بخشی از مقاله
خلاصه
پتانسیلهای برانگیختهبینایی حالت ماندگار - - SSVEP به دلیل مزایای همچون بالابودن نرخ تبادل اطلاعات و نسبت سیگنال به نویز، میتواند بهخوبی برای واسطمغز-کامپیوتر - - BCI استفاده شود. در این مقاله روشی برای شناسایی فرکانس های SSVEP با رویکرد تلفیق روش های تجزیه حالت تجربی - EMD - و تحلیلهمبستگی متقابل - - CCA ارائهشدهاست. در روش پیشنهادی این مقاله، EMD را بر روی سیگنال اعمال نموده و ترکیبی از توابع حالت ذاتی استخراج شده از آن را با توجه به محدوده فرکانس تحریک انتخاب مینماییم.
مجموع سه IMF اول بهعنوان ترکیب مطلوب گزینش شده و با استفاده از روش CCA، همبستگی بین این ترکیب را با فرکانس تحریک و هارمونیکهایشمحاسبه نموده و بزرگترین ضریب همبستگی را به عنوان فرکانس SSVEP شناسایی میکنیم. با توجه به نتایج حاصل از شبیهسازی روش EMD-CCA بر روی سیگنالهای پایگاه داده AVI SSVEP ، بالاترین نرخ صحت بازشناسی فرکانس برای روش پیشنهادی به دست آمد.
.1 مقدمه
وا سط مغز- کامپیوتر - BCI - سی ستمی ارتباطی ا ست که در آن فرامین مغز بدون درگیرکردن م سیرهای خروجی طبیعی به محیط پیرامون منتقل میگردد.[1] این سیستم ارتباطی میتواند درکاربردهای مختلفی نظیرکنترل ابزارهایی همچون کامپیوتر،ویلچر و پروتزها، انجام امورضروری منزل و همچنین نوشتن به افراد باناتوانی حرکتی شدیدکمک کند. برای BCI میتوان از سیگنالهای کنترلی متفاوتی همچون پتانسیلهای برانگیخته بینایی حالت ماندگار SSVEP - - ، ویژگی P300 درپتانسیل برانگیخته بینایی، پتانسیلهای ناشی از قشرحسی- حرکتی و.... استفادهکرد.[2]
BCI مبتنی بر SSVEP به دلیل مزایایی همچون: سادگی راه اندازی و استفاده از سیستم، عدم نیازبه یادگیری و صحت و نرخ تبادل اطلاعات قابل قبول موردتوجه قرارگرفتهاستSSVEP .[3]ها پتانسیلهای الکتریکی نوسانی هستند که در زمان تمرکز فرد روی یک محرک درحال نوسان در فرکانسی خاص، از مغز او استخراج میگردد.[4] از آنجا که تحریک در یک فرکانس خاص سبب نوسان در همان فرکانس و هارمونیکهایش میگردد، با تمرکز فرد روی یک محرک خاص دامنه باندهای فرکانسی مرتبط با فرکانس تحریک افزایش مییابد. [5 ] بنابراین زمانیکه قلههای طیف فرکانسی شناسایی شود نقطه در حال نوسانی که کاربر به آن نگاه کرده، تشخیص داده شده و در نهایت میتوان به قصد کاربر پی برد.[3]
برای شناسایی SSVEPها روشهای متفاوتی وجود دارد. یکی از معروفترین این روشها تحلیل چگالی طیف توان* - PSDA - است. در این روش با محاسبه تبدیل فوریه سریع - FFT - سیگنال الکتروانسفالوگرام - EEG - کاربر، PSD آن را تخمین زده و سپس برای طبقه بندی از دامنه هر فرکانس تحریک استفاده میگردد. استفاده از روش تحلیل همبستگی متقابل - CCA - نیز روشی نسبتا جدید برای شناسایی SSVEPهاست که به دلیل مزایایی همچون نسبت سیگنال به نویز - SNR - ** بالاتر و همچنین استفاده از هارمونیک فرکانسهای تحریک، نسبت به روشهای سنتی تشخیص فرکانس همچون PSDA برتری دارد.
مسئله استفاده از هارمونیک فرکانس تحریک از این نظر حائزاهمیت است که در زمان استفاده از مانیتورهای LCD برای اعمال تحریکهای مختلف به کاربر، به دلیل محدودیت در نرخ به روزرسانی صفحه نمایش، محقق محدود به استفاده از تعدادکمی از فرکانسها شده که همین تعدادکم در زمان شناسایی با روشهای سنتی شناسایی SSVEP همانند PSDA بازهم کاهش مییابد. درحالیکه در یک محیط BCI برخط تمایل به استفاده از روشهایی که گزینش فرکانس را محدود نکند، بیشتر است. از این رو روشهایی همچون CCA که قادر به درنظرگرفتن هارمونیکها نیز میباشد، مطلوب به نظر میرسد.[6]
یکی دیگر از روشهای استفاده شده در حوزه BCI ، روش تجزیه حالت تجربی - EMD - است که برای پردازش سیگنالهای غیرایستان*** مثل EEG مفید است. در این روش سیگنال بر اساس خصوصیات محلیاش در حوزه زمان به توابع مد ذاتی - IMF - تجزیه شده و اطلاعات زمانی آن استخراج میگردد.[7] در این مقاله برای بهبود صحت تشخیص SSVEPها شیوه تلفیق روشهای EMD و CCA استفاده شده است.
به طوری که با اعمال روش EMD بر روی سیگنال و انتخاب IMFهای مناسب به نوعی سیگنال را بهینه نموده و این IMFها که درحقیقت ویژگیهای استخراج شده از سیگنال هستند را با روش CCA طبقهبندی نموده و SSVEP ها را شناسایی مینماییم. در بخش دوم این مقاله به معرفی پایگاه داده ا ستفاده شده خواهیم پرداخت، معرفی روش های تجزیه حالت تجربی و تحلیل همبستگی متقابل در بخش سوم آورده شده است. بخش چهارم و پنجم به ترتیب به ارائه روش پیشنهادی و معرفی شیوه ارزیابی اختصاص داده شدهاست. نتایج روشها در بخش ششم و نتیجهگیری نیز در بخش هفتم ارائه خواهندشد.
.2 روش
1,2 پایگاه داده
شبیهسازیهای انجامشده در این مقاله با استفاده از پایگاه داده AVI SSVEP صورت گرفته است. این پایگاه داده شامل دادگانی از 4 نمونه سالم - سه مرد و یک زن - میباشد که همه آنها به منظور ثبت پاسخ SSVEP در معرض هدف در حال سوسوزدن با فرکانسهای مختلف - 6، 6/5، 7، 7/5، 8/2، 9/3، - 10 قرار میگیرند. طول سیگنالهای این پایگاه داده 30 ثانیه بافرکانس نمونه برداری 512 هرتز میبا شد. دیگر م شخ صات این پایگاه داده نیزهمانند سن و جن سیت هرنمونه، فاصله نمونه از صفحه نمایش و... در ساختار ارائه شده برای این پایگاه داده قابل دسترسی میباشد.
نحوه الکترودگذاری برای ثبت سیگنال مطابق باسیستم استاندارد 10-20 بوده و برای ثبت سیگنالها از سه الکترود Oz - الکترود ثبت - ، Fz - الکترود مرجع - و Fpz - الکترود زمین - استفاده شده است. تجهیزات سخت افزاری ثبت داده هم شامل یک صفحه نمایش LCD با نرخ به روزرسانی 120 هرتز، یک فیلتر ناچ برای فیلترکردن فرکانس 50 هرتز و تقویتکننده g.USBamp برای تقویت دامنههای کوچک سیگنال EEG میباشد.[8]
2,2 تجزیه حالت تجربی
روش تجزیه حالت تجربی، سعی در تجزیه سیگنال اصلی به تعداد متناهی* تابع حالت ذاتی به وسیله فرآیند غربال دارد، هر IMF یک تابع نوسانی با فرکانسهای زمان - متغیر میباشد که میتواند خصوصیات و مشخصات محلی سیگنال اصلی غیرایستان را نمایش دهد .[9] برای اینکه تابعی به عنوان IMF شناخته شود باید دارای دو شرط باشد:[10]
1. تعداد اکسترممها و عبور از صفرهای آن با هم برابر هستند یا حداکثر یک عدد اختلاف دارند.
2. در هر لحظه، میانگین پوش بالایی و پایینی سیگنال - که به ترتیب توسط ماکزیممها و مینیممهای محلی تعیین میشود - صفر است.
