نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

تشخیص فرکانس در رابط‌های مغز و رایانه مبتنی بر SSVEP با استفاده از ترکیب تجزیه‌ی PARAFAC و آنالیز مولفه‌های کانونی

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

مریم فرهادنیا 1
سپیده حاجی‌پور ساردوئی 2
محمد میکائیلی 3

1 دانشجوی کارشناسی ارشد مهندسی پزشکی، گروه بیوالکتریک، دانشکده‌ی فنی و مهندسی، دانشگاه شاهد، تهران، ایران

2 استادیار، گروه بیوالکتریک، دانشکده‌ی مهندسی برق، دانشگاه صنعتی شریف، تهران، ایران

3 استادیار، گروه بیوالکتریک، دانشکده‌ی فنی و مهندسی، دانشگاه شاهد، تهران، ایران

https://doi.org/10.22041/ijbme.2023.1974395.1814
چکیده

امروزه استفاده از سیستم‌ رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته‌ی بینایی حالت ماندگار (SSVEP) به دلایلی هم‌چون صحت قابل قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI بوده که در ناحیه‌ی پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می‌شود. یکی از  روش‌های کارآمد برای استخراج فرکانس SSVEP در سیستم‌های BCI، روش تجزیه‌ و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که نسخه‌ی تانسوری شده‌ی روش کلاسیک تجزیه‌ و تحلیل ضرایب همبستگی (CCA) بوده و مبتنی بر داده‌های چندبعدی است. در این مقاله با الهام گرفتن از روش MCCA، دو الگوریتم جدید PARAFAC-CCA و C-PARAFAC-CCA با استفاده از ترکیب روش CCA و تجزیه‌ی تانسوری PARAFAC معرفی شده که  هدف این الگوریتم‌ها بهبود سیگنال مرجع اولیه و دست‌یابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستم‌های BCI است. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه‌ی PARAFAC روی داده‌های چندبعدی آموزش و به دست آوردن مولفه‌ی زمانی، روش CCA بین مولفه‌ی زمانی به دست آمده و سیگنال مرجع سینوسی کسینوسی پیاده‌سازی شده و از خروجی آن، سیگنال مرجع بهینه ساخته شده است. در نهایت از الگوریتم MLR بین داده‌ی تست EEG و سیگنال مرجع بهینه به منظور دست‌یابی به فرکانس هدف استفاده شده است. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده با این تفاوت که در محاسبه‌ی مولفه‌ی زمانی از PARAFAC مقید استفاده شده به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمال شده و مولفه‌ی زمانی بهبود داده شده است. کارایی الگوریتم‌های ارائه شده روی مجموعه‌ی دادگان واقعی مورد بررسی قرار گرفته و نشان داده شده که به طور میانگین صحت تشخیصی الگوریتم‌های پیشنهادی در مقایسه با روش MCCA بالاتر است.

کلیدواژه‌ها

الکتروانسفالوگرام
رابط مغز و رایانه
پتانسیل بینایی حالت ماندگار
تجزیه و تحلیل همبستگی کانونی چندجهته
تجزیه‌ی تانسوری PARAFAC

موضوعات

عنوان مقاله English

Frequency Recognition in SSVEP-based BCIs using Combination of PARAFAC Decomposition and Canonical Component Analysis

نویسندگان English

Maryam Farhadnia 1
Sepideh Hajipour Sardouie 2
Mohammad Mikaili 3
1 M.Sc. Student, Bioelectric group, Department of Engineering, Shahed University, Tehran, Iran
2 Assistant Professor, Bioelectric Group, Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran
3 Assistant Professor, Bioelectric Group, Department of Engineering, Shahed University, Tehran, Iran
چکیده English

Today, usage of brain-computer interface systems based on steady-state visual evoked potentials (SSVEPs) has been increased due to some advantages such as acceptable accuracy and minimal need for user training. Steady-state visual potentials are one of the most important patterns used in BCI systems, which are generated in the occipital region of the brain by visual stimulation between 6 and 60 Hz. One of the effective methods for extracting the SSVEP frequency in BCI systems is called the Multiway Correlation Coefficient Analysis (MCCA) method, which is a tensorized version of the classical Correlation Coefficient Analysis (CCA) method and is based on multidimensional data. In this paper, inspired by the MCCA method, two new algorithms (PARAFAC-CCA and C-PARAFAC-CCA) have been proposed using the combination of CCA and PARAFAC decomposition. The purpose of the proposed algorithms is to improve the initial reference signal and achieve higher accuracy in SSVEP frequency detection in BCI systems. In the PARAFAC-CCA algorithm, after performing the PARAFAC decomposition on the multidimensional training data and obtaining the time component, the CCA method is implemented between the obtained time component and the sine-cosine reference signal, and the optimal reference signal is made from its output. Finally, the MLR algorithm is used between the EEG test data and the optimal reference signal in order to achieve the target frequency. The general steps of the C-PARAFAC-CCA algorithm are also similar to PARAFAC-CCA, with the difference that in the calculation of the time component, constrained PARAFAC is used in such a way that in each step of the ALS algorithm, CCA is applied once and the time component is improved. The efficiency of the proposed algorithms was investigated on the real data set and it was shown that compared to the MCCA method, the proposed algorithms have reached a higher average accuracy.

کلیدواژه‌ها English

Electroencephalogram (EEG)
Brain-Computer Interface (BCI)
Steady State Visual Evoked Potential (SSVEP)
Multivariate Canonical Correlation Analysis (MCCA)
PARAFAC Decomposition
  1. Cherloo, M.N., Amiri, H.K. and Daliri, M.R.” (2022) Spatio-Spectral CCA (SS-CCA): A novel approach for frequency recognition in SSVEP-based BCI”, Journal of Neuroscience Methods, 371, p. 109499.
  2. Jonathan R, W and Elizabet W, “Brain-Computer Interfaces,” in Title of His Published Book, 1th ed. New York State Department of Health. Of OXFORD university Press, 2012, ch. 1, sec. 1, pp. xxx–xxx.
  3. Zhang, Y., Xie, S.Q., Wang, H. and Zhang, Z. (2020) “Data analytics in steady-state visual evoked potential-based brain–computer interface, A review”. IEEE Sensors Journal, 21(2), pp.1124-1138.
  4. Lin, Z., Zhang, C., Wu, W., & Gao, X. (2007). Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs. IEEE transactions on biomedical engineering, 54(6), 1172-1176.
  5. Liguori, C., Paolillo, A. and Pignotti, A. (2006) “Estimation of signal parameters in the frequency domain in the presence of harmonic interference”,A comparative analysis, IEEE Transactions on Instrumentation and Measurement, 55(2), pp.562-569.
  6. Zhang, Y., Zhou, G., Zhao, Q., Onishi, A., Jin, J., Wang, X. and Cichocki, A. (2011) “Multiway canonical correlation analysis for frequency components recognition in SSVEP-based BCIs”, In International Conference on Neural information processing (pp. 287-295),Springer, Berlin, Heidelberg.
  7. Zhang, Y., Zhou, G., Jin, J., Wang, M., Wang, X. and Cichocki, A. (2013) “L1-regularized multiway canonical correlation analysis for SSVEP-based BCI”, IEEE transactions on neural systems and rehabilitation engineering, 21(6), pp.887-896.
  8. Zhang, Y.U., Zhou, G., Jin, J., Wang, X. and Cichocki, A. (2014) “Frequency recognition in SSVEP-based BCI using multiset canonical correlation analysis”, International journal of neural systems, 24(04), p.1450013.
  9. Jiao, Y., Zhang, Y., Wang, Y., Wang, B., Jin, J. and Wang, X.(2018) “A novel multilayer correlation maximization model for improving CCA-based frequency recognition in SSVEP brain–computer interface”, International journal of neural systems, 28(04), p.1750039.
  10. Chen, X., Wang, Y., Gao, S., Jung, T.P. and Gao, X. (2015) “Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain–computer interface”, Journal of neural engineering, 12(4), p.046008.
  11. Liu, T., Zhang, Y., Wang, L., Li, J., Xu, P. and Yao, D. (2019), Fusing canonical coefficients for frequency recognition in SSVEP-based BCI”. IEEE Access, 7, pp.52467-52472.
  12. Zhang, Z.M. and Deng, Z.D. (2012) “A kernel canonical correlation analysis based idle-state detection method for SSVEP-based brain-computer interfaces”, In Advanced Materials Research (Vol. 341, pp. 634-640), Trans Tech Publications Ltd.
  13. Andrew, G., Arora, R., Bilmes, J. and Livescu, K. (2013) “Deep canonical correlation analysis”, In International conference on machine learning, (pp. 1247-1255), PMLR.
  14. Jorajuría, T., Idaji, M.J., İşcan, Z., Gómez, M., Nikulin, V.V. and Vidaurre, C. (2022) “Oscillatory Source Tensor Discriminant Analysis (OSTDA): A regularized tensor pipeline for SSVEP-based BCI systems”. Neurocomputing, 492, pp.664-675.
  15. Aceves-Fernandez, M. A., Fernandez-Fraga, S. M., Pedraza-Ortega, J. C., & Tovar-Arriaga, S. (2016). EEG Signal analysis methods based on steady state visual evoked potential stimuli for the development of brain computer interfaces: A review. Am J Comput Sci Eng Surv, 4, p. 1-18.
  16. Zhang, Y., Xu, P., Cheng, K. and Yao, D. (2014) “Multivariate synchronization index for frequency recognition of SSVEP-based brain–computer interface”, Journal of neuroscience methods, 221, pp.32-40.
  17. Cattell, R. B. (1944). “Parallel proportional profiles” and other principles for determining the choice of factors by rotation. Psychometrika, 9(4), 267-283.
  18. Kolda, T. G., & Bader, B. W. (2009). Tensor decompositions and applications. SIAM review, 51(3), 455-500.
  19. Kiers, H. A. (2000). Towards a standardized notation and terminology in multiway analysis. Journal of Chemometrics: A Journal of the Chemometrics Society, 14(3), 105-122.
  20. Oikonomou, V.P., Liaros, G., Georgiadis, K., Chatzilari, E., Adam, K., Nikolopoulos, S. and Kompatsiaris, I. (2016) “Comparative evaluation of state-of-the-art algorithms for SSVEP-based BCIs”, arXiv preprint arXiv: 1602.00904.
نشریه علمی مهندسی پزشکی زیستی
دوره 17، شماره 1
بهار 1402
صفحه 1-14

  • تاریخ دریافت 04 آذر 1401
  • تاریخ بازنگری 16 مرداد 1402
  • تاریخ پذیرش 21 مرداد 1402

صفحه اصلی

تماس با ما