بخشی از مقاله

خلاصه

داشتن یک مجموعه ویژگی خوب، به بهبود دقت سیستم - Brain-Computer Interface - BCI کمک میکند. یکی از مهمترین مراحل در سیستم BCI، استخراج ویژگی است؛ بنابراین، محققان بیشتر در این بخش متمرکزشدهاند. یکی از پارامترهای مهم در سیستم مغز- رایانه، سرعت است؛ بنابراین، همیشه یک طراحی سیستم با سرعتبالا است که بهطور همزمان دارای عملکرد بالا است.

در این مقاله، الگوریتمهای تکاملی - EAs - پس از اعمال روشهای استخراج ویژگیهای معروف اعمال میشود و نتایج نشان داده است زمانی که این الگوریتمهای استخراج ویژگی بهتنهایی مورداستفاده قرار می-گیرند، دقت بالایی حاصل نمیشود؛ اما هنگامیکه ترکیبی از این روشهای معروف و الگوریتمهای تکاملی در مرحله استخراج ویژگی مورداستفاده قرار میگیرد، دقت بیشتری به دست میآید که این واقعیت برای الگوریتم الگوهای فضایی مشترک - CSP - بسیار مناسب است. لازم به ذکر است که در مرحله طبقهبندی، طبقهبندی شبکههای عصبی نیز استفاده میشود.

.1 مقدمه

صرع بهعنوان یکی از مهمترین اختلالات عصبی در جهان محسوب میشود که میتواند در همه گروههای سنی تأثیر بگذارد. در حال حاضر حدود 65 میلیون نفر در سراسر جهان از بیماری صرع رنج میبرند. صرع یک اختلال عصبی پایدار است که در آن تشنج با اختلالات ناخواسته ناگهانی و رفتارهای غیرقابلپیشبینی بیماران مشخص میشود. صرع درواقع یکج از طیفهای ساختهشده از بسیاری از اختلالهای مغزی است که در محدودهی بین ناتوانی و تهدید کنندگی های زندگی بشر متغیر است.

همانطور که در هر گزارش منتشرشده توسط سازمان بهداشت جهانی * - WHO - ، صرع را میتوان بهعنوان تشنجهای عودکننده مربوط به واکنشهای فیزیکی که ناشی از تخلیه الکتریسیته ناگهانی بر روی یک گروه از سلولهای مغزی انسان میباشند، تعریف کرد. برای سهولت در درک، شرایط صرع به دودسته تقسیم میشوند: الکتروگرافی و رفتاری.

اولین مورد با استفاده از الگوهای سیگنال EEG نظارت میشود، درحالیکه دومین دسته میتواند با مشاهدههای منظم رفتار بیمار مورد تجزیهوتحلیل قرار گیرد. وقتی فرد مبتلابه صرع میشود، الگوی طبیعی از فعالیت مغزش مختل میشود؛ درنهایت منجر به احساسات عجیبوغریب، تغییرات رفتاری، نوسانات احساسی، از دست دادن آگاهی، اسپاسم عضلانی و گاه متلاشی شدن آنها میشود.

با این توصیفها همواره تشخیص بیماری صرع بسیار مهم و حائز اهمیت است بهطوریکه بسیاری از محققان به دنبال روش یا روشهایی برای تشخیص بهتر این پدیده بودند که محققانی که بهصورت بینرشتهای کار میکنند الگوریتمهای خود را برای بهبود کارایی سیستم تشخیصدهنده ارائه میدهند. این الگوریتمها شامل الگوریتمهای یادگیری ماشین و پردازش سیگنال میشوند. در این مقاله یک سیستم واسط مغز و رایانه بر اساس سیگنالهای مغزی برای تشخیص بیماری صرع پیشنهاد میشود. درواقع یک سیستم BCI پلی بین انسان و دستگاههای خارجی برقرار میکند که خواستهها و تمایلات انسان را بر اساس فعالیتهای الکتریکی سیگنالهای مغزی ترجمه کرده و بهصورت دستوراتی برای دستگاههای خارجی درمیآورد و کنترل انجام میشود.

ولادیمیر و همکاران [2] روش جدیدی را برای تشخیص حملات صرعی با استفاده از نظریه آشوب، بعد همبستگی یا تعیین بیشترین شاخص لیاپانوف برای سیگنالهای EEG پوست سر - جمجمه - پیشنهاد کردند. این تکنیک بر اساس محاسبات بزرگترین نمای لیاپانوف با شبکه عصبی است و نتایج نشان میدهد که دقت خوبی برای تعیین سیگنالهای صرع و سلامت مغز وجود دارد.

فارست و همکاران [3] بر روی گسترش سیستم تشخیص بهشدت خودکار برای بیماران مبتلابه صرع متمرکز شدند که میتوانست بر اساس مجموعه دادههای EEG اینترایکتال کار کند. در طی این فعالیت تحقیقاتی، سه کلاس از ویژگیهای سیگنال EEG شکل گرفت و سپس یک شبکه عصبی احتمالی - PNN - با استفاده از این اطلاعات سیگنالی مبتنی بر ویژگی گسترش یافت.

الکساندر و همکاران [4] یک تحلیل فرکانس زمانی برای طبقهبندی حملات صرعی پیشنهاد کردند. این روش سه مرحله مختلف را دنبال میکند: ابتدا، یک تجزیهوتحلیل t-f و همچنین محاسبه برای تراکم طیفی قدرت - PSD - هر بخشEEG انجام میشود و در مرحله دوم، استخراج ویژگی اعمال میشود که انرژی کسرشده از بخشهای سیگنال را برای پنجره مشخصشده t - f را نشان میدهد. درنهایت، طبقهبندی سیگنالهای EEG با استفاده از ANN انجام میشود و مقدار دقت نهایی 99,28 گزارششده است.گایاتری و همکاران [5] یک روش برای تشخیص صرع ارائه میدهد که بر اساس ANN و بهعنوان شبکه عصبی المن نامگذاری شده است. مشاهده شد که مقدار آنتروپی تقریبی - ApEn - بهشدت تهاجمی در هنگام تشنجهای صرعی رخ میدهد، بنابراین این تغییر بهعنوان ورودی به سیستم اعمال شد.

Danial و [6] Vivek یک فن برای تشخیص خودکار شکل موج صرعی با استفاده از سیگنالهای EEG ضبطشده با کمک یک فیلتر پیشپردازش غیرخطی چندمرحلهای ارائه دادند Hari kumar. و همکاران [7] عملکرد PSO و SVM را برای طبقهبندی قوی بیماری صرع ارزیابی کردند . سیگنالهای ورودی EEG ابتدا نمونهبرداری شدند و پسازآن مصنوعات آنها بهمنظور حل مسئله ابعاد بالاتر حذف شدند و روشهای PSD مورداستفاده قرار گرفتند. درنهایت، مجموعه دادهها با SVM همراه با هسته پردازش میشود و کار طبقهبندی نهایی با استفاده از PSO انجام شد. Akshat و همکاران [8] از طبقهبندی شبکه عصبی مبتنی بر موجک برای تشخیص اختلالهای سیگنال EEG استفاده کردند.

در این مقاله، ابتدا فیلترینگ فرکانسی با استفاده از یک فیلتر FIR انجامشده است. سپس در مرحلهی استخراج ویژگی از دو روش آنالیز مؤلفههای اساسی و همچین الگوهای فضایی مشترک استفادهشده است. بعد از استخراج ویژگی میتوان این ویژگیهای استخراجشده را مستقماًی به یک طبقهبندی کننده داد، ولی برای بهبود کار آیی و کاهش پیچیدگی زمانی که یکی از پارامترهای تعیینکنندهی کارکرد سیستم BCI است، یک مرحله انتخاب ویژگی اضافهشده است.

در این مقاله در مرحلهی انتخاب ویژگی از الگوریتمهای تکاملی نظیر بهینهسازی ازدحام ذرات، الگوریتم ژنتیک، بهینهسازی مورچگان و همچنین الگوریتم تبرید تدریجی استفادهشده است. درنهایت، در مرحلهی طبقهبندی از شبکههای عصبی استفادهشده است. نتایج نشان داد که روش پیشنهادی دارای دقت بسیار خوب و قابل قبولی است. ساختار مقاله بدینصورت است که در بخش دوم روشهای پیشنهادی برای طراحی سیستم BCI و اجزای آن موردبحث قرار میگیرد. بخش سوم ایدهی اصلی این مقاله را بهصورت مفصل شرح میدهد و نحوهی استفاده از الگوریتمها را در این مسئله بررسی میکند. در بخش چهارم نتایج بهدستآمده و در مورد آنها بحثی انجام میشود. درنهایت در بخش پنجم یک نتیجهگیری از این مقاله بیان میشود.

.2 روشها

کلیه دیتای مورداستفاده در این مقاله از سایت UCI گرفتهشده است که بهصورت آنلاین در ]9[ دسترس است. این دیتا برای 5 کلاس مختلف میباشد ولی در این مقاله چون هدف ما طراحی یک سیستم BCI برای تشخیص صرع است، فقط دو کلاس از این دیتا که شامل سیگنال صرعی و غیر صرعی است را در نظر گرفتهایم. ساختار کلی سیستم BCI بهطور خلاصه در شکل 1 و همچنین سیگنال EEG برای دو کلاس داده در شکل 2 نشان دادهشده است. این دیتا دارای 192 دادهی آزمایشی است که 96 دادهی آزمایشی برای کلاس اول - صرعی بودن - و 96 دادهی آزمایشی برای کلاس دوم - سالم بودن - میباشد.

شکل-1 بلوکهای اصلی یک سیستم واسط مغز و رایانه.

شکل -2 سیگنال خام EEG برای دو کلاس دادهی مختلف - استخراجشده از نرمافزار متلب -     

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید