سیستم‌های واسط مغز-رایانه
مریم فرهادنیا؛ سپیده حاجی پور؛ محمد میکاییلی
دوره 17، شماره 1 ، خرداد 1402، ، صفحه 1-10
چکیده
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابل‌قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI هستند که در ناحیه پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید ...
بیشتر
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابل‌قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI هستند که در ناحیه پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می‌شوند. یکی از روش‌های کارا برای استخراج فرکانس SSVEP در سیستم‌های BCI، روش تجزیه و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که تانسوری‌شده روش کلاسیک تجزیه و تحلیل ضرایب همبستگی (CCA) است و مبتنی بر داده‌های چندبعدی است. در این مقاله، با الهام از روش MCCA، دو الگوریتم جدید (PARAFAC-CCA و C-PARAFAC-CCA) با استفاده از ترکیب روش CCA و تجزیه تانسوری PARAFAC معرفی شده‌است که هدف الگوریتم‌های پیشنهادی بهبود سیگنال مرجع اولیه و دستیابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستم‌های BCI می‌باشد. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه PARAFAC روی داده‌های چندبعدی آموزش و بدست آوردن مولفه زمانی، روش CCA را بین مولفه زمانی بدست آمده و سیگنال مرجع سینوسی-کسینوسی پیاده‌سازی نموده و از خروجی آن، سیگنال مرجع بهینه ساخته می‌شود. در نهایت از الگوریتم MLR بین داده تست EEG و سیگنال مرجع بهینه به منظور دستیابی به فرکانس هدف استفاده می‌شود. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده، با این تفاوت که در محاسبه مولفه زمانی از PARAFAC مقید استفاده می‌شود به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمال‌شده و مولفه زمانی بهبود داده می‌شود. کارایی الگوریتم‌های ارائه شده بر روی مجموعه دادگان واقعی، مورد بررسی قرار گرفته و نشان داده شد که در مقایسه با روش MCCA، الگوریتم‌های پیشنهادی به طور میانگین به صحت تشخیصی بالاتری رسیده‌اند.
پردازش سیگنال‌های حیاتی
فریده ابراهیمی؛ محمد میکائیلی
دوره 4، شماره 2 ، شهریور 1389، ، صفحه 97-108
چکیده
سیگنال‌های زیستی مختلف شامل EEG، EOGو EMGبه منظور تشخیص اختلالات خواب در آزمایشگاه‌های خواب ثبت می‌شوند. تحلیل اطلاعات ثبت شده در زمان خواب به‌وسیله متخصص خواب، به صورت شهودی انجام می‌شود. طبقه‌بندی شهودی مراحل خواب به دلیل طولانی بودن ثبت‌ها، کار زمان‌بر و خسته کننده‌ای است. تحلیل خودکار خواب می‌تواند این امر را تسهیل کند. مهم‌ترین ...
بیشتر
سیگنال‌های زیستی مختلف شامل EEG، EOGو EMGبه منظور تشخیص اختلالات خواب در آزمایشگاه‌های خواب ثبت می‌شوند. تحلیل اطلاعات ثبت شده در زمان خواب به‌وسیله متخصص خواب، به صورت شهودی انجام می‌شود. طبقه‌بندی شهودی مراحل خواب به دلیل طولانی بودن ثبت‌ها، کار زمان‌بر و خسته کننده‌ای است. تحلیل خودکار خواب می‌تواند این امر را تسهیل کند. مهم‌ترین گام برای طبقه‌بندی خودکار مراحل خواب، استخراج ویژگی‌های مناسب است. در این تحقیق دو دسته ویژگی از سیگنال EEGاستخراج شدند: دسته اول ویژگی‌هایی هستند که از روی ضرایب تبدیل بسته‌های موجک (WPT) محاسبه شده‌اند و دسته دوم شامل تعدادی از ویژگی‌های فرکانسی و یک ویژگی زمانی یعنی دامنه سیگنال EEGهستند. در ادامه این دو مجموعه از ویژگی‌ها به طور مجزا به‌وسیله شبکه‌های عصبی SOMبه فضای دوبعدی نگاشته شدند. نگاشت به‌دست آمده نشان داد که این ویژگی‌ها در جدا کردن خودکار مراحل خواب بسیار مفیدند. اطلاعات استخراج شده از EEGبیداری و خواب عمیق به دو ناحیه کاملاً مجزا نگاشته شدند. این نگاشت همچنین نشان داد که سیگنالEEGبه‌تنهایی برای جدا کردن کامل مراحل خواب کافی نیست زیرا وقتی اطلاعات مستخرج از سیگنال EEGدر خواب REMو مرحله 1 از خواب NREMبه ناحیه یکسان نگاشت شدند، اطلاعات استخراج شده از سیگنال EEGدر مرحله 2 خواب با سایر مراحل همپوشانی دارد که این نتایج منطبق با تعاریف فیزیولوژی مراحل خواب است.
