عنوان

تحلیل سیگنال‌های fNIRS و EEG در تکالیف تصور حرکت دست راست و چپ

شماره

۴۹۸۶پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

تحلیل سیگنال‌های fNIRS و EEG در تکالیف تصور حرکت دست راست و چپ

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

المیرا بقائی‌فر

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۱۳۷ص.

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

گسترش علوم و فناوری‌های شناختی، راه را برای ساخت رابط مغز و کامپیوتر (BCI) و کمک به افراد دارای محدودیت حرکتی هموار ساخته است تا با افکار خود بتوانند ویلچر یا دست مصنوعی را کنترل کنند. در سال‌های گذشته به‌دلیل آشنایی بیشتر محققان با ماهیت سیگنال الکتروانسفالوگرافی (EEG)، مطالعات گسترده‌ای در زمینه BCI با استفاده از این سیگنال صورت گرفته است. اما درسال‌های اخیر طیف‌سنجی مادون قرمز نزدیک کارکردی (fNIRS) که در مقایسه با EEG فناوری نسبتاً جدیدی محسوب می‌شود، با وجود این‌که هنوز مطالعات کافی بر روی بررسی کیفیت این سیگنال صورت نگرفته است، توجه بسیاری از محققان را به خود جلب نموده است. از این‌رو، برای ارزیابی و شناخت بهتر سیگنال fNIRS، می‌توان در کنار آن از تحلیل سیگنال‌ شناخته شده‌ای هم‌چون EEG نیز بهره برد. در این تحقیق با بهره‌گیری از قابلیت‌های هر کدام از سیگنال‌های fNIRS و EEG، به ارایه ۶ روش پیشنهادی برای مطالعه اتصالات عملکردی مغز در پایگاه ‌داده تصور حرکات دست راست و چپ بر روی ۲۹ فرد پرداخته شده است. در الگوریتم‌های پیشنهادی از ویژگی‌های سراسری گراف که شامل تراکم یال و درجه رأس است الهام گرفته شده و روابط ویژگی‌های محلی اثبات و استخراج شده است. هم‌چنین در این پژوهش از روش ترکیبی و هم‌زمان جهت انتخاب ویژگی و شناخت کانال‌های برتر استفاده شده است. در نهایت، با استفاده از طبقه‌بند درخت تصمیم به طبقه‌بندی دو کلاس تصور حرکت دست راست و چپ در حالت‌های استفاده از کل کانال‌های هر بخش مغز و ۹ کانال برتر برای هر بخش پرداخته شده است. در روش اول، بالاترین صحت طبقه‌بندی با استفاده از 36 کانال fNIRS برای HbR و HbO، به ترتیب با 3 ویژگی برتر ۰/۹۶% و ۷/۹۵% به‌دست آمده است که نتایج نشان‌دهنده برتری سیگنال HbR‌ در تفکیک دو کلاس تصور حرکت دست راست و چپ است. در روش پیشنهادی دوم، بالاترین صحت طبقه‌بندی با استفاده از 9 کانال برتر از بخش آهیانه‌ای و انتخاب ۳ ویژگی برتر از کل ویژگی‌ها برای سیگنال‌های HbO و HbR به‌ترتیب ۵/۸۲% و ۰/۸۶% به‌دست آمده است که نتایج حاصل از این روش پیشنهادی، برتری و مشارکت کانال‌های بخش آهیانه‌ای و بخش چپ مغز در تصور حرکت دو دست غالب را نشان داده است. در روش پیشنهادی سوم و چهارم با استفاده از سیگنال EEG در ریتم‌ میو، با استفاده از ۳۰ کانال و انتخاب ۳ ویژگی برتر، بالاترین صحت برابر ۵/۹۴% و با انتخاب ۹ کانال برتر از بخش آهیانه‌ای صحت ۸/۸۳% حاصل شده است. نتایج حاصل از روش‌های پیشنهادی مبتنی بر سیگنال EEG قابلیت تفکیک خوب ریتم میو در تصور حرکت دو دست غالب را نشان داده است. هم‌چنین این نتایج برتری کانال‌های بخش چپ مغز و کانال‌های بخش میانی در تصور حرکت دست در سیگنال EEG‌ را نشان داده است. روش پنجم و ششم که به‌صورت ترکیب دو سیگنال HbR و ریتم‌ میو مورد بررسی قرار گرفته است، به‌ترتیب بالاترین صحت طبقه‌بندی برابر ۱/۹۷% با استفاده از ۶۶ کانال و انتخاب ۳ ویژگی برتر و ۰/۸۹% با استفاده از ۱۸ کانال آهیانه‌ای و انتخاب ۳ ویژگی برتر حاصل شده است که نتایج نشان‌دهنده برتری حالت ترکیبی نسبت به حالت‌های منفرد است. علاوه‌‌بر‌‌این، در این پژوهش با استفاده از ویژگی تراکم یال، می‌توان نتیجه گرفت که گراف‌های توصیف‌کننده تصورحرکات دست چپ تنک‌تر از تصور حرکت دست راست بوده است که نتایج وجود اتصالات قوی در تصور حرکت دست راست را نشان داده است. هم‌چنین با استفاده از ویژگی متوسط توان سیگنال و آزمون آماری ویلکاکسون برای اولین بار در حوزه fNIRS به بررسی تأثیر عواملی هم‌چون رنگ، طول و تراکم موی افراد روی سیگنال fNIRS‌ پرداخته شده است که نتایج، نشان‌دهنده تفاوت آماری معنادار بین افراد با تراکم موی کم و زیاد، طول موی کوتاه و بلند و هم‌چنین رنگ موی روشن و تیره است.

متن يادداشت

The expansion of cognitive sciences and technologies has paved the fields for the creation of Brain-Computer Interfaces (BCIs) designed to assist individuals with limited mobility in controlling wheelchairs or prosthetic limbs using their thoughts. In recent years, due to increased familiarity with the nature of Electroencephalography (EEG) signals, extensive research has been conducted in the fields of BCIs utilizing these signals. However, Functional Near-Infrared Spectroscopy (fNIRS) is a relatively new technology, despite lacking sufficient studies on signal quality, has still captured the attention of many researchers. Moreover, to evaluate and find out the fNIRS signals, it can be complemented with the analysis of established signals such as EEG. In this study, by harnessing the capabilities of both fNIRS and EEG signals, six proposed methods have been examined on a database related to the imagination of right and left hand movements in 29 individuals during the functional brain connections states. The proposed methods using as local features, inspired from global graph features such as edge density and node degree. Additionally, a combined and simultaneous method has been employed for feature selection and top-channel identification. Ultimately, a decision tree classifier has been used to categorize the two classes of imagined right and left hand movements with all channels of each parts and the nine-top-channels. In the first method, the top accuracy of 96.0% and 95.7% has been achieved in utilizing the fNIRS signals and 36 channels for HbR and HbO with the top 3 features, respectively; the results of which have been shown the superiority of the HbR signal in the spilitting the two classes of imagined right and left hand movements. In the second proposed method, using 9 parietal channels and selecting the top 3 features of them, the top accuracy has been achieved for HbO and HbR signals 85.28% and 83.29%, respectively. These results unmasked that the superiority and the association of the parietal channels and left side of brain in imagined right and left hand movements. The third and fourth proposed methods contained the use of EEG signals in Mu sub-band, the top accuracies earned 94.5%, 83.8% based on 30 channels with 3 top features and 9 top-channels of parietal parts with the 3 top features, sequentially. Furthermore, the results can be claimed that the middle and left side channels’ of brain have superiority in imagined hand movements of EEG signals. In the fifth and sixth methods, investigating the combination of HbR and Mu sub-band signals, the accuracies of 97.1% and 89.0% have been achieved in 66 and 18 parietal channels with 3 top features, respectively. The accuracies of which have shown the superiority of the combination state in compared with the single mode. Furthermore, in this study, the edge density of left hand movement is sparser than the right one. In addition, the results have shown the powerful connections in right hand movements. For the first times in the field of fNIRS, using the power median signal feature and Wilcoxon statistical test have been used to examine the effects of factors such as color, length and hair density on fNIRS signals. The results indicate statistically significant differences between individuals with low and high hair density, short and long hair length, as well as light and dark hair color.

عنوان گونه گون

Analysis of fNIRS and EEG signals in the left and right hand movement imagining tasks

موضوع مستند نشده

اتصالات عملکردی مغز

موضوع مستند نشده

الکتروانسفالوگرافی

موضوع مستند نشده

نظریه گراف و یادگیری ماشین

اصطلاح موضوعی

اتصالات عملکردی مغز، الکتروانسفالوگرافی، رابط مغز کامپیوتر، طیف سنجی مادون قرمز نزدیک عملکردی، نظریه گراف و یادگیری ماشین

اصطلاح موضوعی

Functional Brain Connections, Electroencephalography, Brain Computer Interface, Functional Near Infrared Spectroscopy, Graph Theory and Machine Learnin

مستند نام اشخاص تاييد نشده

بقائی‌فر، المیرا

عنصر شناسه اي

شامخی

عنصر شناسه اي

شالچی‌زاده

ساير عناصر نام

، سینا

ساير عناصر نام

، فاطمه

کد نقش

استاد راهنما

کد نقش

استاد مشاور

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

تاريخ عمليات

20231021

شماره بازیابی

مهندسی پزشکی، ۱۰۰۹۶، ۱۴۰۲

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y