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
عارف عینیزاده؛ سپیده حاجیپور
دوره 14، شماره 3 ، مهر 1399، ، صفحه 221-233
چکیده
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گستردهای در حوزههای کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله میتوان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت ...
بیشتر
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گستردهای در حوزههای کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله میتوان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت یا منفی بودن و میزان برونفکنی یا هیجان ایجاد شده را برای یک احساس خاص مشخص مینمایند. اهمیت احساس با توجه به عکسالعملهای ناشی از این پدیده در انجام وظایف روزانه به خصوص در فعالیتهایی که به دقت و تمرکز نیاز دارند مشخص میشود. در مسالهی بازشناسی احساس ابتدا احساسات مختلف با استفاده از محرکهای حسی مناسب برای سوژههای مورد بررسی ایجاد شده و سیگنالهای مغزی متناظر با هر تحریک ثبت میشود. دو مرحلهی پردازش اصلی در حل مسالهی بازشناسی احساسات، استخراج ویژگیهای مناسب و استفاده از طبقهبندها یا رگرسیونهای مناسب است. در پژوهشهای پیشین محرکهای مختلف بینایی و شنوایی مورد استفاده قرار گرفته و ویژگیها و طبقهبندهای متنوع خطی و غیرخطی بررسی شده است. هدف این مقاله بهبود الگوریتمهای رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینهی رگرسیون خطی استفاده میکند. کارایی الگوریتم ارائه شده روی دادههای ساختگی مورد بررسی قرار گرفته و برتری آن نسبت به الگوریتمهای رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. همچنین برای اعمال الگوریتم ارائه شده روی دادههای EEG مربوط به بازشناسی احساسات از مجموعهی دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنالهای EEG استخراج شده است. نتایج به دست آمده از الگوریتم پیشنهادی با نتایج سایر الگوریتمها مقایسه شده است که در مجموع برتری نسبی الگوریتم ارائه شده را نشان میدهد.