۱۷۶۷۰پ
per
کلاس‌بندی سیگنال‌های EEG آلوده به آرتیفکت با هدف پایدارسازی سیستم‌های BCI
/آیسا جعفری فرمند
: مهندسی برق و کامپیوتر
، ۱۳۹۶
، میرزائی
چاپی
دکتری
مهندسی برق کنترل
تبریز
سیستم‌های واسط مغز و رایانه یک مسیر ارتباطی بین مغز و رایانه را بدون نیاز به نقش سیستم عصبی محیطی و ماهیچه‌ها در اختیار بشر قرار می‌دهند .در این رساله کنترل ذهنی حرکت در یک سطح دو بعدی با هدف جابه‌جایی به‌عنوان یکی از مهم‌ترین کاربردهای تعریف‌شده برای سیستم‌های واسط مغز و رایانه که می‌تواند از طریق کنترل حرکت یک صندلی چرخ‌دار، اتومبیل و یا هر نوع ربات متحرکی توسط کاربر انجام گیرد، در نظر گرفته شده است .سیگنال‌های الکتروانسفالوگرام به دلیل سهولت استفاده، قابل حمل بودن و هزینه‌ی پایین به‌طور عمده در سیستم‌های واسط مغز و رایانه مورد استفاده قرار می‌گیرند .در این رساله سیستم‌های واسط مغز و رایانه مبتنی بر سیگنال‌های الکتروانسفالوگرام بر اساس دستورات کنترلی تصورات حرکتی که ساده‌ترین و متداول‌ترین راه ارتباطی بشر با محیط می‌باشند، مورد توجه قرار گرفته‌اند .با وجود محبوبیت بالا، نامعینی‌های متعددی چون حضور آرتیفکت‌ها، ماهیت ناایستا و خطاهای انسانی در سیگنال‌های الکتروانسفالوگرام می‌توانند مانعی بر سر راه عملکرد پایدار سیستم‌های واسط مغز و رایانه‌ی مبتنی بر این سیگنال‌ها باشند .تاثیرپذیری بالا از نامعینی‌ها و عملکرد ناپایدار سیستم می‌تواند خسارات جبران‌ناپذیری برای کاربران در کاربردهایی مانند صندلی چرخ‌دار و اتومبیل مبتنی بر کنترل ذهنی به بار آورد .هدف اصلی این رساله ارائه‌ی سیستمی کاربرپسند است که در عین حال کمترین تاثیر را از نامعینی‌های مذکور پذیرفته و در حد مطلوبی عملکرد پایدار خود را در حضور این نامعینی‌ها حفظ نماید .در یک سیستم واسط مغز و رایانه سه مرحله‌ی اساسی پردازش سیگنال پس از ضبط سیگنال‌های مغزی و پیش از ارسال دستورات کنترلی به سیستم تحت کنترل جهت ترجمه‌ی سیگنال‌های مغزی به زبان قابل درک برای رایانه انجام می‌گیرد .این سه مرحله در حالت کلی شامل رفع آرتیفکت‌ها از سیگنال‌های مغزی، استخراج ویژگی‌ها از سیگنال‌های بهدستآمده و نهایتا کلاس‌بندی ویژگی‌های حاصل به دستورات مختلف کنترلی می‌باشند .در این رساله راه‌کارهایی برای دستیابی به یک سیستم پایدار در حضور نامعینی‌ها برای هر مرحله ارائه شده است .در گام نخست، روشی با قابلیت عملکرد زمان‌حقیقی مبتنی بر ترکیب روش‌های تحلیل مؤلفه‌های مستقل و حذف تطبیقی نویز برای رفع آرتیفکت‌ها معرفی شده است .روش ارائهشده از تعداد اندکی از سیگنال‌های مغزی استفاده کرده و نیازی به سنجش مستقیم سیگنال‌های منشاء آرتیفکتی ندارد .به‌منظور استخراج ویژگی‌ها فرم بهبودیافته‌ای از الگوریتم الگوهای مکانی مشترک با مقاومت بیشتر در مقابل حضور احتمالی آرتیفکت‌ها ارائه شده است .یک سیستم عصبی- فازی بر پایه‌ی شبکه‌های عصبی نظریه‌ی تشدید تطبیقی نیز برای کلاس‌بندی ویژگی‌های بهدستآمده معرفی شده که همچنین با ارائه‌ی یک الگوریتم یادگیری خودتنظیم با بهره‌گیری از توانایی فراشناختی در انسان قابلیت فراتری در مقابله با نامعینی‌های محتمل دارد .ارزیابی‌ها با استفاده از سیگنال‌های مغزی حقیقی در دو بخش مجزا برای مرحله‌ی رفع آرتیفکت‌ها و همچنین مراحل استخراج ویژگی‌ها و کلاس‌بندی اجرا شده‌اند .نتایج حاصل از بخش اول حاکی از موفقیت مطلوب روش پیشنهادی در رفع آرتیفکت‌های عمده در عین حفظ سیگنال‌های مغزی زمینه می‌باشد .نتایج حاصل از بخش دوم نیز عملکرد مقبول الگوریتم‌های پیشنهادی در حضور نامعینی‌ها را نشان می‌دهند .همچنین به‌منظور بررسی کارآیی راه‌کارهای ارائهشده به‌صورت عملی از یک ماشین رادیوکنترل کوچک با ایجاد قابلیت فرمان‌بری از رایانه برای حرکت در یک سطح دو بعدی بهره برده شده است .آزمایش کنترل ذهنی ماشین در جهت طی یک مسیر مشخص بر اساس الگوریتم‌های پیشنهادی پیاده‌سازی شده است .آزمایش‌ها در حضور سطح ضعیف و قوی از آرتیفکت‌ها ارزیابی شده و نتایج بهدستآمده مؤید عملکرد پایدار سیستم در حضور نامعینی‌ها می‌باشد
Brain-computer interface provides a direct communication pathway between brain and computer independent of the role of peripheral nerves and muscles. In the present dissertation, applying BCI in transportation as one of the most important applications defined in the area, which can be accomplished by controlling a wheelchair, car, or any mobile robots, is considered. Electroencephalography (EEG) is the most widely used brain-imaging technique in BCIs, mainly due to its ease of use, portability and low cost. In this work EEG based BCIs using motor imagery (MI) control commands are intended as the most natural way of interaction used by human being. However, despite high popularity, several uncertainties in EEG signals mainly caused by artifacts, non-stationarities, and human mistakes may decline the stable performance of MI EEG based BCI systems. High sensitivity to uncertainties and consequent unstable performance may cause serious injuries for users in applications like brain controlled wheelchairs or cars. The main purpose of this research is to present a user-friendly system that, at the same time, accepts the least effect from the uncertainties and maintains its stable performance in the presence of these indeterminants. In a BCI system, after acquiring the EEG signals and before transferring the control orders to the external device, three main signal processing levels are accomplished to translate the brain signals into the computer understandable commands. The levels are artifact removal from EEG signals, feature extraction from the resulted signals, and finally classification of the obtained features into the different control commands. In the present work, an approach is introduced for each step in order to achieve a stable BCI system. At the first step, a hybrid approach applicable in real-time BCI, based on combination of independent component analysis and adaptive noise cancellation, is introduced for EEG artifact removal. The method performs using a few EEG signals without requiring any additional electrodes. In feature extraction level, an improved common spatial pattern method with more robustness to the possible presence of artifacts is proposed. An adaptive resonance theory based neuro-fuzzy system is also introduced to classify the features, which additionally by presenting a metacognition based self-regulated learning algorithm is capable to more efficiently deal with the uncertainties. Evaluations have been conducted using real EEG signals in two separate phases of first artifact removal and second feature extraction and classification phase. The results obtained in first phase indicate the desired success of the proposed approach in removing main artifacts while preserving the background brain signals. The results of the second phase also elucidate the acceptable performance of the methods in presence of the uncertainties. Additionally, in order to assess the efficiency of the proposed approaches in practical applications, a radio control toy car has been applied, by enabling it to receive control commands from computer. An experiment of mental controlling the car to follow a predetermined route has been executed. The experiment results are assessed in presence of weak and strong presence of artifacts and stable performance of the system is achieved
جعفری فرمند، آیسا
بادامچی زاده، محمدعلی، استاد راهنما
خان محمدی، سهراب، استاد راهنما
مظفری تازه کند، بهزاد، استاد مشاور
نظری، محمدعلی، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
