بخشی از مقاله
چکیده
ماشین بردار پشتیبان یکی از روشهای یادگیری بامعلم است که از آن برای دسته بندی داده ها استفاده می کنند. این روشنسبتاًجدیدی است که در سالهای اخیر کارایی خوبی نسبت به روشهای قدیمیتر دارد و برای ساختارهای کمترین ریسک مورد استفاد قرار می گیرد. مبنای کاری دستهبندی کننده ماشین بردار پشتیبان، دستهبندی خطی دادهها و کمتر کردن کران بالای خطا است . این روش برای دسته بندی باینری بکار می رود و برای بکارگیری آموزشهای نظارتی به منظور یافتن دستورالعمل جداسازی بهینه بین دو کلاس از اطلاعات مورد استفاده قرار می گیرد . ایده استفاده از این ابزار برای استخراج خصوصیات که ارتباط آنها در حوزه شناسایی الگو نسبتا جدید است. در این مقاله تکنیکی برای استفاده دسته بندی سیگنال مغزی به شکل باینری پیشنهاد شده است . این شیوه برای محک سیگنال مغزی در نظر گرفته شده و روشهایی را برای دستیابی صحتی بالاتر از %95.96 پیشنهاد می کند که با روشهایی پیشنهادی اخیر که صحت آن در حدود %94.5 است قابل مقایسه می باشد.
واژه های×کلیدیْ ماشین بردار پشتیبان، جداسازی بهینه، هم بستگی متقابل ، سیگنال مغزی.
×
-1 مقدمه ×
پیدایش صـرع غیـر قابـل پـیش بینـی بـوده و یـ ک نـوع مزاحمـت الکتریکی بر روی سیگنال مغزی در نظر گرفتـه مـی شـوند.[8] اساسـا EEG1 سیگنالی پیچیده و متناوب بوده و شامل اطلاعاتی از فعالیتهـای الکتریکی تولید شده توسط سلول های عصبی قشر مغـز اسـت. معمـولا آنالیز طیفی برای سیگنال مغـزی کـه مـی توانـد اطلاعـات مربـوط بـه فعالیتهای مغزی را به ما بدهد، توصیه میشود. البته شبکه های عصـبی مصنوعی دارای عملکرد بالایی برای آنالیز سیگنال مغزی می باشندکه با روشهای آنالیزی طیفی مقایسه می شوند.[5] شبکه های عصبی، موثر و دارای تطابق پذیری بالایی هستند. ×
SVM2 یکی از شاخه های همزمان شبکه های عصبی است. این روش دارای بالاترین عملکرد نسبت به شبکه های عصبی سنتی اسـت زیـرا از اصل کمترین خطا استفاده می نماید. اصل سـاختار کمتـرین خطـا بـه
1- Electroencephalography 2- Support Vector Machines
دنبال کم کردن مرز خطایی است که به علت مجموع خطاهای آموزشی و فواصل اطمینان وجود دارد. در حالیکه شبکهای عصبی سنتی از اصل کاهش ریسک تجربی بهره می گیرند و تنها خطاهای آموزشی را کاهش می دهند. دیتا بیس مورد استفاده از دیپارتمان صرع دانشگاه بون تهیـه شده است. در این زمینه سه کلاس سیگنال مغزی مطرح میشود . ابتـدا داوطلبان سالم با چشمانی باز و بیماران صرعی بـه هنگـام عـدم حملـه صرعی و بیمارانی صرعی در خلال حملـه صـرعی اسـت. صـحت دسـته بندی حدود %96.79 از اینکار بدست می آید. البته مخلـوطی از مـدلها برای دسته بندی سیگنال مغزی مورد استفاده قرار می گیرد.[8] تـا بـه حال مطالعـه ای در ارتبـاط بـا بکـار گیـری همبسـتگی متقابـل بـرای استخراج ویژگی هایی در آنالیز سیگنال مغزی گزارش نشده است. هـم بســتگی، عملیـاتی ریاضـی اســت کــه بسـیار شــبیه کانولوشـن اســت. همبستگی متقابل بین دو سیگنال وسعت شباهت بین این سـیگنال هـا را نشان می دهد. از نتایج هر هم بستگی متقابل پنج مشخصه اسـتخراج می شود. این بردارهای مشخصه ها به نام الگو نامیده میشوند و به دیتا بیسهای مخصوص آزمایش و آموزش تقسیم می شوند و دسته آموزشـی
2906
را برای دسته بندی کننده های SVM آموزشی مورد استفاده قرار می دهند. ×
-2 سیگنال EEG
سیگنالهای مغزی در دسترس 128 کاناله بوده و دارای 12 بیت رزولوشن و دارای نرخ نمونه برداری 173.61 بوده است.[1] از فیلتر میان گذری با فرکانسهای قطع 0.53 و 40 هرتز استفاده نموده ایم و بدین منظور آرتیفکتهای ایجاد شده توسط فعالیت های ماهیچه ای و جابجایی چشم را از بین برده ایم. شکل 1 محل الکترودها را برای ثبت سیگنال مغزی نمایش داده است. . دیتا بیس کامل شامل پنج سری است که هرکدام دارای 100 تک کانال سیگنال مغزی در 23.6 ثانیه است . شکل 2 پنج سری سیگنال مغزی را نمایش داده که دسته A, B ثبت سیگنال مغزی از سطح بوده و به ترتیب داوطلبی سالم با چشمانی باز و بسته است. قسمت C,D هنگام عدم حمله صرع و به ترتیب فرد بیمار با در نظر گرفتن صرع ژنتیکی و ثبت در نیکره مخالف است . دسته E مربوط به فرد بیمار در خلال حمله صرعی است . دسته هایA,B ثبت بر روی سطح و خارج جمجه بوده و دسته های C,D,E ثبت دورن جمجه ای است . در این مقاله دو دسته A,E بطور کامل دسته بندی می شود.
شکل : 1 بکارگیری روش 20-10 الکترود برای ثبت EEG
شکل : 2 نمایش 5 دسته سیگنال EEG با دامنه ای میکروولتی
-3 همبستگی متقابل سیگنال ×
هم بستگی، عملیاتی ریاضی است که بسیار شبیه کانولوشـن اسـت . در همبستگی متقابل بین دو سیگنال انرژی انـدازه گیـری مـی شـود کـه شدت شباهت بین این دو سیگنال است. اگر یـک سـیگنال بـا خـودش دارای همبستگی باشد خود همبسته نامیده میشود. فرض کنیـد x(n( و y(n) هر کدام دارای انرژی معینی هستند همبسـتگی متقابـل بـین آنها بصورت زیر نوشته می شود:
n-m-1
0 m ≥ Ʃ ( Xn+m Yn )
Ṝx,y(m)= n=0
0 m≤ Ṝx,y(-m)
(1)
کـهm = ….,-2,-1,0,1,2 .… و شاخصـی کـه تغییـرات زمــانی و تاخیرات ممکن را نمایش می دهد. از طرفی با توجه بـه زیرنـویس y،x که کدامیک اول نوشته شود جهت تغییـرات یـک متغیـر را بـر حسـب دیگری نمایش می دهد. شکل 3 هم بستگی متقابل را نمایش می دهد. در این مقاله 5 مشخصه از هم بستگی متقابل استخراج مـی شـود. ایـن مشخصه ها عبارتند از مقدار مـاکزیمم، لحظـه ای کـه مقـدار مـاکزیمم اتفاق می افتد، مرکز ثقل، پهنای معادل و میانگین مجذور طول. بخـش هم بستگی متقابل را با R(m) نمایش می دهند.
