بخشی از مقاله
چکیده
سیگنالهای الکتروانسفالوگرافی - EEG - نشاندهنده پتانسیل بیوالکتریکی تولیدشده توسط سلولهای عصبی قشر مغز است. تفسیر سیگنالهای EEG برای درک پارامترهای مشخصه از فعالیت مغز، مسئله اساسی سامانههای رابط مغز و رایانه - BCI - است.
ساخت یک BCI قابلاستفاده و قابلاعتماد نیاز به یک طبقهبندی دقیق و مؤثر از سیگنالهای EEG چندکاناله دارد. ازآنجاکه استخراج ویژگی نقش اساسی در تعیین عملکرد طبقهبندی ایفا میکند و با توجه به ماهیت آشوبگون و غیرخطی سیگنال EEG، در این مقاله از یک رویکرد استخراج ویژگی ترکیبی بر اساس دو ویژگی غیرخطی شامل احتمال همگامی و احتمال همگامی فازی استفاده میشود. بهمنظور انتخاب ویژگی از روش تحلیل مؤلفههای اصلی استفاده نمودیم.
ویژگیهای غیرخطی، نویزی و دادههای خارج از محدوده سیگنالهای الکتروانسفالوگرافی الهامبخش بهکارگیری منطق فازی به دلیل قدرتش برای رسیدگی به عدم قطعیت است. بنابراین ما در این تحقیق از سیستم استنتاج فازی-عصبی تطبیقی، بهمنظور طبقهبندی سیگنالهای EEG زنان و مردان سالم برای بررسی تمایزات جنسیتی مغز استفاده کردیم و پس از اجرای آزمون k-fold cross validation به صحت 96 درصد دستیافتیم که در مقایسه با صحت 93/1درصد بهدستآمده در مقاله پایه بهبودیافته است.
.1 مقدمه
واسط مغز و رایانه - Brain Computer Interface - از مجموعهای از حسگرها و اجزای پردازش سیگنال تشکیل میشود که فعالیت مغزی فرد را مستقیماً به یک سری سیگنالهای ارتباطی یا کنترلی تبدیل میکند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاههای ثبت امواج مغزی ثبت کرد که معمولاً به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، ازالکتروانسفالوگرافی برای ثبت امواج مغزی استفاده میشود.
الکترودهای - EEG - Electroencephalography در سطح پوست سر قرار میگیرند و میدان الکتریکی حاصل از فعالیت نورون ها را اندازهگیری میکنند. در مرحله بعد این امواج بررسیشده و ویژگیهای موردنظر استخراج میشود و از روی این ویژگیها میتوان حدس زد که کاربر چه فعالیتی را در نظر دارد. ازآنجاییکه هنوز سرعت و دقت این سامانهها به حد قابل قبولی نرسیده است، گروههای پژوهشی زیادی روی این سامانهها کار میکنند و امید است که در آیندهای نزدیک بتوان به سامانههایی با سرعت و دقت بالادست پیدا کرد.
سامانههای فیزیولوژیک بهطور اساسی در ذات خود غیرخطی هستند. بهمنظور بررسی و مطالعه رفتارها و پیچیدگیهای غیرخطی سیگنالهای مغزی، از آنالیز دینامیکهای غیرخطی استفاده میکنیم. پیشرفتهای اخیر در تئوری دینامیکهای غیرخطی، راه را برای تحلیل سیگنالهای مربوط به سیستمهای زنده غیرخطی هموار کرده است. امروزه مشخصشده است که این تکنیکهای غیرخطی قادر به توصیف فرآیندهایی که توسط سیستمهای بیولوژیکی زنده ایجاد میشوند، میباشند.
گام مهم در پردازش رایانهای دادگان سیگنال EEG، مرحله استخراج ویژگی است. در تحلیل سیگنال EEG علاوه بر روشهای حوزه زمان و فرکانس، ویژگیهای غیرخطی مورداستفاده قرار میگیرند که نسبت به روشهای خطی، یک نمونه علمی جدید است که بهصورت موفقیتآمیز در بسیاری محدودهها ازجمله علوم فیزیکی و بیولوژیکی استفادهشده است. کاربرد این روشها در پردازش سیگنال مغزی بهخصوص که دارای ویژگیهای آشوب گونه، ازجمله وابستگی به شرایط اولیه و پیچیدگی و خودسازماندهی است، میتواند ابزار مفیدی در جهت توصیف سیگنال EEG باشد.
یوان و همکارانش[1]برای تشخیص خودکار و طبقهبندی EEG مبتلابه صرع از ویژگیهای غیرخطی آنتروپی تقریبی - ApEn - ، توان هرست و آنالیز نوسانات DFA استفاده نمودند. حسینی فرد و همکارانش[2]برای تمایز بیماران مبتلابه افسردگی و افراد بهنجار چهار ویژگی غیرخطی شامل تحلیل DFA، بعد فرکتال هیگوچی، بعد همبستگی و نمای لیاپانوف از سیگنال EEG استخراج نموده و با استفاده از LR به طبقهبندی پرداختند.
جعفری[3]برای تشخیص آینه خواب از ویژگیهای غیرخطی آنالیز DFA، ابعاد همبستگی - CD - ، نماهای بزرگ لیاپانوف - LLEs - و آنتروپی طیفی - SE - طبقه بند SVM بهره گرفت. اوپهادیا و همکارانش[4]یک روش برای تشخیص سطح هوشیاری خودکار از مغز انسان با استفاده از ویژگیهای غیرخطی بعد فرکتال هیگوچی، بعد فرکتال پتروسیان و آنالیز DFA و بهمنظور طبقهبندی از سه روش یادگیری ماشین برای تشخیص سطح هوشیاری مانند ماشین بردار پشتیبان، حداقل مربعات-ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده کردند. علیمردانی و همکارانش[5]یک روش انتخاب مشخصه مؤثر با استفاده از شاخصهای همگامی افتراقی در جهت دستهبندی بیماران مبتلابه اسکیزوفرنی از بیمارانی با اختلالات خلقی دوقطبی - BMD - ارائه کردند.
در مقاله بارتولومی و همکارانش[6]ویژگیهای پایه شبکههای صرع را از طریق تحلیل گراف برای EEG ثبتشده درون مغزی بیماران با صرع جزئی مقاوم در طی دوره اینترایکتال بررسی کردهاند. احتمال همگامی - SL - بین الکترودهای مرتبط انتخابشده برای به دست آوردن گرافهای وزنی محاسبهشده است.
احمدلو و همکارانش[7]یک روش برای بررسی اتصال عملکردی در بیماران مبتلابه اختلال طیف اوتیسم - ASD - با استفاده از احتمال همگامی فازی - FSL - ارائه کردند. احمدلو وهمکاران[8]یک رویکرد تئوری گرافی جدید برای پیشبینی مبتنی بر EEG از واکنشهای بیماران ADHD به فراگیری نوروفیدبک یا بازخورد عصبی مشترک ارائه دادند. با استفاده از روش اخیر برای اندازهگیری همگامی، نمودارهای اتصال عملکردی، احتمال همگامی فازی - FSL - EEG های مغزهای بیماران در باند کامل و شش زیر باند EEG مرسوم که از طریق تجزیه موج کوچک تولید شدند، ایجاد شدند.
نگیوین و همکارانش[9]یک روش برای طبقهبندی موتور تصویری سیگنالهای EEG با استفاده از یک سیستم منطق فازی میانی نوع - IT2FLS - 2 در ترکیب با تبدیل موجک معرفی میکنند. گولر و اوبلی[10]پنج طبقه بند سیستم استنتاج فازی-عصبی تطبیقی - ANFIS - برای طبقهبندی پنج کلاس از سیگنالهای EEG بر اساس ورودی بهدستآمده توسط تبدیل موجک - WT - طراحی کردند. یک روش با استفاده از ANFIS برای تشخیص صرع در EEG بر اساس مجموعهای از ویژگیهای آماری استخراجشده از زیر باندهای WT گسسته نیز در مقاله سوباسی[11]معرفیشده است. نویسنده نشان داد که ANFIS اعتبار خروجی طبقهبندی از طریق مدلسازی عدم قطعیت افزایشیافته است و درنتیجه آن دارای پتانسیل در تشخیص صرع است.
استفاده از SVM فازی - FSVM - برای طبقهبندی بر اساس EEG برای تصاویر موتور چپ و راست با ویژگیهای موجک بهدستآمده در دو زیر باند بتا و مو ریتمهایی در مقاله خو، ژو، وانگ[12]مطرح شد. هوانگ[13]طبقه بند FSVM بهعنوان یک روش مؤثر و امیدوارکننده برای شناسایی وظایف ذهنی متفاوت از سیگنالهای EEG نشان دادهشده است.
بهتازگی یانگ، وانگ و اویانگ[14] از طبقه بند ANFIS برای تمایز وضعیتهای الکتریکی صرع در طول خواب - ESES - و سیگنالهای EEG طبیعی استفاده کردند. آنتروپی جایگشت و آنتروپی نمونه از سیگنالهای EEG بهعنوان ورودی به مدل ANFIS بکار گرفتهشدهاند. در این پژوهش، ANFIS را بهعنوان یک ابزار بالقوه برای طبقهبندی EEG بیماران ESES از افراد نرمال گروه کنترل آن برجسته کرده است.
در این تحقیق، ما به بررسی سیگنالهای EEG مربوط به زنان و مردان میپردازیم به این صورت که سیگنالهای خام را پیشپردازش مینماییم و در مرحله استخراج ویژگی با رویکرد ترکیبی از دو ویژگی غیرخطی احتمال همگامی - Synchronization Likelihood - و احتمال همگامی فازی - Fuzzy synchronization Likelihood - استفاده کردیم و بهمنظور انتخاب ویژگی نیز روش تحلیل مؤلفههای اصلی - PCA - را بکار گرفتیم. در انتها از سیستم استنتاج فازی-عصبی تطبیقی - ANFIS - برای طبقهبندی سیگنالهای EEG کمک گرفتیم.
ادامه مقاله بهصورت زیر فصلبندی شده است:
در بخش دوم روش پیشنهادی بهصورت مشروح توضیح داده میشود و در بخش سوم نتایج شبیهسازی روش پیشنهادی و مقایسه نتایج آزمایشهای مختلف بر روی آن آمده است. نهایتا در بخش چهارم جمعبندی کلی، نتیجهگیری و پیشنهادهایی برای کارهای آینده ارائه میگردد.
