دسته‌بندي سيگنال‌هاي مغزي EEG بر اساس تصاوير ديده شده توسط افراد مختلف با استفاده از روش‌هاي مبتني بر يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

كارشناسي ارشد

در اين پايان‌نامه، به پياده‌سازي و بررسي پنج روش مختلف براي دسته‌بندي مجموعه داده‌هاي EEG ثبت شده از 24 فرد سالم حين مشاهده تصاوير مربوط به اشياء دو دسته‌ لوازم آشپزخانه و ابزارآلات كارگاه پرداخته شده است. هر تصوير يك بار بصورت دوبعدي و بار ديگر صورت سه‌بعدي به افراد نمايش داده شده است. بنابراين سه سناريو كلي براي انجام اين تحقيق در نظر مي‌گيريم: 1- دسته‌بندي تمامي داده‌ها، 2- دسته‌بندي داده‌هاي مربوط به نمايش دوبعدي تصاوير و 3- دسته‌بندي داده‌هاي مربوط به نمايش سه‌بعدي تصاوير. ابتدا تحقيق‌هاي قبلي انجام شده در زمينه دسته‌بندي داده‌هاي EEG براساس دسته تصاوير ديده شده توسط افراد مختلف به دو گروه كلي روش‌هاي كلاسيك و روش‌هاي مبتني بر يادگيري عميق تقسيم‌بندي شده و روش‌هاي مربوط به هرگروه با يكديگر مقايسه مي‌شوند. سپس روش‌هايي كه در تحقيق‌هاي قبلي دقت بالاي 90% بدست آورده‌اند، براي پياده‌سازي سناريوهاي اين تحقيق انتخاب شده و نتايج پياده‌سازي آن‌ها گزارش شده است. بر اين اساس، از تحقيق‌هاي قبلي سه روش انتخاب شده كه دو مورد از آن‌ها مربوط به روش‌هاي كلاسيك و يكي از آن‌ها مربوط به روش‌هاي مبتني بر يادگيري عميق است. در روش‌هاي كلاسيك انتخابي، ابتدا از داده‌هاي مربوط به هر كدام از نواحي مغز بصورت جداگانه با استفاده از روش‌هايي همچون تزويج فاز-فاز (PPC) و توزيع چوي-ويليامز (CWD) تعدادي ويژگي استخراج شده و سپس داده‌ها با استفاده از ماشين بردار پشتيبان (SVM) دسته‌بندي مي‌شوند. در روش PPC، از ميزان تزويج فركانسي ميان زيرباندهاي فركانسي مختلف داده‌ها يعني آلفا، بتا، دلتا، تتا و گاما به عنوان ويژگي استفاده مي‌شود. در روش CWD، ابتدا توزيع انرژي داده‌ها در حوزه مشترك زماني-فركانسي محاسبه شده و سپس از اين توزيع ويژگي‌هاي آماري و طيفي استخراج مي‌شود. عيب روش‌هاي كلاسيك، استخراج ويژگي‌ها بصورت دستي است كه مي‌تواند باعث ناديده گرفتن ويژگي‌هاي مناسب براي دسته‌بندي داده‌ها شود. در ادامه سعي مي‌شود با استفاده از روش‌هاي مبتني بر يادگيري عميق به ويژگي‌هاي پنهان در داده‌ها دست يافته و به دقت دسته‌بندي بالاتري دست يابيم. براي اين منظور، ابتدا از شبكه كانولوشني EEGNet براي دسته‌بندي داده‌هاي خام استفاده شده است. يكي ديگر از روش‌هاي مورد استفاده كه در تحقيق‌هاي پيشين مطرح شده است، استفاده از يك شبكه كانولوشني ساده براي دسته‌بندي CWD داده‌هاي هر كدام از نواحي مغز بصورت جداگانه است. سناريوهاي تحقيق، با استفاده از روش‌هاي مذكور پياده‌سازي شده و نتايج آن با هم مقايسه مي‌شوند. در روش پيشنهادي، بجاي استفاده از يك شبكه كانولوشني ساده از يك شبكه كانولوشني قوي‌تر مانند ResNet50 براي دسته‌بندي CWD داده‌ها استفاده نموده و نتايج آن ‌را با نتايج ساير روش‌ها مقايسه مي‌كنيم. نتايج پياده‌سازي سناريو اول اين تحقيق نشان مي‌دهد كه با روش‌هاي مبتني بر يادگيري عميق نسبت به روش‌هاي كلاسيك مي‌توان به دقت دسته‌بندي بالاتري دست يافت. همچنين نتايج بدست آمده براي دسته‌بندي داده‌هاي مربوط به ناحيه لوب پس‌سري و لوب قدامي بهتر از ساير نواحي مغز است. نتايج پياده‌سازي سناريو دوم و سوم اين تحقيق نشان مي‌دهد كه شيوه نمايش تصوير به افراد بر داده‌هاي EEG آن‌ها تاثير گذاشته و سيگنال‌هاي مربوط به نمايش سه‌بعدي تصاوير، داراي الگوهاي بهتري براي دسته‌بندي است و با استفاده داده‌هاي مربوط به تصاوير سه‌بعدي در مقايسه با داده‌هاي مربوط به تصاوير دوبعدي به دقت دسته‌بندي بالاتري دست يافتيم.

231227

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان