ارتقاي كارآيي يك سيستم واسط مغز و رايانه مبتني بر EEG با استفاده از روش هاي جداسازي منابع كور

كارشناسي ارشد

روش¬هاي جداسازي منابع كور (BSS) مانند شناسايي كور مرتبه دوم (SOBI) و تجزيه و تحليل مولفه¬هاي مستقل (ICA) مبتني بر يك دسته گسترده از الگوريتم¬هاي يادگيري بدون نظارت هستند. آن¬ها كاربردهاي بالقوه¬اي در بسياري از حوزه¬هاي علوم كاربردي مانند مهندسي پزشكي، پردازش تصوير، تقويت گفتار، پردازش داده¬هاي ژئوفيزيكي و ارتباطات بي¬سيم دارند. BSS و ICA به مسئله بازيابي سيگنال¬هاي مستقل آماري از يك مخلوط خطي اشاره مي¬نمايند. مولفه كور به اين واقعيت اشاره مي¬كند كه هيچ اطلاعاتي در مورد فرآيند مخلوط شدگي و يا در مورد سيگنال¬هاي منابع وجود ندارد. يك سيستم واسط مغز و رايانه مي¬تواند به عنوان يك كانال ارتباطي و كنترلي تعريف شود كه به كانال-هاي خروجي نرمال مغز مرتبط با اعصاب سطح بدن و عضلات، بستگي ندارد. در سيستم¬هاي BCI، سيگنال¬هاي الكتروانسفالوگرافي (EEG) به بازگرداندن عملكردهاي حسي و حركتي در بيماراني كه دچار نقص حركتي شديد شده¬اند، كمك مي¬نمايند. بنابراين، نياز روز افزون به توسعه روش¬هاي طبقه¬بندي خودكار براي ارزيابي و تشخيص اختلالات عصبي وجود دارد. يك چالش بزرگ براي سيستم¬هاي BCI، تشخيص درست و كارآمد سيگنال¬هاي مختلف EEG از وظايف متفاوت تصور حركت (MI) است. BCI ها الگوريتم¬هاي طبقه¬بندي مناسب را براي كمك به بيماران ناتوان حركتي در برقراري ارتباط استفاده مي-نمايند. سيگنال¬هاي EEG بسيار مستعد آغشته شدن به آرتيفكت¬ها هستند. آلودگي سيگنال¬هاي EEG توسط آرتيفكت¬ها بر سيگنال مطلوب اثر مي¬گذارد و تجزيه و تحليل را مشكل مي¬سازد. بنابراين، حذف خودكار آرتيفكت¬ از سيگنال¬هاي EEG براي اطمينان از يك طبقه¬بندي صحيح مهم است. در اين تحقيق، روش¬هاي BSS به منظور حذف آرتيفكت در يك سيستم واسط مغز و رايانه مبتني بر تصور حركت (MI-BCI) استفاده شده است. نتايج نشان مي¬دهد كه حذف آرتيفكت موجب يك كاهش 6% در عملكرد طبقه¬بندي ميانگين از 63% به 57% مي¬شود. واژه‌هاي كليدي: جداسازي منابع كور، حذف آرتيفكت، واسط مغز و رايانه، EEG، تصور حركت.

191051

دانشگاه علم و صنعت ايران

سيستم هاي الكترونيك ديجيتال

دكتر سيد محمدرضا موسوي ميركلائي