بازشناخت تصور حرکتی در افراد دارای معلولیت با استفاده از الگوی طیفی فضای پراکنده مشترک (CSSSP) و انتخاب ویژگی‌های متوالی (SFS)

مهندسی مخابرات جنوب

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 خرداد 1402   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jce.2023.1981368.1196

نویسندگان

علیرضا پیراسته¹؛ منوچهر شمسینی غیاثوند^{* 1}؛ مجید پولادیان²

¹گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

²گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

تصور حرکتی یک فرآیند ذهنی است که شامل آمادگی برای حرکت است. سیستم رابط مغزی قصد دارد ارتباط مستقیم بین مغز و رایانه را برای آگاهی از درخواست های یک فرد و استفاده از آنها به عنوان سیگنال کنترلی برای دستگاه های خارجی آماده کند. با استفاده از پیش پردازش، استخراج ویژگی ها و طبقه بندی سیگنال های EEG قابل تحقق است. رویدادهای تصویربرداری حرکتی در سه باند فرکانسی اصلی بتا، مو و گاما رخ می‌دهند. پس از پیش پردازش داده های EEG، مرحله بعدی اعمال انواع فیلترها به منظور کاهش هر گونه نویز باقیمانده موجود در سیگنال است. در ادامه روش های مختلف استخراج ویژگی و طبقه بندی تصاویر حرکتی بر روی داده ها پیاده سازی خواهد شد. مطالعات تصویربرداری عملکردی متعددی نشان داده است که تصور حرکتی از فعال شدن خاص مدارهای عصبی درگیر در مراحل اولیه کنترل حرکتی ناشی می‌شود. مطالعات نشان داده است که الگوریتم CSP بهتر از سایر الگوریتم ها در تصور ذهنی حرکتی عمل می کند. به دلیل عدم وجود باند فرکانسی مناسب، نتایج روش CSP وابسته به فرکانس رضایت بخش نیست، بنابراین CSSP مشابه فیلتر FIR است، اما از آنجایی که این فیلتر تمام ضرایب یک فیلتر FIR را ندارد، وجود نویز در سیگنال EEG می تواند به تعریف نابهینه فیلتر فرکانس منجر شود. برای حل این مشکل از الگوریتم CSSSP استفاده شده است. مشخص گردید که با بکارگیری روش پیشنهادی CSSSP با استفاده از انتخاب متوالی ویژگی برای استخراج ویژگی SFS، عملکرد CSSSP در بیشتر موارد در مقایسه با CSP و CSSP بهتر بوده و میانگین دقت 92.55 درصد بوده است.

کلیدواژه‌ها

پردازش سیگنال EEG؛ CSP؛ CSSP؛ CSSSP؛ SFS؛ استخراج ویژگی ها؛ تصور ذهنی

مراجع

[1]       A. Pirasteh, M. Shamseini Ghiyasvand and M.  Pouladian, "Determination of the type of the imagined movement of organs in People with mobility disabilities using corrected common Spatial Patterns," Signal Processing and Renewable Energy, pp. 17-29, Feb 2022, Issn: 2588-7327.

[2]       G. Dornhege, B. Blankertz, M. Krauledat, F. Losch, G. Curio and K. -. Muller, "Combined   Optimization of Spatial and Temporal Filters for Improving Brain-Computer Interfacing," in IEEE Transactions on Biomedical Engineering, vol. 53, no. 11, pp. 2274-2281, Nov. 2006, doi: 10.1109/TBME.2006.883649.

 [3]      J.K. Feng, J. Jin, I. Daly,J. Zhou, Y. Niu, X. Wang and A. Cichocki “An Optimized Channel Selection Method Based on Multifrequency CSP-Rank for Motor Imagery-Based BCI System,” Computational Intelligence and Neuroscience, vol.  2019  , Article Number: 8068357, 2019, doi: 10.1155/2019/8068357.

[4]       J. Khan et al., "Multiclass EEG motor-imagery classification with sub-band common spatial patterns,” EURASIP Journal on Wireless Communications and Networking, Article Number: 174, pp. 1-9, 2019, doi: 10.1186/s13638-019-1497-y.

[5]       N. Korhan, Z. Dokur and T. Olmez, "Motor Imagery Based EEG Classification by Using Common Spatial Patterns and Convolutional Neural Networks," in Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT)., Istanbul, Turkey, 2019, pp. 1-4, doi: 10.1109/EBBT.2019.8741832.

[6]       R. Zhang et al., "Using Brain Network Features to Increase the Classification Accuracy of MI-BCI Inefficiency Subject," in IEEE Access, vol. 7, pp. 74490-74499, 2019, doi: 10.1109/ACCESS.2019.2917327.

[7]       H. Ramoser, J. Muller-Gerking and G. Pfurtscheller, "Optimal spatial filtering of single trial EEG during imagined hand movement," in IEEE Transactions on Rehabilitation Engineering, vol. 8, no. 4, pp. 441-446, Dec. 2000, doi: 10.1109/86.895946.

[8]       J. Yang , Z. Ma and T. Shen, "Multi-Time and Multi-Band CSP Motor Imagery EEG Features Classification Algorithm," Applied Sciences , vol. 11, no. 21, p. 10294, 2021, doi: 10.3390/app112110294

[9]       X. Geng, D. Li, H. Chen, P. Yu, H. Yan and M. Yue, "an improved features extraction algorithms of EEG signals based on motor imagery brain-computer interface," Alexandria Engineering Journal , vol.  61, no.  6, June 2022, pp. 4807-4820, doi: 10.1016/j.aej.2021.10.034.

[10]    C. Park, C. C. Took and D. P. Mandic, "Augmented Complex Common Spatial Patterns for Classification of Noncircular EEG From Motor Imagery Tasks," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 22, no. 1, pp. 1-10, Jan. 2014, doi: 10.1109/TNSRE.2013.2294903.

[11]    Y. Guo, Y. Zhang, Z. Chen, Y. Liu and W. Chen, "EEG classification by filter band component regularized common spatial pattern for motor imagery," Biomedical Signal Processing and Control, vol. 59, p. 101917, 2020, doi: 10.1016/j.bspc.2020.101917.

[12]    B. Blankertz et al., "The BCI competition III: validating alternative approaches to actual BCI problems," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 14, no. 2, pp. 153-159, June 2006, doi: 10.1109/TNSRE.2006.875642.