بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
بهبود طبقه بندي حرکات دست چپ و راست در سیستم هاي واسط مغز و کامپیوتر با استفاده از سه طبقه فیلترینگ و استخراج ویژگی در حوزه هاي زمان و موجک
چکیده
پیش بینی حرکت اعضاي بدن انسان با استفاده از سیگنالهاي EEG در سالهاي اخیر بسیار مورد توجه قرار گرفته است. سیستم هاي واسط مغز و کامپیوتر، سیگنال هاي EEG را براي حالتهاي مختلف ذهنی طبقه بندي میکنند. به این ترتیب میتوان از فعالیتهاي نورونی مغز براي برقراري ارتباط با محیط اطراف استفاده کرد. استفاده از چنین سیستمی امکان کنترل دستگاه هاي خارجی و اندام هاي مصنوعی را براي افراد فراهم می سازد و می تواند برقراري ارتباط را براي افراد معلول بهبود ببخشد. در این تحقیق از داده هاي یک مسابقه با موضوع واسطه هاي مغز و کامپیوتر براي طبقه بندي حرکات دست چپ و راست استفاده شده است. بدلیل اینکه سیگنال هاي EEG بشدت نویز پذیر می باشند، تعدیل نویز جهت استفاده بهتر از این سیگنال ها اهمیت زیادي دارد. در این مطالعه براي حذف نویز و نوفههاي موجود در سیگنال EEG از الگوریتم حذف خودکار نوفه و فیلترهاي مختلف جعبه ابزار نرم افزار متلب استفاده شده است. سپس باندهاي فرکانسی بتاي مرکزي و میو براي تحلیل پدیده هاي ERD و ERS جدا شده اند. نکته حائز اهمیت در این پژوهش استفاده از سه طبقه فیلترینگ پشت سر هم در جداسازي باندهاي فرکانسی ذکر شده می باشد که منجر به بهبود نتایج حاصل از طبقه بندي شده است. در استخراج ویژگی هاي مورد نیاز، ویژگی توان لگاریتمی در حوزه زمان و ویژگی هاي میانگین، میانه، مد، انحراف معیار و واریانس سیگنال در حوزه موجک محاسبه شدهاند. از طبقه بند ماشین بردار پشتیبان براي طبقه بندي ویژگی هاي استخراج شده استفاده شده است.
کلمات کلیدي: واسط مغز و کامپیوتر، سیگنال EEG، طبقه بندي حرکات دست، استخراج ویژگی
-1 مقدمه
سلول هاي عصبی (نورون ها) یکی از بخش هاي مهم تشکیل دهنده سیستم عصبی می باشند. یک نورون از چهار بخش اساسی تشکیل شده است: الف-جسم سلولی، ب- دندریت، ج- آکسون، د- پایانههاي
1
پیشسیناپسی(پیوندگاهی)، هرکدام از این بخش ها نقش متمایزي را در ایجاد ارتباط با سایر سلول هاي عصبی به عهده دارند. بدنه نورون مرکز سوخت و ساز سلول می باشد . ساختار دندریت به صورت شاخه هاي درخت است و وظیفه آن دریافت سیگنال از سایر سلول هاي عصبی می باشد. آکسون وظیفه انتقال سیگنال به سایر سلول ها را به عهده دارد. شکل1 ساختار یک نورون را نشان میدهد.[1]
(شکل(1 ساختار نورون [2] هرگونه تحریک نورون ها منجر به تولید جریان الکتریکی در دندریتها می شود. طبیعتا این جریان الکتریکی یک
میدان مغناطیسی نیز با خود به همراه خواهد داشت. امروزه این میدان مغناطیسی به وسیله تجهیزات الکترو میوگرام (EMG1) قابل اندازه گیري است . جریان الکتریکی حاصل نیز معمولا از روي جمجمه سر به وسیله ﺳﯿﺴﺘﻢ هاي الکتروانسفالوگرام (EEG2) اندازه گیري می شود.[2]
سیگنال هاي EEG حاوي اطلاعات بسیار ارزشمندي می باشند. مطالعه این سیگنال ها می تواند در شناسایی بسیاري از نارسایی هاي عصبی بدن انسان کارآمد باشد. برخی از کاربرد هاي سیگنال EEG عبارتند از: الف- ارزیابی میزان هوشیاري، بیهوشی و مرگ مغزي، ب- مشخص کردن محل دقیق آسیب ناشی از ضربه یا تومور در سر، ج - تشخیص عارضه صرع و ناحیه قرارگیري آن، د- بررسی و نظارت بر شکل گیري و تکامل مغز، ه-بررسی تاثیر مصرف داروها بر عملکرد مغز، ي-بررسی اختلالات خواب و غیره. بدلیل کاربردهاي فراوانی که سیگنال EEG دارد، بررسی روش هاي مختلف پردازش سیگنال براي تجزیه و تحلیل این سیگنال ها بسیار مورد توجه بوده است. این روش ها می توانند در تجزیه و تحلیل وضعیت سلامتی افراد یا در تشخیص بیماري ها مورد استفاده پزشکان قرار بگیرند.[2]
-1-1 مختصري بر واسطه هاي مغز و کامپیوتر3
یک سیستم واسط مغز و کامپیوتر می تواند سیگنال هاي EEG را براي حالت هاي مختلف ذهنی طبقه بندي کند. این طبقه بندي بر اساس ویژگی هایی که از سیگنال استخراج می شود انجام می گیرد، در این صورت قصد فرد براي انجام یک حرکت پیش بینی می شود و متناسب با حرکتی که فرد قصد انجام ان را دارد دستورات صحیحی براي کنترل یک دستگاه خارجی تولید و به دستگاه مورد نظر ارسال می شود. به عنوان مثال یک واسط مغز و کامپیوتر که از نوسانات EEG بخش خاصی از سر استفاده می کند (مثلا بخشی که در هنگام حرکت یا تصور حرکت دست ها فعال می شود.) می تواند به فردي که دچار عارضه فلجی چهارگانه4 است، امکان کنترل مکان نماي کامپیوتر را بدهد. واسط مغز و کامپیوتر
2
منجر به ایجاد ارتباطی مستقیم بین ذهن و یک دستگاه خارجی می شود. سخت افزار و نرم افزار چنین سیستمی به فرد اجازه تعامل با محیط پیرامون خود را میدهد، تعاملی که هیچ فعالیت ماهیچه اي را در بر نمی گیرد و فقط به وسیله سیگنال هاي ناشی از فعالیت مغز کنترل میشود. ایده اصلی شکل گیري چنین سیستمی در درجه اول کمک به افرادي می باشد که دچار ضایعه مغزي و نخاعی هستند. ایجاد توانایی لازم در انجام فعالیت هاي روزمره و بهبود شرایط برقراري ارتباط براي این افراد از اهداف اصلی شکل گیري سیستم هاي واسط مغز و کامپیوتر می باشد. سیستم هاي واسط مغز و کامپیوتر کاربردهاي متنوعی می توانند داشته باشند. بسیاري از این کاربرد ها در مرجع [3] ذکر شده است. این کاربردها را به طور کلی می توان در چهار دسته زیر مورد طبقه بندي قرار داد: الف- کنترل محیطی، ب- فعالیت هاي حرکتی، ج-امور مربوط به سرگرمی، د- فعالیت هاي چند رسانه اي.
روشی که معمولا در سیستم هاي واسط مغز و کامپیوتر مورد استفاده قرار می گیرد تصویر سازي یک حرکت است. تصویر سازي حرکتی بدین معناست که فرد بدون اینکه عضوي از بدن خود را به حرکت درآورد، تصور آن حرکت را در ذهن خود شکل می دهد. به این ترتیب نوسانات مغزي براي یک حرکت خاص تغییر داده می شوند. کاملا اثبات شده است که تصور یا اجراي حرکت یک ماهیچه منجر به تولید الگوهاي یکسانی در سیگنال EEG افراد می شود.[4-7] شکل 2 بلوك دیاگرام کلی یک واسط مغز و کامپیوتر را نشان می دهد.
(شکل(2 بلوك دیگرام یک سیستم واسط مغز و کامپیوتر
-2-1 مروري بر برخی از تحقیقات صورت گرفته
پیش بینی حرکات دست، پا و زبان از مسائل مورد توجه در سیستم هاي واسط مغز و کامپیوتر بوده است. حرکات مختلف یک عضو از بدن نیز در این سیستمها قابل طبقه بندي می باشد.[6-8] در مرجع[4]، طبقه بندي حرکت دست چپ و راست با استفاده از داده هاي EEG پایگاه فیزیونت مورد آزمایش قرار گرفته است. در این تحقیق ابتدا از 63 کانال موجود 8 کانال براي مراحل بعدي تحقیق جدا شده است. اثبات شده است که کانال هاي C3,CZ,C4 بیشترین اطلاعات فعالیتهاي نورونی را در هنگام حرکت دستها دارا می باشند. [9] از ترکیب این 3 کانال و 5 کانال دیگر که تقریبا بخش مرکزي سر را پوشش می دهند براي بررسی دقیق تر استفاده شده است. سیگنال مربوط به کانال هاي انتخابی ابتدا در بازه . 5 تا 90 هرتز فیلتر شده است. بدلیل اینکه سیگنال EEG بشدت نویزي می باشد، از جعبه ابزار حذف اتوماتیک نوفه متلب در دو مرحله براي تعدیل و حذف اتوماتیک نوفه ها استفاده شده است. سپس باندهاي میو، بتا و دلتا جدا شده و ویژگیهاي میانگین، توان و انرژي هرکدام از این باندها در حوزه زمان محاسبه گردیده است. در مرحله طبقه بندي با
3
\
استفاده از طبقه بند ماشین بردار پشتیبان تمایز بین دست راست و چپ به میزان %97/1 بدرستی تشخیص داده شده است، در حالی که این میزان براي طبقه بند شبکه عصبی %89/8 گزارش شده است.
طبق آماري که از طریق سازمان امنیت بزرگ راهها منتشر شده است، سالیانه بین 56000 تا 100000 مورد از سوانح رانندگی بر اثر خواب آلودگی اتفاق می افتد.[10] تشخیص خودکار میزان خواب آلودگی با استفاده از سیگنال EEG همواره از مسائل مورد توجه محققان بوده است. با محاسبه طیف توان سیگنال EEG می توان به بررسی مراحل مختلف خواب، تشخیص عوامل بیخوابی و اختلالات ناشی از آن پرداخت.[11-13]
در مرجع[14] یک روش خودکار براي تشخیص میزان خواب آلودگی با استفاده از سیگنال EEG معرفی می شود. در این پژوهش ابتدا سیگنال EEG به وسیله یک فیلتر باتروث میان گذر با فرکانس قطع .5 تا 60 هرتز فیلتر می شود . سپس از فیلترهاي تطبیقی که به صورت آبشاري قرار گرفته اند براي کاهش نویز و تداخل خطی استفاده شده است. 19 ویژگی از سه حوزه زمان، فرکانس و موجک استخراج شده است. ویژگی هاي استخراج شده به صورت زیر می باشند: در حوزه زمان میزان حداکثر، حداقل و انحراف معیار سیگنال، در حوزه فرکانس فرکانسهاي مرکزي و پیک، نسبت حداکثر فرکانس به حداقل فرکانس، فرکانس هاي یک چهارم و سه چهارم، انحراف معیار طیفی، ضریب عدم تقارن، ضریب کشیدگی، میزان تغییرات بر اساس تقسیم داده به چهاربخش و در حوزه موجک میزان یکپارچگی سیگنال مغزي (IEEG1) و تعداد دفعات عبور از صفر (ZC2) براي سه موقعیت ﻣﺨﺘﻠﻒ محاسبه شده اند. ویژگی هاي ذﮐﺮ شده در حوزه موجک به صورت زیر قابل محاسبه هستند:
1] [ ]]
در روابط فوق نمونه هاي EEG در بخشهاي زمانی جدا شده است و N تعداد کل این نمونه ها در هریک از بخشها میباشد.
ویژگی هاي موثر به روش تجزیه تحلیل متمایز خطی انتخاب و به طبقه بند شبکه عصبی اعمال شده اند. در روش ذکر شده وضعیت هوشیاري به میزان %87/4 و وضعیت خواب آلودگی به میزان %83/6 بدرستی تشخیص داده شده است.
بدلیل نقش مهمی که احساسات در زندگی روزمره انسان دارند، بازشناسی احساس با استفاده از سیگنال EEG همواره از مسائل مورد توجه محققان بوده است. تحقیقات صورت گرفته نشان می دهد سیگنال هاي EEG در بازشناسی احساسات می توانند مورد استفاده واقع شوند. در[15] سیگنال EEG افراد پس از برانگیختن 4 حس شادي، آرامش، ناراحتی و نفرت ذخیره شده است. این احساسات یکبار به وسیله سامانه تصاویر استاندارد عاطفی دانشگاه فلوریدا و بار دیگر با استفاده از فیلم هایی که مطابق فرهنگ ایرانی تهیه شده بودند بر انگیخته شدند. سیگنال بدست آمده ابتدا در محدوده 1 تا 45 هرتز فیلتر شده است. سپس به بخش هاي کوتاه تر تقسیم شده است. با استفاده از روش آنالیز مولفه هاي مستقل نوفه هاي مربوط به چشم، حرکات بدن و ماهیچه هاي صورت تعدیل یافته است. باند هاي فرکانسی آلفا و بتا بدلیل اینکه بیشترین تاثیر پذیري را در هنگام بروز عواطف دارند، مورد استفاده قرار گرفته اند و الکترود هایی که بیشترین توان را در این باندها داشته اند به وسیله نرم افزار EEGLAB 2007 انتخاب شده اند . با استفاده از ویژگی بعد فراکتال و طبقه بند آدا بوست نتیجه گرفته شده است که نمایش فیلم ها در برانگیختن احساسات موفق تر از تصاویر استاندارد بوده است.
