نشریه‌ی علمی مهندسی پزشکی زیستی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اخبار و اعلانات

ارزیابی عملکرد الگوریتمLASSO با فاز تصحیح‌شده در سیستم‌هایBCI مبتنی بر SSVEP

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 کارشناس ارشد مخابرات، دانشکده مهندسی برق،دانشگاه یزد، یزد

2 دانشیار گروه مخابرات، دانشکده مهندسی برق،دانشگاه یزد، یزد

3 استادیار گروه مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه اصفهان، اصفهان

10.22041/ijbme.2015.19885

چکیده

سیستم‌های BCI مبتنی­بر SSVEP به­دلیل مزایایی چون سرعت انتقال اطلاعات بالا، نسبت بالای سیگنال به نویز و راحتی کاربران در استفاده از آن‌ها، توجه بسیاری از محققان را به خود جلب کرده­اند. هدف پردازشی در این سیستم‌ها، شناسایی فرکانس ظاهر­شده در سیگنال EEG کاربر است. از میان روش‌های پردازشی مختلفی که برای شناسایی فرکانس در سیستم‌های BCI مبتنی­بر SSVEP استفاده می­شوند، روش LASSO با استقبال فراوانی همراه بوده­است. باوجود عملکرد قابل­قبول روش LASSO در سیستم‌های BCI مبتنی­بر SSVEP، این روش در هنگام ساخت سیگنال مرجع، اختلاف فاز احتمالی بین سیگنال مرجع و سیگنال EEG ثبت­شده را درنظر نمی‌گیرد. در این مقاله، ایدة اصلاح فاز سیگنال مرجع با توجه به سیگنال EEG ثبت‌شده بررسی شده و روش پیشنهادی با عنوان LASSO با فاز تصحیح‌شده مطرح­شده است. در این مطالعه، ابتدا کانال مناسب برای شناسایی فرکانس در سیستم‌های BCI مبتنی­بر SSVEP انتخاب شد و در ادامه، مقایسه‌ای بین روش LASSO استاندارد و روش پیشنهادی LASSO با فاز تصحیح‌شده انجام شد. نتایج این مقاله نشان می‌دهد که اصلاح فاز سیگنال مرجع در روش پیشنهادی LASSO با فاز تصحیح‌شده، به بهبود نتایج شناسایی فرکانس نسبت به روش LASSO استاندارد منجر می‌شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Performance Evaluation of Phase Corrected LASSO Algorithm in SSVEP-Based BCI systems

نویسندگان [English]

  • Mohammad Ali Manouchehri 1
  • Vahid Abootalebi 2
  • Amin Mahnam 3

1 M.Sc. Graduate, Department of Electrical Engineering, Yazd University, Yazd, Iran

2 Associate Professor, Department of Electrical Engineering, Yazd University, Yazd, Iran

3 Assistant Professor of Biomedical Engineering, Faculty of Engineering, University of Isfahan, Isfahan, Iran

چکیده [English]

SSVEP-based BCI systems have attracted attention of many researchers due to their high signal to noise ratio, high information transfer rate and being easy for use. The processing goal of these systems is to detect the stimulus frequency of EEG signal. Among the processing methods for frequency identification in SSVEP-based BCI systems, LASSO algorithm has gained great acceptance. Although LASSO has acceptable performance in SSVEP-based BCI systems, it doesn't consider the phase of recorded EEG signal for creating the reference signal. In this paper, the idea of correcting the phase of the reference signal with respect to recorded EEG signal was investigated and a new method called phase corrected LASSO was proposed. For this purpose, first, the optimal EEG channel for frequency identification was determined and then, the performance of the phase corrected LASSO method was compared with standard LASSO method. The results show that the phase corrected LASSO method has better performance compared with the standard LASSO method.

کلیدواژه‌ها [English]

  • Brain-Computer Interface (BCI)
  • Steady-State Visual Evoked Potential (SSVEP)
  • frequency identification
  • LASSO
  • Phase Corrected LASSO
مراجع
[1]           G. Müller-Putz, R. Scherer, C. Brauneis and G. Pfurtscheller, “Steady-state visual evoked potential (SSVEP)-based communication: impact of harmonic frequency components,” Journal of Neural Engineering, vol. 2, no. 4, pp. 123-130, 2005.
[2]           B. Allison, D. McFarland, G. Schalk, S. Zheng, M. Jackson and J. Wolpaw, “Towards an independent brain–computer interface using steady state visual evoked potentials,” Clinical Neurophysiology, vol. 119, no. 2, pp. 399-408, 2008.
[3]           G. Bin, X. Gao, Z. Yan, B. Hong and S. Gao, “An online multi-channel SSVEP-based brain–computer interface using a canonical correlation analysis method,” Journal of Neural Engineering, vol. 6, no. 4, p. 046002, 2009.
[4]           Y. Zhang, J. Jin, X. Qing, B. Wang and X. Wang, “LASSO based stimulus frequency recognition model for SSVEP BCIs,” Biomedical Signal Processing and Control, vol. 7, no. 2, pp. 104-111, 2012.
[5]           Q. Liu, K. Chen, Q. Ai and S. Q. Xie, “Review: recent development of signal processing algorithms for ssvep-based brain 2 computer interfaces”, J. Med. Biol. Eng, pp. 299-309, 2013.
[6]           R. Tello, S. Muller, T. Bastos-Filho and A. Ferreira, “A comparison of techniques and technologies for SSVEP classification,” 5th ISSNIP-IEEE Biosignals and Biorobotics Conference (2014): Biosignals and Robotics for Better and Safer Living (BRC), 2014.
[7]           O. Friman, I. Volosyak and A. Graser, “Multiple Channel Detection of Steady-State Visual Evoked Potentials for Brain-Computer Interfaces,” IEEE Transactions on Biomedical Engineering, vol. 54, no. 4, pp. 742-750, 2007.
[8]           E. Lalor, S. Kelly, C. Finucane, R. Burke, R. Smith, R. Reilly and G. McDarby, “Steady-State VEP-Based Brain-Computer Interface Control in an Immersive 3D Gaming Environment,” EURASIP J. Adv. Signal Process., vol. 2005, no. 19, pp. 3156-3164, 2005.
[9]           T. Mukesh, V. Jaganathan and M. Reddy, “A novel multiple frequency stimulation method for steady state VEP based brain computer interfaces,” Physiological Measurement, vol. 27, no. 1, pp. 61-71, 2005.
[10]         G. Muller-Putz and G. Pfurtscheller, “Control of an Electrical Prosthesis with an SSVEP-Based BCI,” IEEE Transactions on Biomedical Engineering, vol. 55, no. 1, pp. 361-364, 2008.
[11]         Ming Cheng, XiaorongGao, ShangkaiGao and DingfengXu, “Design and implementation of a brain-computer interface with high transfer rates,” IEEE Transactions on Biomedical Engineering, vol. 49, no. 10, pp. 1181-1186, 2002.
[12]         S. Kelly, E. Lalor, R. Reilly and J. Foxe, “Visual spatial attention tracking using high density SSVEP data for independent brain-Computer communication,” IEEE Trans. Neural Syst. Rehabil. Eng., vol. 13, no. 2, pp.172 -178, 2005.
[13]         Z. Lin, C. Zhang, W. Wu and X. Gao, “Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs,” IEEE Transactions on Biomedical Engineering, vol. 53, no. 12, pp. 2610-2614, 2006.
[14]         L. Dongxue, T. Chuan, Z. Chi and D. Feng, “Design of an online BCI system based on CCA detection method,” 2015 34th Chinese Control Conference (CCC), 2015.
 [15]        C. Wong, Q. Tang, J. Nuno da Cruz and F. Wan, “A multi-channel SSVEP-based BCI for computer games with analogue control,” 2015 IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), 2015.
[16]         R. Tibshirani, “Regression shrinkage and selection via the lasso,” jornal of the Royal Statistical Society, pp. 267–288, 1996.
[17]         S. Behtaj, A. Mahnam, "A New Hybrid Algorithm to Develop a Single Channel Brain Computer Interface Based on SSVEP", proceedings of 21th Iranian conference on biomedical engineering, p. 188, Tehran, 2014.
[18]         Y. Wang, Z. Zhang, X. Gao, and S. Gao, “Lead selection for SSVEP-based brain-computer interface” Proc. 26th Int. IEEE EMBS Conf., 2004, pp. 4507-4510.
نشریه‌ی علمی مهندسی پزشکی زیستی
دوره 9، شماره 2
مرداد 1394
صفحه 205-214
فایل ها
سابقه مقاله
  • تاریخ دریافت: 25 اسفند 1394
  • تاریخ بازنگری: 20 اردیبهشت 1395
  • تاریخ پذیرش: 07 خرداد 1395
هم رسانی
ارجاع به این مقاله
آمار