نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشگاه صنعتی امیرکبیر، دانشکده مهندسی پزشکی پژوهشکده پردازش هوشمند علائم
2 دانشگاه صنعتی امیرکبیر، دانشکده مهندسی پزشکی
3 پژوهشکده پردازش هوشمند علائم دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی
چکیده
مولفه P300 یکی از مهمترین سیگنال های الکتریکی مرتبط با فعالیت های شناختی مغز است. در این تحقیق، با استفاده از تبدیل ویولت گسسته، سیگنال های تک ثبت گرفته شده از روی سر، به مولفه های مختلف فرکانسی تجزیه گردیده و از ضرایب به دست آمده به عنوان ویژگی های مرتبط با فعالیتهای شناختی مورد مطالعه استفاده شده است. بررسی ویژگی ها نشان می دهد اغلب پردازش های شناختی مورد بررسی در ویژگی های مربوط به باندهای دلتا و تتا بروز یافته اند و هر دسته شامل چند ویژگی، مربوط به یکی از زیرپردازش های درگیر در طی تولید P300 هستند. هدف از این تحقیق، به عنوان یک گام اولیه برای طراحی روشی برای دروغ سنجی با استفاده از امواج مغزی، پیاده سازی سیستمی بوده که بتواند از روی این ویژگی ها، تک ثبت های حاوی موج P300 را از تک ثبت های فاقد این موج تفکیک نماید.برای این منظور در مرحله اول با استفاده از "تحلیل تفکیکی قدم به قدم" یک تابع تفکیک بهینه به صورت ترکیب خطی نه عدد از این ویژگی ها طرح شد که قادر است با دقت حدود 75 درصد در دادگان آموزش و 71 درصد در دادگان آزمون، تک ثبت های مربوط به تحریک های هدف و غیرهدف را از یکدیگر جدا کند. بررسی های بیشتر نشان داد تنها با استفاده از سیگنال ثبت شده در کانالPz نیز می توان تقریبا به همین میزان تفکیک رسید. در مرحله بعد، برای دسته بندی داده ها از یک استراتژی یاد گیری مدولار متکی به آنالیز مولفه های اصلی و شبکه های عصبی استفاده شد. در نهایت با تعلیم این سیستم با ثبت های موجود، در بهترین وضعیت از حالات پیاده سازی شده، حداکثر دقت تفکیک حدود 76 درصد روی دادگان آموزش و حدود 72 درصد روی دادگان آزمون به دست آمد.
کلیدواژهها
- سیگنال های الکتریکی مغز
- فعالیت های شناختی
- P300
- دروغ سنجی
- تبدیل ویولت گسسته
- تحلیل تفکیکی خطی
- استراتژی یادگیری مدولار
موضوعات
عنوان مقاله [English]
Detection Of The Cognitive Components Of Brain Potentials Using Wavelet Coefficients
نویسندگان [English]
- Vahid Abootalebi 1
- Mohammad Hasan Moradi 2
- Mohammad Ali Khalilzadeh 3
1 Department of Biomedical Engineering, AmirKabir University of Technology Research Center of Intelligent Signal Processing
2 Department of Biomedical Engineering, AmirKabir University of Technology
3 Research Center of Intelligent Signal Processing Department of Biomedical Engineering, Azad University of Mashhad
چکیده [English]
P300 is the most predominant cognitive component of the brain signals. In this study, the single trial event related potentials recorded from the scalp, were decomposed to their time-frequency components using discrete wavelet transform. These quantities were later analyzed as the features related to the cognitive activities of brain. Study on these features showed that cognitive processes of the brain of ten reflected in the feature of δ and θ bands. The aim of this study, as a primary step for "lie detection using brain signals (EEG - Polygraphy)", was to design a system for discriminating between single trials involved P300 and those without it. In the first approach, an optimal discriminant function based on 9 features was designed using "Stepwise Linear Discriminant Analysis". Detection accuracy was 75% in training data and 71% in test data. More study on this method showed that almost similar accuracy could be obtained from the features of Pz channel alone. In the second approach, the modular learning strategy - based on principal component analysis and neural networks - was used. After training the systems, the maximum classification accuracy was 76% in train data and 72% in test data.
کلیدواژهها [English]
- Brain Potentials
- Cognitive Functions
- P300
- Lie Detection
- Discrete wavelet transform
- Linear Discriminant Analysis
- Modular Learning Strategy