تشخيص الگوهاي EEG در هنگام تصور حرکت دست با استفاده از يك طبقه بندي كنندة مبتني بر ا ناليز مولفه های مستقل عباس عرفانيان اميدوار گروه مهندسي پزشكي دانشكده مهندسی برق دانشگاه علم و صنعت ايران erfanian@iust.ac.ir علی عرفانی دانشکده مهندسی پزشکی واحد علوم تحقيقات دانشگاه ا زاد اسلامی چکيده: در سال هاي اخير گزارشات بسيار زيادي دربارة امكان تشخيص فعاليت هاي ذهني بوسيلة سيگنال هاي مغزي اراي ه شده است. در اين مقاله از روش ا ناليز مولفه هاي مستقل جهت بررسي سيگنال هاي مغزي در حين تصور حرکت دست و تشخيص تصور حرکت دست استفاده مي شود. ا ناليز مولفه هاي مستقل يک روش گسترش يافته ا ناليز مولفه هاي اصلي است و براي جداسازي کور منابع مستقل که بطور خطي ترکيب شده اند بکار مي رود. لذا انتظار مي رود با ا ناليز مولفه هاي مستقل سيگنال هاي مغزي در حين تصور حرکت فعاليت هاي مختلف مجزاي مغز را در طول فرا يند تصور جدا و بصورت يك مولفه مستقل اراي ه داد. نتايج اين تحقيق نشان مي دهد که مي توان با ا ناليز مولفه هاي مستقل بر روي سيگنال ه يا مغزي در حين تصور حرکت فعاليت هاي مختلف ذهني مربوط به فرا يند تصور را تفکيک کرد. بر اساس اين بررسي يك طبقه بندي كنندة سيگنال هاي مغزي بر مبناي مولفه هاي مستقل جهت تشخيص تصور حركت و حالت استراحت اراي ه مي شود. يكي از مساي ل مهم درطبقه بندي استخراج ويژگي ها است. در اين تحقيق قدرمطلق دامنه (MAV) پراش (VAR) توان متوسط باندهاي Hz) β(13-35 Hz) α(8-13 Hz) θ(3-8 توان مولفه ه يا فرکانسي در باند ا لفا بتا و تتا و ضرايب مدل AR مربوط به مولفه هاي مستقل بعنوان ويژگي در نظر گرفته شده است و از يك شبكة عصبي پس انتشار خطا جهت طبقه بندي استفاده شده است. نتايج نشان مي دهد که ويژگي هاي مولفه هاي مستقل نسبت به ويژگي هاي خود سيگنال مغزي تشخيص دقيق تري را نتيجه داده است. علاوه بر اين پارامترهاي مدل AR مولفه هاي مستقل نتايج دقيق تر و مقاوم تري نسبت به ديگر ويژگي ها داشته است. ۱- مقدمه در سال هاي اخير گزارشات بسيار زيادي دربارة امكان ارتباط انسان با کامپيوتر از طريق سيگنال هاي مغزي اراي ه شده است [١]-[٤]. اين كانال ناميده مي شود. ارتباطي تحت عنوان ارتباط مغز-كامپيوتر در مرجع [٥] از سيگنالهاي EEG مربوط به شش كانال مغزي سعي در تفكيك فعاليت هاي ذهني مربوط به انجام عمل رياضي و حالت استراحت ضرايب شده است. ا نها مدل خود بازگشتي يك متغيره ضرايب مدل خود بازگشتي چند متغيره مقادير ويژه و مقادير منفرد ضرايب مدل خود بازگشتي چند متغيره را بعنوان بردارهاي ويژگيسيگنال EEG در نظر گرفته اند و از يك شبكه عصبي پس انتشار خطا بعنوان طبقه بندي كننده استفاده كرده اند. در تحقيق ديگري [٦] نشان داده شده است كه مي توان چهار حالت مختلف ذهني شامل حالت ا رامش و سه حالت مربوط به انجام عمل ضرب ذهني در سطوح مختلف ساده ميانه و مشكل را بوسيله سيگنال هاي مغزي تشخيص داد. محققين در اين راستا در صدد تشخيص فعاليت هاي ذهني از سيگنال هاي مغزي و استفاده از ا ن بعنوان يك دستور به كامپيوتر هستند. تفكيك
ي م است و براي جداسازي کور منابع مستقل که بطور خطي ترکيب شده اند بکار مي رود. ICA ابزار موثري براي جداسازي انواع ا رتيفكتها از سيگنال EEG مي باشد و مي تواند دسته وسيعي از ا نها شامل حركات چشم پلك زدن EMG ECG و اغتشاشات خارجي را بخوبي از سيگنالهاي مغزي جدا ك د[ن ۱۰]. همچنين نشان داده شده است كه ICA قادر است در تحريك شنواي ي فعاليت قسمتهاي somatosensory و auditory را تحت دو مولفه جدا گانه اراي ه دهد [۱۰]. هدف ما در اين مقاله تشخيص تصور حركت دست از حالت استراحت با استفاده از ا ناليز مولفه هاي مستقل سيگنال هاي مغزي است. ۲- ا ناليز مولفه هاي مستقل در بسياري مواقع با داده هاي چند بعدي روبرو هستيم. (مانند سيگنال هاي مغزي مربوط به كانال هاي مختلف). در اين گونه موارد با استفاده از روش هاي استخراج ويژگي و باز نمايي اطلاعات ميتوان نمايش جديدي از اطلاعات بدست ا ورد كه گوياي خواص مطلوب و مورد نظر باشد. يكي از ابزارهاي پردازش اطلاعات چند بعدي ا ناليز مولفه ها است. هدف اين ا ناليز تصوير كردن داده هاي n -بعدي در يک فض m -اي بعدي با يک هدف خاص است: s = Wx (١) تصور حركت هاي مختلف از يكديگر بوسيلة سيگنال هاي مغزي محور ديگري از تحقيقات را در زمينة BCI تشكيل مي دهد. EEG در مرجع [٧] از سيگنال هاي مغزي دو كانال دو قطبي (C3, C4) جهت تشخيص تصور حركت هاي دست چپ و راست و از مولفه هاي فركانسي و پارامترهاي مدل ١ تطبيقي خودبازگشتي بعنوان ويژگي سيگنال EEG و از ا ناليز ٢ مو لفه هاي اصلي ويژگي استفاده شده است. براي تركيب ويژگي ها و كاهش بعد بردار در مرجع [۸] توان مولفه هاي سيگنال EEG شش کانال مغزي در فاصله بين ۰-۵۰Hz با استفاده از مدل AR و الگوريتم برگ تخمين زده شده است. ا نگاه با استفاده از ۳۰۰ مقدار طيف بدست ا مده و يک شبکه فازي ARMAP سعي در طبقه بندي سه فعاليت ذهني بين پنج فعاليت شده است. حالت استراحت انجام عمل ذه ين از رياضي چرخش دهني يک شي ي ترکيب ذهني يک کلمه بدون بيان ا ن و شمارش ذه ين داده اند. انتخاب ويژگي براي اعداد فعاليت هاي ذهني را تشکيل طبقه بندي سيگنال هاي مغزي وابسته به حرکت نقش اساسي را در سيستم هاي BCI ايفاء مي کند. از الگوريتم هاي ژنتيک نيز براي انتخاب ويژگي هاي مناسب از بين ۱۰۰۰ ويژگي استفاده شده است [۹]. پنج نوع و يژگي در اين کار بکار گرفته شده است: ضرايب مدل AR توان مولفه هاي فرکانسي در فاصله بين ۰-۳۲ هرتز فرکانس متوسط و دامنه متوسط در دو محدوده ۵-۱۵Hz و -۱۳Hz ۱۰ متوسط تفاوت دامنه هاي بين هر دو کانال و پراش تفاوت بين دامنه هاي هر دوکانال. اين ويژگي ها در سه فاصله زماني استخراج و در مجموع ۱۰۹۶ ويژگي بدست ا ورده شده است. نشان داده شده است که با انتخاب مجموعه با استفاده از الگوريتم ژنتيک حرکت دو عضو را تشخيص داد. ه يا ويژگي ۱۰ از بين اين توان با دقت %۸۷ اين مقاله بر روي يک روش جديد پردازش سيگنال تحت عنوان ا ناليز مولفه هاي مستقل متمرکز است. ا ناليز مولفه مستقل يک روش گسترش يافته ا ناليز مولفه هاي اصلي در تبديل فوق x بردار مشاهده شده n بعدي و s تصوير بردار مشاهده شده در فضاي m بعدي است. مساله تعيين ماتريس ثابت W است بطوريکه تبديل خطي متغييرهاي مشاهده شده داراي يک خاصيت مناسب باشد. روش هاي مختلفي براي تعيين چنين تبديل خطي اراي ه شده است شامل ا ناليز مولفه هاي اصلي ا ناليز فاکتور projection pursuit و ا ناليز مولفه هاي مستقل [۱۱]. در اين مقاله هدف ما استفاده از ا ناليز مولفه هاي مستقل جهت حل تبديل خطي فوق است. چنانچه از نام اين ا ناليز بر مي ا يد هدف اصلي از اين تبديل پيدا کردن يک بازنماي ي است بطوريکه مولفه هاي s i از يکديگر مستقل و غيرگوسي باشند. مقدار غيرگوسي بودن يك سيگنال را ميتوان به چند طريق ١ Adaptive Autoregressive (AAR) ٢ Principle Component Analysis
اندازهگيري كرد. يكي از روشهاي کلاسيک درجه چهارم ا مار cumulant يا kurtosis است: 4 2 { s( i) } 3[ E{ s( ) }] 2 kurt( s( i)) = E i مقدار كارتوس س براي سيگنالي با توزيع گوسي صفر بوده و ٢ ١ براي توزيع هاي ساب-گوسي منفي و براي سوپر-گوسي ميباشد. مثبت در عمل بدليل حساسيت كارتوسس به نويز براي اندازه گيري ميزان غير گوسي بودن سيگنال از معيار ٤ ٣ نگانتروپي استفاده مي شود[ ٦ ]. معيار ا نتروپي كه در نظريه اطلاعات مفهومي اساسي بوده و كاربردهاي فراوان دارد براي متغييرتصادفي y بصورت رابطه زير تعريف مي شود: H ( y) = f ( y). log f ( y) dy (٥) در معادله فوق H(y) ا نتروپي و f(y) تابع چگالي احتمال متغييرتصادفي y مي باشد. از بين متغيير هاي تصادفي با توزيع هاي مختلف و واريانس يكسان مقدار ا نتروپي براي متغيير تصادفي با توزيع گوسي بيشترين مقدار را دارد. حال بر اساس معيار ا نتروپي رابطه نگانتروپي كه همواره مقدار غير منفي دارد و براي متغيير تصادفي با توزيع گوسي صفر است مطابق رابطه زير تعريف مي شود. J ( y) = H ( ygauss) H ( y) (٦) در رابطه فوق( J(y نگانتروپي متغير تصادفي y و y gauss 2 متغيري تصادفي با توزيع گوسي و ماتريس كواريانسي همسان با متغير تصادفي y است. از ا نجا كه محاسبه مقدار نگانتروپي مشكل است درعمل رابطه فوق تقريب زده ميشود. كه معادله زير مي تواند تقريب بهينه اي براي نگانتروپي باشد. J( y) [ E{ G( y)} E{ G( v)}] (۷) در رابطه فوق متغيير تصادفي y با متوسط صفر و واريانس يك است. همچنين v واريانس يك مي باشد. روش تا کنون متغييري با توزيع گوسي متوسط صفر و هاي اندازه گيري ميزان غيرگوسي يك متغيير تصادفي توسط تابع عملگر ذكر شد. حال براي ماكزيمم كردن تابع تمايز و يافتن جهات مستقل نياز به يك الگوريتم داريم. يكي از الگوريتم هاي ي كه به اين منظور بكار گرفته مي شود الگوريتم fixed-point ICA توضيح نحوه عملكرد ا ن مي پردازيم. الگوريتم Fixed-point ICA است كه در ادامه به در ابتدا به توضيح الگوريتم FastICA يک نرونه مي پردازيم. الگوريتم يادگيري fixed-point ICA وزن هاي (W) اين نرون را طوري تعيين مي کند که تصوير غيرگوسي را ماکزيمم کند. W x مقدار اطلاعات ورودي برروي ا ن جهت يك مولفه مستقل را نتيجه دهد. بطور خلاصه الگوريتم fixed-point ICA براي يافتن يك مولفه مستقل شامل مراحل زير مي باشد. -١-٢ -٣-٤ حذف مقادير متوسط از اطلاعات ورودي. سفيد سازي اطلاعات ورودي. انتخاب بردار وزن بصورت تصادفي. تصحيح مقدار بردار وزن مطابق رابطه : ˆ = E{ x. g( x)} E{ g ( x)} تابع g در رابطه فوق مي تواند يكي از توابع ذكر شده در معادله (٨) باشد. ٥- نرماليزه كردن مقدار ˆ ( = ˆ / ˆ ) ٦- برگشت به مرحله ٤ در صورت عدم همگراي ي. الگوريتم يک نرونه فقط يكي از مولفه هاي مستقل را نتيجه مي دهد. حال براي تخمين تمام مولفه هاي مستقل لازم است که الگوريتم fastica يک نرونه بازاي نرون هاي مختلف با ضرايب 1. n اجرا شود. به منظور جلوگيري 1 x... m از همگراي ي الگوريتم به يک مولفه بايد مقادير x را بعد از هر تکرار نسبت به هم ناهمبسته كنيم. براي ناهمبسته كردن ها نيز ميتوان از روش Gram-Schmidt استفاده كرد. براي اين منظور هنگاميکه مولفه p+1 را با استفاده از الگوريتم fixed ICA يک نرونه تخمين مي زنيم كافي است بعد از تکرار مقدار تصوير بردار, j = p,...,1 را از p+ 1 j j p + 1 كم كنيم و سپس مقدار p + 1 نرماليزه شود. به اين ترتيب از همگراي ي الگوريتم به مولفههاي قبل جلوگيري ١ sub-gaussian ٢ super-gaussian ٣ negentropy- ٤ entropy
ميشود[ ٥ ]. بطور خلاصه مراحل ناهمبسته سازي مطابق روابط زير انجام مي شود: p + 1 = p + 1 p j= 1 p + 1 j p + 1 = p + 1 / p + 1 p + 1-٣ روال ا زمايش به منظور اخذ سيگنال هاي مغزي در شرايط مختلف ذهني ا زمايشات مختلفي بر روي يك فرد انجام شده است. شخص بر روي صندلي در مقابل صفحة نمايش كامپيوتر مي نشيند و با ظاهر شدن يك نشانه بر روي صفحة نمايش كامپيوتر شخص تصورحركت را انجام مي دهد. با توجه به نشانه شخص تصور حركت بستن و يا باز كردن دست را انجام مي دهد. چنانچه نشانه اي بر روي صفحة نمايش كامپيوتر ظاهر نشود شخص عمل خاصي را انجام نمي دهد. انجام نحوة (١) در شكل ا زمايش در طول يك ا زمون نشان داده شده است. داده ها با فركانس ٢٥٦ Hz نمونهبرداري شده است. مدت زمان هر ا زمون برابر با پنج ثانيهبوده و براي هر حالت ٥٠ ا زمون انجام گرفته است. دادههاي اخذ شده با فيلتر پايينگذر هرتز ٤٥ فيلتر شدهاند. لازم به ذكر است كه ا زمايشات در حالت چشم باز انجام شده است. از يك الكترود كه بر روي پيشاني سمت چپ قرار داده شده براي اخذ سيگنال هاي چشمي استفاده شده است. يكي از مشكلات مهم ا ناليز سيگنال هاي EEG وجود ا رتيفك چشم است. در اين تحقيق ما براي حذف ا رتيفك چشم از يك فيلتر عصبي حذف نويز با مرجع استفاده كرده ايم [١۲]. شكل ١: نحوة انجام ا زمايش تصور حركت هاي بستن و بازكردن پنجة دست (ا زمايشگاه پردازش سيگنال هاي بيولوژيك دانشگاه علم و صنعت ايران). ۴- مولفه هاي مستقل سيگنال هاي مغزي در هنگام تصور حركت همانطور كه ذكر شد هنگامي كه تركيبي از چند سيگنال مستقل و غيرگوسي در اختيار داشته باشيم با استفاده از تكنيك ا ناليز مولفه هاي مستقل مي توان سيگنال هاي اصلي را از تركيب ا نها استخراج كرد. اگر سيگنال ضبط شده توسط الكترودهاي قرار گرفته بر روي پوست سر را حاصل فعاليت بخشهاي مختلف مغز بدانيم تكنيك ا ناليز مولفه هاي مستقل قادر خواهد بود فقط با استفاده از سيگنال ضبط شده توسط الكترودها فعاليت هر بخش از مغز را تحت يك مولفه مستقل اراي ه دهد. در شكل (۲) متوسط سيگنال هاي مغزي مربوط به ٥٠ ا زمون در کانال هاي مختلف مغزي درحين تص ور بستن پنجه دست و مولفه هاي مستقل استخراج شده را نشان مي دهد زمان شروع تص ور نيز در قسمت پاي ين هرشكل مشخص شده است. با دقت در نتيجه ا ناليز مولفه هاي مستقل مي توان فعاليتهاي مستقلي در هر مولفه مشاهده كرد. بطور مثال مولفه هاي اول و دوم دو فعاليت مستقل را در هنگام شروع تصور نشان مي دهند. درصورتيكه بطور شهودي فعاليت خاصي در مولفه هاي ديگر مشاهده نمي شود. بنظر مي رسد مولفه اول بيانگر پاس خ شخص به ظهور علامت شروع تص ور بوده و مربوط به قسمت ادرا ك شخص مي باشد. درحاليكه فعاليت ظاهر شده در مولفه دوم مربوط به فرايند تص ور است. البته لازم به ذكر است بسياري از جزي يات فعاليتهاي مغزي با متوسط گيري سيگنال در حوزه زمان به دليل عدم همفازي فعاليتها از بين مي رود. شكل (۳) سيگنال هاي مغزي مربوط به يک ا زمون را در کانال هاي مختلف مغزي و مولفه هاي مستقل مربوطه را درحين تص ور بستن پنجه دست نشان مي دهد. با دقت در سيگنال هاي مغزي مربوط به يک ا زمون پس از ظهور علامت شروع تص ور تغييراتي در سيگنال هاي مغزي مشاهده شده است. از همه مهمتر پديده همزماني با شروع فعاليت ذهني در تمام کانال ها مشاهده مي شود. اما ا ناليز مولفه هاي مستقل فعاليتهاي مستقل و متفاوتي را استخراج كرده است. براي مثال
ب( ب( فلا( ب( ب( مولفه سوم گوياي فعاليتي در باند α قبل از شروع تص ور و پس از خاتمه ا ن در زمان ١٦٠٠ ميلي ثانيه مي باشد. براي اين مولفه هنگام تص ور در باند α فعاليتي ديده نمي شود. با شروع تص ور مولفه دوم بر ا غاز يك فعاليت دلالت دارد و در زمان ٣٥٠ ميلي ثانيه پس از ظاهر شدن علامت شاهد يك پاسخ مي باشيم كه احتمالا مربوط به ادراك شخص مي باشد( P300 ). ( شكل ۲: (الف) متوسط سيگنال هاي مغزي مربوط به ٥٠ ا زمون در کانال هاي مختلف ( فلا( مغزي درحين تص ور بستن پنجه دست ( مولفه هاي مستقل متوسط ٥٠ ا زمايش. ( ( ( مولفه هاي مستقل سيگنال هاي مغزي مربوط به شكل ۳: (الف) متوسط سيگنال هاي مغزي در کانال هاي مختلف يک ا زمون. مغزي درحين تص ور بستن پنجه دست هر ا زمون محاسبه شده است. ويژگي هاي مولفه هاي مستقل سيگنال مغزي و همچنين ويژگي هاي سيگنال مغزي در کانال ه يا مختلف محاسبه شده اند. در اين تحقيق قدرمطلق دامنه توان متوسط باندهاي 3-8)θ (VAR) پراش (MAV) Hz) Hz) β(13-35 Hz) α(8-13 توان مولفه هاي ۵- طبقه بندي سيگنال هاي مغزي در هنگام تصور حركت براي طبقهبندي سيگنالهاي مغزي در سه حالت استراحت بازكردن و بستن پنجة دست ويژگي هاي مربوط به دادههاي
فرکانسي در باند ا لفا بتا و تتا و ضرايب مدل AR بعنوان ويژگي در نظر گرفته شده است. ه يا ويژگي پنجره اي از سيگنال بطول ۱ ثانيه محاسبه شده است. فقط طول پنجرة ا ناليز براي تخمين پارمترهاي مدل AR ۱/۵ ثانيه بوده است. پنجرة ا ناليز ٢٠٠ ميلي ثانيه بعد از ظاهر شدن نشانه بر روي صفحة كامپيوتر در نظر گرفته شده است. از يك شبكه عصبي پس انتشارخطا با دو لاية پنهان براي طبقه بندي استفاده شده است. براي لاية اول داراي ١٠ نرون ٢ و لايه سوم ٥ لاية دوم نرون در نظر گرفته شده است. شاخص توقف يادگيري شبكه ميزان تشخيص صحيح داده هاي ا زمايشي است. در هر روز ا زمايشي براي هر يك از دو حالت ذهني باز كردن و بستن دست ٥٠ الگو و براي حالت ا رامش ١٠٠ الگو و در مجموع ٢٠٠ الگوي EEG وجود دارد. از ٥٠ % الگوها براي ا موزش شبكه و از ٥٠ % ديگر الگوها براي ارزيابي كاراي ي شبكه استفاده شده است. الگوهاي ا موزشي به صورت تصادفي به شبكه اعمال شدهاست. در اين روش ا موزش شبكه سعي ميكند خود را با تغييرات داي م ورودي تطبيق دهد و از اين لحاظ قدرت يادگيري شبكه بالا ميرود اما در عوض سرعت يادگيري كاهش و زمان ا موزش افزايش مييابد. براي بررسي ميزان حساسيت ا موزش شبكه به داده هاي ا موزشي دو دسته الگوهاي ا موزشي و ا زمايشي متفاوت تشكيل داده شده است. در دستة اول الگوهاي ١٠٠-١ به عنوان الگوهاي ا موزشي و الگوهاي باقيمانده به عنوان الگوهاي ا زمايشي و در دستة دوم الگوهاي ٢٠٠-١٠١ به عنوان الگوهاي ا موزشي و الگوهاي باقيمانده به عنوان الگوهاي ا زمايشي در نظر گرفته شده است. سپس نتايج طبقه بندي به ازاي دو دستة الگوها متوسط گيري شده است. جدول ١: نتايج طبقه بندي سيگنال هاي EEG در هنگام حالت ا رامش تصور بستن و باز كردن دست براي روز اول ا زمايشي فرد S Feature Vector F3 Cz 5 Pz F4 Fz C3 ICA MAV, VAR 59.5 67.5 68.5 58 82 56 64.5 87 P θ, Pα 68 51 60.5 61 66 66 66.5 73.5 P θ, Pβ 52.5 58.5 57.5 59.5 79 57.5 55.5 84.5 P α, Pβ 62.5 56.5 61 60 75 62.5 67 83.5 P θ, Pα, Pβ 63.5 58.5 57.5 62.5 77 62.5 66.5 84.5 Pθ, Pα, Pβ, mav, var 60 65 65 64 81 62 69 90 θ components 57.5 55.5 60 63.5 62 64.5 60.5 71.5 α components 64 52.5 65 63 53 64.5 65.5 65.5 β components 52 58 58 55.5 70 52 52 81.5 θ, α components 64 55 64 66 60.5 64.5 65 71.5 θ, α, β components 56.5 58 60 69 68.5 59.5 62.5 82 AR order 17 64 65 63 58.5 67.5 62.5 64 75 ROW EEG 55 52.5 63.5 65 58 59 57.5 65.5 در جدول (١) نتايج طبقه بندي سيگنال EEG مربوط به كانال ه يا مختلف و به ازاي ويژگي هاي مختلف براي روز اول ا زمايشي يک فرد نشان داده شده است. مشاهده مي شود كه در روز اول ا زمايش کانال F4 نسبت به کانال هاي ديگر جواب بهتري داده است. نتايج ا زمايش روز اول به روشني نشان مي دهد که ويژگي هاي مولفه هاي مستقل نسبت به ويژگي هاي خود سيگنال قادر به تشخيص دقيق تري شده است. نتايج نشان مي دهد که با دسته ويژگي Pθ, Pα, Pβ, mav, var مربوط به يک مولفه مستقل دقت %۹۰ بدست ا مده است. در جدول (۲) نتايج طبقه بندي سيگنال EEG مربوط به كانال ه يا مختلف و به ازاي ويژگي هاي مختلف براي روز دوم ا زمايشي يک فرد نشان داده شده است. مشاهده مي شود كه در اين روز کانال C3 و 5 نسبت به کانال هاي ديگر
ه يا جواب بهتري داده است. مجددا مشاهده مي شود که ويژگي مولفه هاي مستقل نسبت به ويژگي هاي خود سيگنال قادر به تشخيص دقيق تري است. در اين روز مشاهده مي شود بطور کلي ميزان تشخيص در روز دوم نسبت به روز اول کاهش يافته است اما نتايج طبقه بندي با پارامترهاي مدل AR مولفه هاي مستقل نسبت به روز اول بهبود يافته است. اين روند کاهش در روز سوم نيز ادامه داشته است (جدول ۳). نکته قابل توجه اينکه ميزان طبقه بندي با استفاده از پارامترهاي مدل AR مولفه هاي مستقل روند افزايشي را داشته است. بطور کلي نتايج نشان مي دهد که استفاده از مولفه هاي مستقل در طبقه بندي سيگنال هاي EEG نتايج دقيق تري را نسبت به خود سيگنال داشته است. جدول ۲: نتايج طبقه بندي سيگنال هاي EEG در هنگام حالت ا رامش تصور بستن و باز كردن دست براي روز دوم ا زمايشي فرد S Feature Vector F3 Cz 5 Pz F4 Fz C3 ICA MAV, VAR 66.5 68 74.5 73.5 67 64.5 71.5 78 P θ, Pα 57.5 69 70.5 67 64 64 70 72 P θ, Pβ 58 53 51.5 55.5 59 55.5 58.5 64 P α, Pβ 62 65 70 66.5 64 66.5 68 72 P θ, Pα, Pβ 59 67 69.5 68 63.5 62.5 69.5 74.5 Pθ, Pα, Pβ, mav, var 64.5 68 71.5 72.5 64.5 67.5 68.5 77 θ components 56.5 61.5 65.5 58.5 59.5 61.5 59.5 67 α components 67.5 68.5 72 65 68.5 67 66.5 71.5 β components 57.5 57 63 67 53.5 54.5 58.5 62 θ, α components 65.5 67 70.5 65 69 67 69 72 θ, α, β components 62 67 72 67 65.5 65 65 75.5 AR order 17 62 60.5 66 65.5 60.5 56 56 78.5 ROW EEG 57 60 54 53.5 54.5 50.5 52.5 55.5 ۶- بحث و نتيجه گيري در اين مقاله از روش ا ناليز مولفه هاي مستقل جهت بررسي تغييرات پوياي ي سيگنال مغزي در هنگام تصور حرکت و طبقه بندي سيگنال هاي مغزي استفاده شده است. تركيبي از چند سيگنال مستقل و غيرگوسي در اختيار داشته باشيم با استفاده از روش ا ناليز مولفه هاي مستقل مي توان سيگنال هاي اصلي را از تركيب ا نها استخراج كرد. اگر سيگنال ضبط شده توسط الكترودهاي قرار گرفته بر روي پوست سر را حاصل فعاليت بخش هاي مختلف مغز بدانيم. انتظار مي رود روش ا ناليز مولفه هاي مستقل قادر باشد فقط با استفاده از سيگنال ضبط شده توسط الكترودها فعاليت هر بخش از مغز را تحت يك مولفه مستقل اراي ه دهد. نتايج ا ناليز مولفه هاي مستقل بر روي سيگنال هاي مغزي در حين تصور حرکت نشان مي دهد که مي توان فعاليت هاي مربوط به فرا يند تصور در ا زمايش را تفکيک کرد. با توجه به اين نکته ما از مولفه اي مستقل سيگنال مغزي جهت تشخيص قدرداني و تشكر تصور حرکت استفاده کرديم. ا زمايشها و پردازشهاي اين تحقيق در ا زمايشگاه پردازش سيگنال هاي بيولوژيك گروه مهندسي پزشكي دانشكدة برق دانشگاه علم و صنعت ايران انجام شده است. لازم به ذكر است كه سيگنالهاي EEG توسط سيستم طراحي شده در ا زمايشگاه ابزار دقيق پزشكي اين دانشگاه اخذ شده است. جدول ۳: نتايج طبقه بندي سيگنال هاي EEG در هنگام حالت ا رامش تصور بستن و باز كردن دست براي روز سوم ا زمايشي فرد S
Feature Vector F3 Cz 5 Pz F4 Fz C3 IC MAV, VAR 52 53 55 -- 56.5 55 62.5 64.5 P θ, Pα 55.5 59 65.5 -- 54.5 57.5 63.5 69 P θ, Pβ 58.5 60.5 62 -- 57 55.5 64 70 P α, Pβ 53.5 55.5 62 -- 51 57 61.5 67.5 P θ, Pα, Pβ 58.5 61 66 -- 56.5 59 64 72 Pθ, Pα, Pβ, mav, var 57 59 65.5 -- 57 56 64.5 68.5 θ components 56 57 60.5 -- 58.5 58.5 62.5 64 α components 52 54 64 -- 55.5 52 58 67 β components 57 54 55 -- 57.5 54.5 57 63.5 θ, α components 54.5 57 65.5 -- 58 56.5 61.5 68 θ, α, β components 55 55.5 63 -- 59 55.5 60 62.5 AR order 17 79.5 84.5 78.5 -- 78.5 76 82.5 89.5 ROW EEG 56 57 58 -- 55 58.5 58.5 62.5 [1] S.G. Mason and G.E. Birch, A brain -controlled sitch asynhronous control applications, IEEE rans. Biomed. Eng. vol. 47, no. 10, 2000. [2] E. Haselsteiner and G. Pfurtscheller, Using timedependent neural netorks for EEG classification, IEEE rans. Rehab. Eng., vol. 8, no. 4, 2000. [3] C. Guger, H. Ramoser, and G. Pfurtscheller, Realtime EEG analysis ith subject-speccific spatial patterns for a brain-computer interface (BCI), IEEE rans. Biomed. Eng. vol. 8, no. 4, 2000. [4] B. Mahmoudi and A. Erfanian, Single-channel EEG-based prosthetic hand grasp control for amputee subjects, in Proc. Int. Conf. IEEE/EMBS, 2002. [5] C. W. Anderson, E.A. Stolz, and S. Shamsunder, Multivariable Auto regressive models for classification of spontaneous electroencephalographic signals during mental tasks, IEEE rans. Biomed. Eng., vol 45, no 3, pp. 277-285, 1998. [٦] فاطمه حمزهلو عباس عرفانيان اميدوار "تشخيص فعاليتهاي ذهني مراجع از سيگنالهاي مغزي با استفاده از روشهاي طبقهبندي كنندة ا ماري و شبكههاي عصبي" دهمين كنفرانس مهندسي برق ايران تبريز ١٣٨١. using fuzzy ARMAP, IEEE rans. Rehab. Eng., vol. 10, no. 3, 2002. [9] E. Yom-ov and G. F. Inbar, Feature selection for the classification of movements from single movement-related potentials, IEEE rans. Rehab. Eng., vol. 10, no. 3, 2002. [10] R. Vigario, J. Sarela, V. Jousmaki, M. Hamalainen, and E. Oja, "Independent Component Approach to the Analysis of EEG and MEG Recording", IEEE RANSACIONS ON BIMEDICAL ENGINEERING, VOL. 47, no. 5, May 2000. [11] Aapo Hyvarinen, "Fast and Robust Fixed-Point Algorithms for Independent Component Analysis", IEEE RANSACIONS ON NEURAL NEWORKS, vol. 10, no. 3, May 1999. [12] A. Erfanian and B. Mahmoudi, Real-time eye blink suppression using neural adaptive filters for EEG-based brain computer interface, 24 th Annual Int. Conf. IEEE/EMBS, 2002. [7] K. Lugger, D. Flozinger, A. Schlogl, M. Pregenzer, and G. Pfurtscheller, Feature extraction for on-line EEG classification using priciple components and linear discriminants, Med. & Biol. Eng. & Comput 36: 309-314, 1998. [8] R. Palaniappan, R. Palaniappan, S. Nishida, and N. Saiaki, A ne Brain-Computer Interface design