بخشی از مقاله
چکیده -
ثبت فعالیت الکتریکی مغز - EEG - با آرتیفکتهای مختلفی همراه است که منجر به تحلیل نادرست سیگنال EEG میگردند. روشهای مختلفی برای حذف این آرتیفکتها از سیگنال EEG مطرح شده است.در این مقاله روش ICA-FTRLS برای حذف آرتیفکت پلک زدن - EOG - از سیگنال EEG، پیشنهاد میشود. سپس عملکرد آن را توسط معیارهای ارزیابی MSE و SNR، با روش ICA و روش ICA-RLS مقایسه میکنیم. فیلتر FTRLS به گونهای طراحی شده است که با وجود عملکردی مشابه با فیلتر RLS، پیچیدگی محاسباتی کمتر و سرعت همگرایی بیشتری نسبت به RLS داشته باشد. با توجه به نتایج به دست آمده در این تحقیق، مقدار SNR روش ترکیبی پیشنهادی نسبت به سایر روشهای مورد مقایسه در این تحقیق بیشتر میباشد و همچنین مقدار MSE روش پیشنهادی نیز نسبت به سایر روشها کمتر میباشد.
کلید واژه- آرتیفکت EOG، روش ICA، روش ICA-FTRLS، روش ICA-RLS، سیگنال .EEG
-1 مقدمه
الکترو انسفالوگرام - EEG - 1، ثبت فعالیت الکتریکی مغز است که با آرتیفکتهایی از جمله آرتیفکت پلک زدن - EOG - 2، آرتیفکت ناشی از فعالیت الکتریکی عضلات - EMG - 3، آرتیفکت ناشی از فعالیت الکتریکی قلب - ECG - 4 و ... همراه است. آرتیفکت ناشی از پلک زدن دارای دامنهی بیشتری نسبت به سیگنال مغز میباشد که میتواند دادههای ثبت شده از تمام الکترودها حتی پشت سر را آلوده کند .[1] با توجه به اهمیت موضوع روشهای زیادی برای حذف آرتیفکت EOG از سیگنال EEG مطرح شده است. سادهترین روش حذف آرتیفکت EOG از سیگنال EEG، حذف قسمتهای شامل این آرتیفکت توسط آستانهگذاری میباشد .[2] مشکل این روش از دست رفتن اطلاعات سیگنال EEG در بازههای شامل آرتیفکت میباشد.
Makeig و همکارانش در سال 1996 روش آنالیز مؤلفههای مستقل - ICA - 5 را برای حذف آرتیفکتهای EOG و EMG از سیگنال EEG مطرح کردند. آنها با استفاده از تجزیهی ICA از روی سیگنال مشاهده تعدادی منبع مستقل یافتند. سپس به شناسایی منابع نویزی به صورت چشمی پرداختند و بعد از آن ستونهای ماتریس جداکنندهی متناظر با سطر منابع نویزی را صفر کردند و با ترکیب مؤلفههای باقیمانده، سیگنال تمیز را به دست آوردند. مشکل این روش نیاز به فرد خبره جهت شناسایی منابع نویزی میباشد .[3]
He و همکارانش در سال 2004 برای حذف آرتیفکت EOG از سیگنال EEG روشی بر پایهی فیلتر تطبیقی ارائه دادند. آنها برای این کار از یک فیلتر RLS6 مرتبهی 3 استفاده کردند. نتایج به دست آمده حاکی از پایداری، همگرایی سریع و سادگی در پیادهسازی این روش میباشد .[4] He و Yang در سال 2014 روش ترکیبی ICA-RLS را برای حذف آرتیفکت EOG از سیگنال EEG برای دادگان BCI2008 ارائه دادند. آنها ابتدا توسط ICA منابع مستقل را به دست آوردند. سپس منبع شامل آرتیفکت EOG را توسط RLS فیلترکردند و در نهایت با ترکیب مؤلفهها، سیگنال تمیز را به دست آوردند. در این تحقیق برای طراحی یک معیار کمی به منظور مقایسهی روشهای حذف نویز، یک طبقهبندیکنندهی ماشین بردار پشتیبان برای تشخیص دادههای نویزی از تمیز تعلیم داده شده است. با اعمال این طبقهبندیکننده روی خروجی روشهای ICA و ICA-RLS، درصد تشخیص دادههای تمیز در روش ترکیبی 6/7 درصد بیشتر از روش ICA بوده است که حاکی از عملکرد بهتر روش ترکیبی نسبت به روش ICA میباشد .[5] Dechene در سال 2007 برای حذف نویز از سیگنال صدا، از فیلتر FTRLS7 استفاده کرد و سپس به مقایسهی آن با فیلتر RLS استاندارد پرداخت.
با توجه به نتایج به دست آمده، مقدار MSD8 برای فیلتر FTRLS نسبت به فیلتر RLS استاندارد کمتر میباشد .[6]Babo و Prasad در سال 2011 به منظور حذف آرتیفکت EOG از سیگنال EEG، فیلتر FTRLS را استفاده کردند. نتایج به دست آمده حاکی از عملکرد بهتر فیلتر FTRLS نسبت به فیلتر RLS از نظر میانگین مربعات خطا میباشد .[7] با توجه به عملکرد بهتر فیلتر FTRLS نسبت به فیلتر RLS برای حذف نویز از سیگنال صدا و همچنین حذف آرتیفکت EOG از سیگنال EEG، در این تحقیق به منظور بهبود عملکرد حذف آرتیفکت EOG از سیگنال EEG توسط روش ICA-RLS، روش ICA-FTRLS پیشنهاد میگردد. در این روش منبع مستقل شامل اثر آرتیفکت EOG حاصل از تجزیهی ICA، توسطFTRLS فیلتر میشود. در بخش 2 در مورد روشها و چگونگی شبیهسازی دادهها توضیح داده شده و نتایج در بخش 3 به تفکیک ارائه شدهاند. در بخش 4 به بحث و نتیجهگیری پرداخته شده است.
-2 تئوری روشها
-1-2 فیلتر تطبیقی RLS
شکل - 1 - بلوک دیاگرام حذف نویز توسط فیلتر RLS را نشان میدهد. مراحل حذف نویز توسط فیلتر RLS به صورت زیر میباشد:
- 1 یافتن تخمینی از ورودی مرجع x - n - ، توسط فیلتر تطبیقی W - n - که منجر به خروجی y - n - میشود.
- 2 محاسبه خطا به صورت e - n - = d - n - - y - n - - 3 به روز رسانی بازگشتی بردار بهره - k - n - - - 4 به روز رسانی ضرایب فیلتر تطبیقی
-2-2 فیلتر FTRLS
FTRLS از 4 فیلتر عرضی به طور همزمان استفاده میکند که نقش آنها به صورت زیر میباشد :[8]
- 1 پیش بینی پیشرو: محاسبهی وزنهای فیلتر پیشرو به گونهای که خطای پیش بینی نمونهی بعدی ورودی بر پایهی نمونههای قبلی ورودی حداقل شود.
- 2 پیش بینی پسرو: محاسبهی وزنهای فیلتر پسرو به گونهای که خطای پیش بینی نمونهی u - n-N - حداقل شود. N مرتبهی فیلتر است.
- 3 فاکتور تبدیل: محاسبهی بازگشتی بردار بهره به منظور به روز رسانی وزنهای فیلترهای پیشرو و پسرو و تخمین فرایند مشترک.
- 4 تخمین فرایند مشترک: محاسبهی وزنهای فیلتر به گونهای که خطای بین سیگنال تخمین زده شده و سیگنال نویزی d - n - حداقل شود. وزنهای محاسبه شده در این مرحله معادل با وزنهای فیلتر در سایر الگوریتمهای تطبیقی میباشد. جزئیات روابط ریاضی مربوط به پیادهسازی بلوکهای فوق در مرجع [8] ذکر شده است که در این مقاله برای رعایت اختصار از ذکر مجدد آنها صرف نظر میشود. مزیت اصلی این فیلتر کاهش پیچیدگی محاسباتی در مقایسه با سایر فیلترهای تطبیقی است. تعداد محاسبات مورد نیاز برای هر نمونه از خروجی در فیلتر RLS برابر 4 N 2 و درFTRLS برابر 7 N +14 میباشد که N مرتبه فیلتر است .[9] پارامترهای فیلتر FTRLS شامل ورودی مرجع x - n - ، سیگنال نویزی d - n - ، بردار وزن W - n 1 - ، بردار بهرهی نرمالیز شدهی k - n 1 - و متغیر درستنمایی - n - میباشند .[6] بعد از اعمال مرحلهی پیش بینی با توجه به روابط مرجع [8]، در نهایت فیلتر کردن به صورت زیر انجام میشود:
-3-2 روش ICA
ابتدا سیگنالهای مشاهده توسط تجزیهی ICA به تعدادی منبع مستقل تجزیه میشوند، به گونهای که مشاهدات، ترکیب خطی از این منابع میباشند. روابط - 12 - و - 13 - مدل مورد استفاده در این روش را بیان میکنند. - 12 - - 13 - در روابط فوق S ماتریس منابع مستقل، A ماتریس جداکننده، X ماتریس مشاهدات و W ماتریس ترکیب میباشند. ماتریس ترکیب، وارون ماتریس A میباشد. در حذف آرتیفکت توسط روش آنالیز مؤلفههای مستقل، بعد از شناسایی منابع نویزی با روشهایی همچون مشاهدهی چشمی، کرتوزیس، طبقهبندیکنندههایی مانند ماشین بردار پشتیبان و ...، ستون متناظر با منابع نویزی در ماتریس ترکیب صفر میشود. در نهایت با ترکیب مؤلفههای باقیمانده، سیگنال تمیز به دست میآید .[10]
-4-2 روشهای ICA-RLS و ICA-FTRLS
در روش ترکیبی ICA-RLS در ابتدا سیگنالهای مشاهده توسط ICA تجزیه میشوند و بعد از تشخیص منابع نویزی توسط مشاهدهی چشمی، منابع نویزی توسط RLS فیلتر میشوند. سپس سیگنال تمیز با ترکیب مؤلفههای فیلتر شدهی حاصل از RLS و مؤلفههای غیر نویزی حاصل از ICA ساخته میشود .[5] با توجه به عملکرد مناسبتر روش ICA-RLS نسبت به RLS، در حذف آرتیفکت EOG از سیگنال EEG، و همچنین با توجه به عملکرد بهتر روش FTRLS نسبت به RLS در حذف نویز از سیگنال صدا و حذف آرتیفکت EOG از سیگنال EEG، در این تحقیق روش ICA-FTRLS برای بهبود عملکرد حذف آرتیفکت EOG از سیگنالEEG پیشنهاد میشود. مراحل حذف آرتیفکت توسط روش پیشنهاد شده مانند روش ترکیبی ICA-RLS میباشد. با این تفاوت که به جای استفاده از فیلتر RLS از فیلتر FTRLS استفاده میشود.
