شناسایی حرکات تصور شده برمبنای ویژگی‌های دینامیکی سیگنال EEG

روش‌های هوشمند در صنعت برق

دوره 11، شماره 43، آبان 1399، صفحه 13-27   

نوع مقاله: مقاله پژوهشی

نویسندگان

نگار دشتی¹؛ مهدی خضری^{* 2}

¹دانشکده مهندسی برق- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

²مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

چکیده

کنترل اندام­های مصنوعی می­تواند از طریق تفکیک الگوهای تصورحرکت با استفاده ازسیگنال­های الکتروانسفالوگرافی (EEG) انجام شود. هدف از انجام این مطالعه تشخیص تصور حرکات دست و پا برمبنای سیگنال EEG است. مجموعه آزمون­های IVA از داده­های  BCI Competition IIIکه شامل سیگنال­های EEG ثبت­شده از 5 فرد سالم و در سه کانال C3، C4 و C_Z است، برای طراحی سیستم تشخیص حرکات تصور شده به­کار رفت. در ابتدا، با استفاده از روش تحلیل مولفه­ی اصلی چند مقیاسی (MSPCA) اجزای اساسی نویز سیگنال EEG حذف شدند. در مرحله­ی بعد، سیگنال­های EEG با دو روش مختلف شامل فیلترینگ فرکانسی با استفاده از فیلتر باترورث و روش تبدیل بسته ویولت (WPT) به بخش­هایی تجزیه شدند. در این مطالعه، تجزیه ‌و تحلیل نوسانات تفکیک‌شده، بعد فرکتال، بعد همبستگی، پیچیدگی لیمپل-زیو و آنتروپی به­عنوان ویژگی­های دینامیکی برای سیگنال­ها محاسبه شدند. ویژگی­های مورد نظر در هر دو روش تجزیه، برای نسخه زمانی زیرباندهای تعیین شده محاسبه شدند. به­منظور تعیین بهترین عملکرد سیستم، ترکیب­های متفاوتی از کانال­ها و ویژگی­ها مورد ارزیابی قرار گرفتند. روش تجزیه بر مبنای تبدیل ویولت، درحالت استفاده از هر سه کانال و پنج ویژگی، بالاترین دقت تشخیص را ارایه کرد؛ به­گونه­ای که با استفاده از روش­ طبقه­بندی ماشین بردار پشتیبان (SVM)، دقت 93 درصد در شناسایی حرکات مورد نظر به­دست آمد.

کلیدواژه‌ها

تصور حرکت؛ طبقه بندی؛ ویژگی‌های غیرخطی؛ تبدیل ویولت؛ SVM

مراجع

[1] B. Blankertz, G. Dornhege, M. Krauledat, K. Müller, G. Curio, "The non-invasive Berlin Brain-computer interface: fast acquisition of effective performance in untrained subjects", NeuroImage, vol. 37, pp. 539-550, Aug. 2007 (doi: 10.1016/j.neuroimage.2007.01.051).

[2] E.W. Sellers, E. Donchin, "A P300-based brain-computer interface: initial tests by ALS patients", Clin Neurophysiol, vol. 117, pp. 538-548, Mar. 2006 (doi: 10.1016/j.clinph.2005.06.027).

[3] X. Gao, D. Xu, M. Cheng, S. Gao, "A BCI-based environmental controller for the Motion disabled", IEEE Trans on Neural Systems and Rehabilitation Engineering, vol. 11, no. 2, pp. 137–140, Jun. 2003 (doi: 10.1109/TNSRE.2003.814449).

[4] B. Graimann, B. Allison, G. Pfurtscheller, "Brain-computer interfaces: A gentle introduction", In: Graimann B., Pfurtscheller G., Allison B. (eds) Brain-Computer Interfaces. The Frontiers Collection. Springer, Berlin, Heidelberg, pp. 1-27, 2010 (doi: 10.1007/978-3-642-02091-9_1).

[5] J. Meng, G. Liu, G. Huang, X. Zhu, "Automated selecting subset of channels based on CSP in motor imagery brain-computer interface system", IEEE International Conference on Robotics and Biomimetics (ROBIO), Guilin, China, pp. 2290-2294, Dec. 2009 (doi: 10.1109/ROBIO.2009.5420462).

[6] M. Li, C. Lu, "The recognition of EEG with CSSD and SVM", Proceedings of the IEEE/WCICA, Beijing, China, pp. 4741-4746, Nov. 2012 (doi: 10.1109/WCICA.2012.6359377).

[7] N. Robinson, A.P. Vinod, K.K. Ang, K.P. Tee, C.T. Guan, "EEG-based classification of fast and slow hand movements using wavelet-CSP algorithm", IEEE Trans on Biomedical Engineering, vol. 60, no. 8, pp. 2123-2132, Aug. 2013 (doi: 10.1109/TBME.2013.2248153).

[8] Y. Siuly, P. Li, P. Wen, "Modified CC-LR algorithm with three diverse feature sets for motor imagery tasks classification in EEG based brain computer interface", Comput Methods Programs Biomed, vol. 113 no.13, pp. 767-780, Jan. 2014 (doi: 10.1016/j.cmpb.2013.12.020).

[9] M. Severens, M. Perusquia-Hernandez, B. Nienhuis, J. Farquhar and J. Duysens, "Using Actual and Imagined Walking Related Desynchronization Features in a BCI", IEEE Trans Neural Syst Rehabil Eng, vol. 23, no. 5, pp. 877-886, Sept. 2015 (doi: 10.1109/TNSRE.2014.2371391).

[10] M. Ma, L. Guo, K. Su and D. Liang, "Classification of motor imagery EEG signals based on wavelet transform and sample entropy", 2017 IEEE 2^nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, pp. 905-910, Oct. 2017 (doi: 10.1109/IAEAC.2017.8054145).

[11] S. Enshaeifar, C. C. Took, C. Park and D. P. Mandic, "Quaternion Common Spatial Patterns", IEEE Trans Neural Syst Rehabil Eng, vol. 25, no. 8, pp. 1278-1286, Aug.  2017 (doi: 10.1109/TNSRE.2016.2625039).

[12] X. Ma, S. Qiu, W. Wei, S. Wang and H. He, "Deep Channel-Correlation Network for Motor Imagery Decoding from the Same Limb", IEEE Trans. Neural Syst Rehabil Eng, vol. 28, no. 1, pp. 297-306, Jan.    2020 (doi: 10.1109/TNSRE.2019.2953121).

[13] B. Blankertz, K.R. Müller, D.J.  Krusienski, G.  Schalk, J.R.  Wolpaw, A.  Schlögl, G. Pfurtscheller, R.M.  Jdel, M.  Schröder, N.  Birbaumer, "The BCI competition III: Validating alternative approaches to actual BCI problems", IEEE Tans Neural Syst Rehabil Eng, vol. 14, no. 2, pp. 153–159, Jun. 2006 (doi: 10.1109/TNSRE.2006.875642).

[14] J.Kevric, and Subasi, "Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system". Biomed Signal Process Control, vol. 31, pp.398-406, Jan. 2017 (doi: 10.1016/j.bspc.2016.09.007).

[15] J.A. Wilson, G.  Schalk, L.M. Walton, J.C. Williams, "Using an EEG-Based brain-computer interface for virtual cursor movement with BCI2000", J. Vis Exp.  vol.29, Jul. 2009 (doi: 10.3791/1319).

[16] B. Hosseinifard, M.H. Moradi and R. Rostami, "Classifying depression patients and normal subjects using machine learning techniques and nonlinear features from EEG signal", Comput methods programs biomed, vol.109, no.3, pp.339-345, Mar. 2013 (doi: 10.1016/j.cmpb.2012.10.008).

[17] B.R.  Bakshi, "Multiscale PCA with application to multivariate statistical process monitoring", AlChE. Vol. 44, no.7, pp. 1596–1610, Jul. 1998 (doi: 10.1002/aic.690440712).

 [18] C. Peng, J. Hausdorff, A. Goldberger, "Fractal Mechanisms in Neural Control: Human Heartbeat and Gait Dynamics in Health and Disease", In: Walleczek J, ed. Self-Organized Biological Dynamics and Nonlinear Control. Cambridge: Cambridge University Press, 2000.

[19] R.  Esteller, G.  Vachtsevanos, J.  Echauz, B.  Litt, "A comparison of waveform fractal dimension algorithms", IEEE Trans Circuits Syst, I, Fundam Theory Appl, vol. 48, no.2, pp. 177–183, Feb. 2001 (doi: 10.1109/81.904882).

[20] C.  Go’mez, A.  Mediavilla, R.  Hornero, D.  Aba’solo, A. Ferna’ndez, "Use of the Higuchi’s fractal dimension for the analysis of MEG recordings from Alzheimer’s disease patients", Med Eng Phys,       vol. 31, no.3, pp. 306–313, Apr. 2009 (doi: 10.1016/j.medengphy.2008.06.010).

[21] M.  Akay, "Nonlinear Biomedical Signal Processing:  Dynamic Analysis and Modeling", Wiley-IEEE Press, New York, Sep. 2000.

[22] X. S. Zhang, R. J. Roy, and E. W. Jensen, "EEG complexity as a measure of depth of anesthesia for patients", IEEE Trans Biomed Eng, vol. 48, no. 12, pp. 1424–1433, Dec. 2001 (doi: 10.1109/10.966601).

[23] R. Nagarajan, "Quantifying physiological data with Lempel-Ziv complexity-certain issues", IEEE Trans Biomed Eng, vol. 49, no. 11, pp. 1371–1373, Nov. 2002 (doi: 10.1109/TBME.2002.804582).

[24] X. S. Zhang, Y. S. Zhu, N. V. Thakor, and Z. Z. Wang, "Detecting ventricular tachycardia and fibrillation by complexity measure", IEEE Trans Biomed Eng, vol. 46, no. 5, pp. 548–555, May. 1999 (doi: 10.1109/10.759055).

[25] G. Palshikar, "Simple algorithms for peak detection in time-series", In Proc. 1st Int. Conf. Advanced Data Analysis, Business Analytics and Intelligence, pp. 1-13, Jun. 2009.