نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشجوی دکتری ، گروه مهندسی پزشکی، دانشگاه سمنان، سمنان
2 استادیار، گروه مهندسی پزشکی، دانشگاه سمنان، سمنان
چکیده
بهمنظور افزایش تعداد فرکانسهای تحریک در واسط مغز-کامپیوتر مبتنی بر پتانسیل برانگیختهی بینایی حالت ماندگار، با توجه به محدودیت کاهش گام فرکانسی، ناگزیر به افزایش گسترهی فرکانسی میباشیم. این موضوع، قرارگیری فرکانسهای با رابطهی هارمونیک در گسترهی فرکانسهای تحریک و افزایش خطا در بازشناسی فرکانس را در پی خواهد داشت.در این مقاله، روشی سه مرحلهای، شامل تجزیهی حالت تجربی، تحلیل همبستگی متعارف و طبقهبند شبکهی عصبی، ارائه شده است، که میتواند مشکل خطای بازشناسی را برای گسترهی وسیع فرکانسی که شامل فرکانسهای با رابطهی هارمونیک هستند را برطرف نماید. بدین منظور، تحریک بینایی در محدودهی 6 تا 16، با گام فرکانسی 5/0 هرتز، با استفاده از جعبهابزار سایکوفیزیکس در متلب ایجاد شد. ثبت سیگنال پتانسیل برانگیختهی بینایی حالت ماندگار از ده سوژه و تنها از الکترود Oz صورت گرفت. پس از استخراج توابع حالت ذاتی سیگنال توسط تجزیهی حالت تجربی و بازسازی سیگنالهای ترکیبی، تحلیل همبستگی متعارف اعمال گردید. دو ویژگی شامل فرکانس بازشناسی شده و مقدار همبستگی در این فرکانس، استخراج و به طبقهبند شبکهی عصبی داده شد.میانگین صحت بازشناسی بهازای پنجرهی زمانی هشت ثانیه، برای تحلیل همبستگی متعارف (1N=)، %78 و برای تحلیل همبستگی متعارف (2N=)، %74 بود که با روش پیشنهادی، به ترتیب به %82 و %77 افزایش یافت. N تعداد هارمونیکها در ایجاد سیگنال مرجع روش تحلیل همبستگی متعارف را نشان میدهد.بهطور متناظر، بهازای پنجرهی زمانی چهار ثانیه برای حالت 1N=، صحت از%78 به %83 و برای حالت 2N= از %78 به %80 افزایش یافت. روش پیشنهادی توانسته است برای گسترهی وسیع فرکانسی، صحت بازشناسی فرکانس را نسبت به روش تحلیل همبستگی متعارف استاندارد بهبود بخشد. بر این اساس، امکان افزایش تعداد گزینههای فرکانسی با وسیعتر نمودن گسترهی فرکانس تحریک و درنتیجه افزایش نرخ انتقال اطلاعات فراهم میگردد.
کلیدواژهها
- واسط مغز-کامپیوتر
- پتانسیل برانگیختهی بینایی حالت ماندگار
- تحلیل همبستگی متعارف
- تجزیهی حالت تجربی
- طبقهبند شبکهی عصبی
موضوعات
عنوان مقاله [English]
The EMD-CCA with Neural Network Classifier to Recognize the SSVEP Frequency
نویسندگان [English]
- Sahar Sadeghi 1
- Ali Maleki 2
1 PhD Student, Biomedical Engineering Department, Semnan University, Semnan, Iran
2 Assistant Professor, Biomedical Engineering Department, Semnan University, Semnan, Iran
چکیده [English]
To increase the number of stimulation frequencies in the Steady-state visual evoked potential (SSVEP)-based brain-computer interface, we are forced to broaden the frequency range due to the frequency resolution restriction. This will enter frequencies with harmonic relation into the stimulation frequency range and lead to increase in frequency recognition error. In this paper, a three-stage method including the empirical mode decomposition (EMD), the canonical correlation analysis (CCA) and neural network classifier has been proposed that can solve the recognition error problem for wide frequency range including frequencies with harmonic relation. Visual stimulus ranged from 6-16 Hz with an interval of 0.5 have been generated using Matlab and the psychophysics toolbox. The SSVEP signal was recorded from ten subjects via one electrode placed at Oz. After extracting the intrinsic mode functions (IMFs) of the signal by EMD and reconstructing the combined signals, the CCA has been applied. Two features including the detected frequency and the correlation value in this frequency have been extracted and they were given to the neural network classifier. For eight-second time window, the average accuracy of the CCA for N=1 was 78% and for N=2 was 74%, while the corresponding values of the proposed method were 82% and 77% respectively. For four-second time window, the accuracy was increased from 78% to 83% for N=1 and it was increased from 78% to 80% for N=2. N is the number of harmonics in the generation of the reference signal in the CCA. For wide frequency range, the proposed method has been able to improve the frequency recognition accuracy compared to the standard CCA method. according to this, by broadening the stimulation frequency range, the possibility of increasing the number of frequency options and thus increasing the information transfer rate are provided.
کلیدواژهها [English]
- Brain Computer Interface
- Steady-State Visual Evoked Potential
- Canonical Correlation analysis
- Empirical Mode Decomposition
- Neural Network Classifier