبدیل موجک76
6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده80
6-6- نتیجه گیری83
6-7- پیشنهاد ها85
منابع:…86
فهرست شکل ها
عنوان صفحه
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI4
شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 2012
شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی13
شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز27
شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4))28
شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز28
شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4)29
شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک32
شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی34
شکل 4-7- تبدیل موجک در یک مقیاس خاص34
شکل 4-8- تابع والش برای n=836

شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده42
شکل 5-2- سیگنالهای گرفته شده توسط هر کانال45
شکل 5-3- مولفههای بدست آمده توسط ICA45
شکل 5-4- تبدیل والش از کانال های سیگنال49
شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز49
شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز51
شکل 5- 7 – صفحه های جداساز و بردارهای پشتیبان56
شکل 5- 8 – صفحه جداساز و نواحی مربوط به هر کلاس57
شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها59
شکل 6-1- سیگنال اصلی و سیگنال دارای نویز63
شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک64
شکل 6-3- نسبت سیگنال به نویز ده سیگنال66
شکل 6-4- میانگین مربع خطا برای ده سیگنال67
شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال68
شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول70
شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول71
شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول74
شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول77

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

فهرست جدول ها
عنوان صفحه
جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال22
جدول 4-1 – مقدار توابع والش و خروجی این تابع39
جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش73
جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه75
جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک79
جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش79
جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک79
جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک81
جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI82
فصل اول
مقدمه
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 برگر4 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 نورون‌ها5 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 فیدبک6 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.
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI
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 بیز7 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)8 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) 9 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)10 و روش دوم مبتنی بر تفکیک کنندههای خطی.11 (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 یافتهاند.
کاربردهای BCI
از زمانی که سیگنالهای EEG ثبت شد محققین سعی در استفاده از این سیگنالها برای کاربردهای مختلف داشتند. در ابتدای کار از این سیگنالها فقط برای کاربردهای پزشکی استفاده میکردند مانند تشخیص انواع بیماریها که رایج ترین آنها بیماری صرع است . اما بعدها از این سیگنالها نیز به منظور کمک رساندن به بیمارانی که دارای ناتوانی جسمی و عصبی هستند نیز استفاده شد. در این افراد مغز فرمانها را صادر میکند اما به دلیل نقص در اندام این فرمانها به طور کامل اجرا نمیشود با استفاده از BCI میتوان سیستمی طراحی کرد که فرمان را مستقیما از مغز بگیرد و بر روی این سیگنال پردازش انجام دهد و عمل مورد نظر را انجام دهد.
تعریف مساله
در این پایان نامه ما قصد داریم به تفکیک و دستهبندی سیگنالهای مغزی بپردازیم. مجموعه داده مورد استفاده ما چهار عمل حرکت دادن مچ دست به چهار جهت اصلی است. کار ما به این صورت است که ابتدا بر روی سیگنال یک سری پیش پردازشها مانند حذف نویز و… انجام میدهیم. در مرحله بعد بر روی استخراج ویژگی از سیگنال کار می کنیم و ویژگیهای مختلف را از سیگنال استخراج میکنیم. در مرحله بعد به دستهبندی سیگنالهای مغزی بر اساس ویژگیهای استخراج شده میپردازیم. کارایی دستهبندی بر اساس هر مجموعه از ویژگیها را ارزیابی میکنیم.
ساختار پایان نامه
در فصل دوم در مورد سیگنالهای مغزی و انواع آنها و نحوه ثبت آنها بحث می شود. برای اینکه یک مرور کلی بر روی کارهای گذشته و روشهای که تا کنون استفاده شده است داشته باشیم فصل سه به این منظور اختصاص داده شده است. در این فصل انواع روشهای استخراج ویژگی بررسی می شود. سپس روشهای موجود برای دسته بندی که تا کنون استفاده شده است را بررسی می کنیم. در فصل چهار به معرفی و توصیف تبدیل والش که در این پایان نامه از آن استفاده شده است میپردازیم. برای داشتن یک مقایسه، سه تبدیل فوریه، موجک و والش را معرفی می کنیم و در مورد آنها صحبت می شود. در فصل پنجم نیز روش پیشنهادی خود در حذف نویز و استخراج ویژگی را توصیف میکنیم. در نهایت در فصل ششم روش حذف نویز و عمل دستهبندی با استفاده از این ویژگیها را با سایر روشها مقایسه میکنیم و به نتیجه گیری در مورد کار میپردازیم.
فصل دوم
سیگنالهای مغزی
2-1- مقدمه
سیگنال EEG مخفف Electroencephalography است که با استفاده از یک سری الکترودها که در سطح مغز قرار می‌گیرند، فعالیت‌های الکتریکی مغز را اندازه گیری می‌کند[13]. الکترودها به منظور جمع آوری ولتاژ در مکان‌های خاصی از مغز قرار می‌گیرند. قبل از اینکه الکترودها در سطح پوست قرار گیرند یک ژل هادی به منظور کاهش مقاومت روی پوست سر مالیده می‌شود. خروجی این الکترودها به ورودی یک تقویت کننده وصل می‌شود سپس از فیلترهای بالا گذر و پایین گذر عبور داده می‌شود. تغییرات در جریان اکسیژن خون با میزان فعالیت‌های عصبی ارتباط دارد. زمانی که سلول‌های عصبی فعال هستند اکسیژنی که توسط هموگلوبین خون حمل می‌شود را مصرف می‌کنند. پاسخ محلی به این کاهش اکسیژن افزایش جریان خون در ناحیه‌هایی است که فعالیت‌های عصبی زیاد است. از طرف دیگر در اثر فعالیت‌های عصبی و انتقال پیام‌های عصبی جریان الکتریکی تولید می‌شود که این جریان الکتریکی طبق قانون مارکوف یک میدان مغناطیسی را تولید می‌کند.
2-2- کشف سیگنالهای مغزی
در سال ١٨٧۵ ریچارد کاتن جراح انگلیسی ، به وجود پتانسیلهای الکتریکی در سطح قشر مغز باز شده حیواناتی همچون خرگوش و میمون پیبرد [14] او همچنین گزارش داد که وقتی به چشم حیوان نور میتابد، تغییراتی را در پتانسیل مغز او و در جهت خلاف چشمی که در آن نور تابانده شده است مشاهده میشود . در همان سالها تحقیقات مشابهی نیز در روسیه و فنلاند انجام گرفت.[15] اما هانس برگر پزشک و روانشناس آلمانی نخستین کسی بود که سیگنالهای مغزی یک انسان را ثبت نمود. او با اطلاع یافتن از نتایج تحقیقات کاتن برروی حیوانات، مسیر تحقیقات خود را متوجه انسانها نمود .وی که با استفاده از وسایل ابتدایی گالوانومتر رشته ای12 تحقیقات خود را انجام میداد، در سال ١٩٢٠ اولین نتایج خود را با افرادی که دارای جمجمه با فاصله ای فاقد استخوان بودند بدست آورد . برگر عمل ثبت را برروی کاغذ عکاسی و با حرکت یک نقطه نورانی نوسانی برروی آن انجام میداد. به همین ترتیب بود که برگر حرکات منظم با فرکانس تقریبی ١٠ هرتز را کشف کرد و آنها را که نخستین ریتم پیدا شده در سیگنالهای مغزی انسان بودند را α نامید.
در طول چند سال بعد برگر کارهای خود را با انجام ثبت های بیشتر ادامه داد تا مطمئن شود که آنچه ثبت میشود ناشی از هارمونیکهای13 تولید شده توسط جریان خون و یا ناشی از پوست سر نمیباشد . تا اینکه نهایتا در سال ١٩٢٩ چنین نوشت[16]:
“EEG یک منحنی با نوسانات پیوسته است که با آن میتوان به وجود امواج نوع اول با دوره متوسط 90ms و امواج نوع دوم، با دامنه کوچکتر و با دوره متوسط35 ms پیبرد. نوسانات با دامنه حداکثر150-200 میکروولت اندازه گیری شده اند.”
تقریبا از همان زمان نامگذاری امواج مغزی تحت عناوینα,β,.. همچنین استفاده از اصطلاح الکترو انسفالوگرام برای سیگنالهای مغزی متداو ل شد . برگر از همان زمان بدنبال یافتن ارتباط امواج مغزی با برخی بیماریها و فعالیتهای ذهنی بود . او در ادامه تحقیقات خود متوجه تغییرات امواج α در بیماری هایی همچون صرع، آلزایمر و همچنین در طول مدت خواب گشت.
نتایج تحقیقات برگر او را به سرعت به شهرت جهانی رساند. وی دو بار نامزد دریافت جایزه نوبل شد؛ اما بعلت مخالفت نازیها این جوایز به او اعطا نشد. وی نهایتا در سال ۱۹۴۱ خودکشی کرد.
2-3- ثبت سیگنالهای مغزی
اغلب برای قرار دادن الکترودها بر روی سر جهت ثبت امواج مغز از سیستم بین المللی 20/10 الکترود استفاده میشود. این سیستم از محلهای آناتومیکی14 ویژه ای برای استاندارد کردن محل الکترودها استفاده میکند.
برای داشتن امکان مقایسه نتایج ثبت سیگنال مغزی و امکان تعمیم نتایج، در سال 1949 میلای یک شیوه الکترودگذاری به عنوان استاندارد بین المللی شناخته شد[17]. این چیدمان جهانی الکترودها که به عنوان `استاندارد 10-20 شناخته شد، امکان پوشاندن تقریبا تمام نواحی سر را توسط الکترودها فراهم می‌کند(شکل[18](1-2. انتخاب محل الکترودها بر اساس نقاط ویژه استخوان جمجمه انجام گرفته است. الکترود‌ها در نواحی تلاقی سطوح استخوان جمجمه قرار می‌گیرند که سایر الکترودهای میانی بر اساس 10 و 20 درصد کل فاصله چیده خواهند شد. شکل(1-2) نواحی مختلف قرار گیری الکترودها را نشان می‌دهد. نام هر منطقه بر اساس لبی که در آن قرار گرفته ‌است و قرار داشتن در نیم‌کره راست یا چپ مشخص می‌شود. به این صورت که در نیم‌کره چپ با اعداد فرد و در نیمکره راست با اعداد زوج نشان داده می‌شود.

شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 20
2-4- پیش پردازشها روی سیگنالهای مغزی
همانطور که می دانیم، سیگنال EEG ثبت شده از روی سر معمولا همراه با نویزهای مختلفی میباشند.که از آن جمله می توان به سیگنال پلک زدن و حرکات چشم EOG ،انقباض ماهیچهها EMG، سیگنال قلبی ECG و همچنین نویز برق شهر اشاره نمود.
این سیگنالها عموما در محدوده فرکانسی 0 تا 100 هرتز که بیشترین انرژی آن در محدوده 0.5 تا 60 هرتز است، میباشد. دامنه این سیگنالها نیز در محدوده 2 تا 100 میکرو ولت میباشد. لذا این سیگنالها هم از نظر فرکانس و هم از نظر دامنه با دیگر سیگنالهای حیاتی مانند ECG، EOG و … هم پوشانی دارند. در شکل(2-2) محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی نشان داده شده است[16]. همانطور که ملاحظه میشود سیگنال EEG با اکثر سیگنالهای دیگر هم پوشانی دارد.
علاوه بر نویز مربوط به دیگر سیگنالهای حیاتی ، نویزهای مربوط به برق شهر که فرکانس 50 تا 60
شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی
هرتز دارد و همچنین نویز های مربوط به الکترودها نیز بر روی این سیگنالها تاثیر میگذارد.
وجود نویز در سیگنالهای EEG باعث میشود که پردازش بر روی این سیگنالها مشکل باشد و باعث ارزیابی و نتایج نادرست میشود. لازم است که تا حد امکان این نویزها از این سیگنالها حذف شود. برای نویز برق شهر سعی می شود که وسایل ثبت را تا حد امکان ایزوله نمایند و همچنین با استفاده از فیلترهای notch و فیلترهای نرم افزاری فرکانس ناشی از برق شهر را حذف کنند.
برای حذف نویز مربوط به سیگنالهای حیاتی و همچنین دیگر نویزها محققین روشهای زیادی را استفاده کردهاند. یکی از متداولترین روشهای پردازشی برای مقابله با اثرات نامطلوب نویز، حذف قسمتهایی ازEEG است که حاوی نویزی بزرگتر از یک آستانه تعیین شده هستند. البته این روش به منزله از دست دادن اطلاعات در آن بازه میباشد. گروه دیگر روشها بر پایه رگرسیون در حوزه زمان و یا فرکانس هستند.[19] این روشها دارای دو ایراد عمده میباشند ، اول اینکه نیاز به وجود کانال مرجع برای نویز دارند و دوم اینکه بعلت خالص نبودن سیگنال ثبت شده توسط الکترودهای EOG مقداری از سیگنال EEG که توسط الکترودهای مزبور ثبت میشود نیز به اشتباه بعنوان نویز تلقی شده و از سیگنال کم میگردد.
در [20] روشی برای حذف نویزهای مصنوعی چشمی با استفاده از آنالیز مولفههای اصلی ، PCA ، ارائه دادند. ابتدا مولفههای عمده بیانگر پلکها وحرکات افقی و عمودی چشم را درسیگنالهای کالیبره شناسایی کرده و با حذف این مولفه ها از داده EEG آنرا تصحیح نمودند . این مقاله با مقایسه روش رگرسیون و مدلهای دوقطبی مکانی –زمانی مزیت و برتری روش PCA را نشان داده است. همچنین در [21] نشان داده شد که ممکن است برخی مولفهها ترکیب EEG و EOG بوده و با حذف آنها مقداری از اطلاعات EEG نیز از دست برود. اخیرا از روش آنالیز مولفههای مستقل برای تجزیه EEG به منابع مستقل تشکیل دهنده آن استفاده شده است. [22] این روش در جداسازی و حذف منابع نویزی در سیگنالهای حیاتی و بخصوص EEG بسیار موفق بوده است. از سال 2002 تلفیق برخی از روشهای حذف نویز همراه با ICA مد نظر قرار گرفت و در [ 23 ] از تلفیق روشICA وفیلتر زیر فضا جهت حذف نویزهای داخلی و نویزهای تجمیعی استفاده شده است. در سال 2004 Zhou و Goteman از ترکیب موجک و ICA برای حذف نویز ECG وEMG استفاده نمودند .[24] آنها ابتدا داده را با روش موجک حذف نویز نموده و سپس ICA را بر روی آن اعمال نمودند. در سالهای اخیر روشهایی نرم افزاری جهت ساده کردن این فرآیند وقت گیر و حذف خودکار آرتیفکتها پیشنهاد گردیده است. در [ 25] حذف تطبیقی و بروزEOG با استفاده از ICA مبتنی بر شبکه عصبی و استفاده از PCA غیر خطی انجام شده است[26] . در سال 2007، Delorme و همکاران به حذف آرتیفکت با استفاده از ICA و آمارگانهای مرتبه بالاتر پرداختند[ 27 ] آنها ابتدا به مقایسه3 روش مختلف ICA و SoBI Infomax و Fast ICA روی داده شبیه سازی شده پرداختند و در ادامه به قسمتهایی از EEG که دارای آرتیفکت نبوده ، آرتیفکتهایی تا 30 مرتبه کوچکتر از EEG اضافه کرده و کارآیی 5 روش مختلف و معمول حذف آرتیفکت را مقایسه نمود ه اند.(آستانه استاندارد، شیبهای خطی، عدم احتمال داده، کورتوزیس والگوی طیفی) نتایج حاکی از آن است که تمامی روشها در صورتیکه روی مولفههای بدست آمده از ICA اعمال گردد، نسبت به اعمال روی خود داده EEG بسیار بهتر عمل میکنند. مگر در مورد آرتیفکت ماهیچه ای که تفاوت بارزی بین دو حالت مشاهده نشده است. در مرجع [28] از تلفیق روش ICA و موجک استفاده نمودند، آنها ابتدا روش ICA را روی داده EEG پیاده نموده و سپس مولفههای تشخیص داده شده بعنوان نویز را با استفاده از موجک حذف نویز نمودند. آنها بیان نمودند که بعلت بیشتر بودن تعداد منابع از سنسورها ممکن است چند مولفه کوچک مغزی که استقلال کمتری نسبت به EOG دارند، در یک مولفه مستقل بدست آید و حذف کامل این مولفه منجر به از دست دادن مقداری از اطلاعات EEG گردد.
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه
با کشف سیگنالهای EEG بسیاری از محققین در سراسر دنیا شروع به فعالیت در این زمینه کردند. مجموعه دادههای متفاوت و با کاربردهای متفاوتی ایجاد شد. اکثر این محققین در تلاش به رسیدن به طراحی سیستم واسط مغز و کامپیوتر(BCI) بودند. در شکل) 1-1 ( یک سیستم BCI نشان داده شده است. این سیستم از سه بخش اصلی پیش پردازش ، استخراج ویژگی و دستهبندی تشکیل شده است. محققین مشغول به تلاش برای بهبود در هر یک از سه بخش اصلی شدند. در این فصل ابتدا مجموعه دادههای استاندارد موجود را معرفی میکنیم. در بخشهای دیگر نیز به بررسی روشهای مختلف استخراج ویژگی ، کاهش ویژگی و روشهای مختلف دستهبندی میپردازیم . لازم به ذکر است که قسمت پیش پردازش و حذف نویز را در فصل پیش توضیح دادیم
3-2- معرفی دادههای موجود
3-2-1- مشخصات دادههای ثبت شده توسط گروه دانشگاهColorado
اولین گروه از دادهها متعلق به گروه Aunon و Keirn دانشگاه Colorado است[4]. این دادهها مطابق استاندارد 20-10 از کانالهای C3، C4، P3، P4، O1 و O2 همراه با یک کانال EOG ثبت شده است. هر سری از دادهها به مدت 10 ثانیه و با نرخ نمونه برداری 250 هرتز ثبت شده است. این دادهها مجموعه ماتریسی به ابعاد 7*2500 را تشکیل میدهند. ثبت کانالهای EEG نسبت به کانالهای مرجع A1 و A2 ، که به استخوانهای پشت دو گوش متصل شده و از نظر الکتریکی به یکدیگر متصل بودند، انجام شده است. از فیلترهای آنالوگ Grass7P511 که فیلترهایی میان گذر با باند عبور بین 1/0 تا 100 هرتز است، استفاده شده است. این دادهها از 7 نفر ثبت شده است. نفر اول چپ دست با 48 سال سن و نفر دوم راست دست با 39 سال سن می باشد. این دو نفر از کارمندان دانشگاه بوده اند و نفر سوم تا هفتم همگی راست دست و از میان دانشجویانی با سنین بین 20 تا 30 سال بودهاند. همه افراد مرد بودهاند فقط نفر پنجم زن بوده است.
از هر شخص در یک جلسه ۵ بار و هر بار از ۵ فعالیت ذهنی سیگنال ثبت شده است. ۵ ثبت دیگر هم در روز دیگر انجام شده است، بجز افراد دوم و هفتم که تنها در یک جلسه ثبت سیگنال شرکت نمودهاند. از سوی دیگر نفر پنجم در یک جلسه سوم نیز شرکت نموده است. کلیه ثبتهای انجام شده، یکبار با چشمان باز و بار دیگر با چشمان بسته صورت گرفته است.Aunon و Keirn ، سعی در انتخاب فعالیتهای ذهنی نمودهاند، که نواحی نسبتا معینی از مغز را درگیر کنند و یا میزان فعالیت دو نیم کره مغزی در حین انجام آنها متفاوت باشد. این پنج فعالیت ذهنی عبارتند از: 1- حالت استراحت15 2- عمل ضرب ذهنی16 3- دوران ذهنی یک شی هندسی17 4- نامه نامه نگاری ذهنی18 5- شمارش ذهنی همراه با تصویر چشمی19.
3-2-2- مشخصات داد ههای ثبت شده توسط گروه Graz
یکی دیگر از مجموعه داده استاندارد که محققین بر روی آنها کار میکنند، توسط گروه دانشگاه Graz ثبت شده است[7-11]. این دادهها از سه نفر زن راست دست که سنشان بین 20 تا 27 سال است، ثبت شده است. در ابتدای هر آزمایش در لحظه صفر یک علامت (+) در وسط مانیتور و روبروی فرد ظاهر میگردد. دو ثانیه بعد صدای زنگ هشدار دهنده به صدا در میآید. یک ثانیه بعد علامت فلش که به سمت راست یا چپ مانیتور اشاره میکنند ظاهر میشود. این علامت به مدت 1/25 ثانیه بر روی مانیتور وجود دارد. از آن زمان به بعد شخص بر اساس جهت فلش ، مشغول به تصور حرکت یکی از دو دست راست و چپ میشود. از آن پس عمل نشان دادن فلش جهت دار با فواصل زمانی بین ٩ تا ١١ ثانیه تکرار میشود و فرد مورد آزمایش ، تصور حرکت دست مربوطه را انجام میدهد.
این سیگنالها از 56 الکترود که بر روی سر با فواصل تقریبی 2/5 سانتیمتر و نسبت به مرجع پتانسیل گوش راست قرار دارند ثبت شده است. سیگنال ثبت شده از یک فیلتر میان گذر با باند عبور 0/5 تا 50 هرتز عبور داده شده است. عمل نمونه برداری با نرخ 128 هرتز انجام گرفته است. کانال EOG هم بصورت دو قطبی20 بین دو الکترود ، که در بالا و پایین چشم راست قرار داشت ثبت شده است. جهت اطمینان از عدم وجود سیگنال EMG این سیگنال نیز در طی آزمایش از روی ساعد دو دست راست و چپ نیز ثبت شده است.
بدین ترتیب هر مرتبه ثبت سیگنال شامل 8 ثانیه است. که فاصله زمانی 0- 4 ثانیه مربوط به آماده سازی فرد و 4-8 ثانیه نیز حاوی سیگنال تصور حرکت دست است. همه داده ها برای اطمینان از عدم وجود Artifact و یا پتانسیل حرکتی به طور جداگانه بررسی شدند. بدین ترتیب در مجموع 149 سیگنال از نفر اول ثبت شد(75 مرتبه دست راست و 74 مرتبه دست چپ) از نفر دوم 142 سیگنال (67 مرتبه دست راست و 75 مرتبه دست چپ). از نفر سوم نیز 115 سیگنال (56 مرتبه دست راست و 59 مرتبه دست چپ). دادههای ثبت شده توسط این گروه به علت پیش پردازش آماده به کار بودند ولی داده های مربوط به گروه Colorado برای قابل استفاده شدند نیاز به پیش پردازشهای دارند.
3-2-3- مشخصات دادههای MIT-BIH
یکی دیگر از مجموعه دادهها استاندارد مربوط به دادههای مراحل خواب است. دادههای MIT-BIH شامل 8 مجموعه میباشد. 4 مجموعه آن شامل حدود 24 ساعت ثبت سیگنال و 4 مجموعه دیگر شامل حدود 12 ساعت ثبت سیگنال میباشد. سیگنالهای موجود در 4 مجموعه شامل 2 ثبت سیگنال EEG که از کانالهای Fpz-Cz و Pz-Oz ، سیگنال EOG و سیگنال EMG میباشد. این سیگنالها از مردها و زن هایی با محدوده سنی 21 تا 35 سال ثبت شده است. این دادهها با نرخ 100 هرتز نمونه برداری شدهاند. فیلترهای پایینگذر با فرکانس قطع 100 هرتز و فیلتر بالاگذر با فرکانس قطع 0/5 هرتز را، بر روی این سیگنالها عبور دادهاند. برای هر یک از مجموعهها 10 ساعت از سیگنال ثبتی شامل کل زمان خواب و دقایقی از بیداری قبل و بعد از خواب انتخاب شده است. با توجه به اینکه هر 30 ثانیه یک epoch در نظر گرفته میشود، این 10 ساعت در هر مجموعه شامل 1200 epoch میشود که توسط افراد متخصص ارزیابی میشود. مراحل خواب در این دادهها شامل Awake و1 و 2 و 3و4 وREM و MT است[29]


پاسخ دهید