حذف آرتیفکتهای سیگنال EEG با استفاده از شبکههای عصبی
/آیسا جعفری فرمند
تبریز:دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر ،گروه برق قدرت
۱۲۰ص
چاپی
کارشناسی ارشد
مهندسی برق - کنترل
۱۳۹۰/۰۶/۲۵
تبریز:دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر ،گروه برق قدرت
سیگنالهای مغزی EEG کاربردهای حیاتی مهمی در زمینههای مختلف پزشکی و همچنین سیستمهایBCI ، دارا میباشند، و به همین جهت دسترسی به سیگنالی مناسب و قابل استفاده از اهمیت بالایی برخوردار میباشد .در این میان مشکل حضور اجتنابناپذیر سیگنالهای مزاحم آرتیفکتی در سیگنالEEG ، همواره بر سر راه کارآیی این سیگنال باارزش وجود داشته و قابلیت استفاده از آن را دچار اختلال مینماید .آرتیفکتها، اغتشاشات ناخواستهای هستند که به طور عمده از فعالیتهای اجتنابناپذیر انسانی همچون ضربان قلب، پلک زدن و فعالیتهای ماهیچههای صورت در زمان دریافت سیگنالهای EEG نشأت میگیرند و میتوانند باعث تغییر شکل و ایجاد ابهام در این امواج شود از این رو ارائهی راهکاری مناسب در جهت رفع این آرتیفکتها، که قابلیت عملکرد خودکار را داشته و در شرایط عام توسط افراد با تخصصهای گوناگون قابل استفاده باشد، و همچنین عملکرد مطلوبی درجهت حفظ اطلاعات سیگنال اصلی از خود نشان دهد، جایگاه بالایی را در تمامی کاربردهای سیگنال EEG دارا میباشد با توجه به اهمیت موضوع در این پایان نامه تلاش در جهت یافتن راهکاری مناسب در این زمینه صورت گرفته است .بر این اساس مقایسهای بین روشهای مختلف رفع آرتیفکتهای سیگنال EEG صورت گرفته و روش حذف نویز با استفاده از فیلترهای وفقی(ANC) ، به جهت سادگی محاسبات و قابلیت استفاده در شرایط عام، به عنوان روش برتر معرفی شده است و به منظور بالا بردن کیفیت عملکرد، با توجه به برتریهای خاص شبکههای عصبی منجمله عملکرد خودکار و خودآموز و همچنین عمومیت آنها، استفاده از این شبکهها به عنوان فیلترهای وفقی توصیه شده است با بررسی انواع مختلف شبکههای عصبی، با توجه به خاصیت غیرخطی و پیچیدگی بالای سیستم مورد مطالعه، یعنی بدن انسان، این نتیجه حاصل شد، که شبکههای عصبی موجود میزان مطلوبی از حذف آرتیفکتها را ارائه نمیدهند .به همین جهت در این پایاننامه فیلتر وفقی جدیدی بر اساس شبکههای عصبی FLN و RBFN معرفی شده است که کارآیی داشته و نتایج بهتری را نسبت به شبکههای پیشین از خود نشان می دهد .روش معرفی شده قادر است با موفقیت بالایی آرتیفکتها را حذف کرده و سیگنال EEG مطلوب را استخراج نماید نتایج حاصل از شبیه سازیها نیز برای یک نمونه دیتا ارائه شده که به خوبی موید کارآیی مطلوب فیلتر معرفی شده، میباشد
EEG is the most useful and important signal in various fields of medical applications and also in BCI system, therefore it's so important to access a proper and reliable signal. EEG signals are often affected by a variety of large signal contaminations or artifacts, which reduce its clinical usefulness and present serious problems for electroencephalographic interpretation and analysis. Many methods have been proposed to remove artifacts from EEG recordings. The comparison between several methods has been done in this thesis, and Adaptive Noise Cancellation (ANC) is selected as the principle for the elimination of artifacts. Also, with particular attention to the advantages of neural networks, including learning ability and generalization, use of these nets is recommended as adaptive filters.Because of the nonlinear nature and complexity of the human body, the conventional neural networks cannot solve the problem properly. In this thesis a new adaptive filter based on RBFN an FLN networks has been proposed, which can successfully remove the artiacts and extract the desired EEG signal.Results of the simulations are also presented for a sample of the data, which confirms a high efficiency of the introduced filter