عنوان

طبقه‌بندی سطوح بارکار‌شناختی با استفاده از سیگنال‌های EEG و fNIRS و روش‌های یادگیری ماشین

شماره

۴۹۷۷پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

طبقه‌بندی سطوح بارکار‌شناختی با استفاده از سیگنال‌های EEG و fNIRS و روش‌های یادگیری ماشین

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

آرمین قسیمی

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۱۰۷ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی- بیوالکتریک

زمان اعطا مدرک

۱۴۰۲/۰۶/۰۱

متن يادداشت

بارکارشناختی یک شاخص مهم فعالیت ذهنی و یکی از مهم‌ترین متغیرها در روانشناسی است. می‌توان آن‌را، میزان تلاش ذهنی مورد نیاز برای تکمیل یک کار در یک دوره زمانی محدود دانست. در مشاغل حیاتی با تقاضای بارکارشناختی سنگین مانند حمل و نقل هوایی یا جراحی، بهبود اندک در تشخیص بارکار می‌تواند منجر به افزایش قابل توجهی در ایمنی و کارایی شود. مطالعه در زمینه بارکارشناختی توسط سیگنال‌های EEG سابقه نسبتا طولانی دارد. با این‌حال فناوری طیف‌نگاری کارکردی مادون قرمز نزدیک (fNIRS) زمینه‌ی نسبتا جدیدی است که اخیرا توسط محققین در این حوزه مورد توجه قرار گرفته است. استفاده‌ی هم‌زمان از این دو سیگنال علاوه‌ بر اینکه از ویژگی‌های عدم حساسیت به تداخلات الکتریکی سیگنال fNIRS بهره می‌برد، امکان ترکیب داده‌ها و تقویت نتایج را نیز فراهم می‌آورد. هدف از انجام این تحقیق، ارائه روشی کارآمد برای طبقه‌‌بندی سطوح مختلف بارکارشناختی با استفاده‌ی هم‌زمان از سیگنال‌های EEG و fNIRS است، تا ضمن بکارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روش‌های طبقه‌بندی به‌دست آید. در این کار ۳ روش پیشنهاد شده است که روش اول، روش مبتنی بر سیگنال EEG، روش دوم، روش مبتنی بر سیگنال fNIRS و روش سوم حالت ترکیبی این دو سیگنال است که با ۳ روش مختلف ترکیب ویژگی‌های EEG و fNIRS مورد مقایسه قرارگرفته است. در الگوریتم‌های پیشنهادشده در هر ۳ روش، ویژگی‌های میانگین، واریانس، جذر میانگین مربعات، کشیدگی و چولگی از مولفه‌های تجزیه‌شده تبدیل موجک عامل Q قابل تنظیم (TQWT) برای سیگنالهایEEG ، HbO و HbR، استخراج گردیده است. جهت بهینه‌سازی و کاهش ابعاد بردار ویژگی، از روش انتخاب ویژگی کروسکال-والیس استفاده شده، سپس برای طبقه‌بندی بارکارشناختی، طبقه‌بندهای KNN، LDA، DT، NB و SVM با کرنل خطی بکار گرفته‌شده است. با ارزیابی کانال‌ها و زیرباندهای برتر، نتایج انتخاب ویژگی به این‌صورت بود که کانال‌های مربوط به ناحیه پیشانی و زیرباندهای مرتبط با ریتم آلفا و تتا در سیگنال EEG و زیرباند مربوط به محدوده فرکانسی خیلی پایین و سیگنال ‌اصلی تجزیهنشده در سیگنال fNIRS بیشترین نقش را برای طبقه‌بندی بارکارشناختی ‌دارند و همچنین نتایج به‌دست آمده از طبقه‌بندی به این‌صورت بود که، روش پیشنهادی ترکیبی نسبت به روش تکی، صحت بیشتری داشته است و در بین ۳ روش ترکیب ویژگی‌ها، روش پیشنهادی ترکیبی مبتنی بر تحلیل همبستگی بنیادی (CCA) ، با طبقه‌بند SVM کرنل خطی، برای تمام حالات بررسی سطوح بارکار بالاترین صحت را دارد، به‌طوری که برای حالت دو کلاسه 0vs3، 0vs2، 2vs3 و حالت سه کلاسه 0vs2vs3 در حالت ترکیبی EEG+HbO+HbR به ترتیب صحت طبقه‌بندی برابر ۵۷/۹۹، ۳۶/۹۹، ۹۳/۹۸ و ۴۹/۹۷ درصد بدست آمد و روش ترکیبی با ۵ ویژگی برتر fNIRS و ۵ ویژگی برتر EEG در رتبه دوم قرار گرفت.

متن يادداشت

Cognitive Workload Assessment is a significant indicator of mental activity and one of the most crucial variables in psychology. It can be understood as the level of mental effort required to complete a task within a limited period. In vital professions with heavy cognitive workload demands, such as aviation or surgery, even minor improvements in cognitive workload assessment can lead to a substantial increase in safety and efficiency. The use of EEG signals to evaluate cognitive workload has a long history, but functional Near-Infrared Spectroscopy (fNIRS) has recently gained attention from researchers in this field. Simultaneous utilization of these two signals benefits from the non-sensitivity to electrical interferences in the fNIRS signal and enables the fusion of data and enhancement of results. The aim of conducting this research is to introduce an efficient method for classifying various levels of cognitive workload using simultaneous EEG and fNIRS signals. This approach is designed to achieve better performance across different classification methodologies with a low-dimensional approach. Three methods have been proposed in this work. The first method is an EEG-based approach, the second method is an fNIRS-based approach, and the third method is a hybrid mode combining these two signals. These three methods have been compared by employing three different approaches to combine the EEG and fNIRS features. In all three methods, features including mean, variance, root mean square, skewness, and kurtosis of decomposed components from the Tunable Q-factor wavelet transform(TQWT) are extracted for EEG, HbO, and HbR signals. The Kruskal-Wallis feature selection method is used for the optimization and dimensionality reduction of feature vectors. Classifiers like KNN, LDA, DT, NB, and SVM with a linear kernel are used for cognitive workload classification. After evaluating top channels and sub-bands, feature selection results show that channels related to the frontal region and sub-bands associated with alpha and theta rhythms in the EEG signal, along with the very low-frequency range and the raw signal without decomposition in the fNIRS signal, play a significant role in cognitive workload classification. The classification results demonstrate that the proposed combined method outperforms the individual method in terms of accuracy. Among the three feature fusion approaches, the recommended Canonical Correlation Analysis(CCA)-based combined method with a linear SVM classifier achieves the highest accuracy for all workload levels. Specifically, for the binary-class scenarios of 0vs3, 0vs2 , 2vs3 and as well as the three class 0vs2vs3 scenario, the combined EEG+HbO+HbR method achieves classification accuracies of 99.57%, 99.36%, 98.93%, and 97.49%, respectively. The combined method using the top 5 features from fNIRS and 5 top features from EEG ranks second in terms of performance.

عنوان گونه گون

Classification of Cognitive Workload Levels Using EEG and fNIRS Signals and Machine Learning Methods

موضوع مستند نشده

بارکارشناختی

موضوع مستند نشده

طیف‌نگاری کارکردی مادون قرمز نزدیک

موضوع مستند نشده

الکتروانسفالوگرافی

موضوع مستند نشده

تبدیل موجک عامل Q قابل تنظیم

اصطلاح موضوعی

بارکارشناختی، طیف‌نگاری کارکردی مادون قرمز نزدیک، الکتروانسفالوگرافی، تبدیل موجک عامل Q قابل تنظیم، ماشین بردار پشتیبان

اصطلاح موضوعی

Cognitive workload, Functional near-infrared spectroscopy, Electroencephalography, Tunable Q-factor wavelet transform, Support vector machine

مستند نام اشخاص تاييد نشده

قسیمی، آرمین

عنصر شناسه اي

شامخی

ساير عناصر نام

، سینا

کد نقش

استاد راهنما

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

شماره بازیابی

مهندسی پزشکی، ۱۰۰۹۲، ۱۴۰۲

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y