تشخیص فرکانس SSVEP با روش تحلیل همبستگی کانونی (CCA)


تجزیه و تحلیل همبستگی کانونی(canonical correlation analysis) یک روش آماری هست که برای محاسبه میزان همبستگی کانونی بین دو مجموعه‌ی چندمتغیره استفاده می‌شود. الگوریتم CCA یکی از رایجترین روشها برای تشخیص فرکانس SSVEP در واسط مغز و کامپیوتر است. برای تشخیص فرکانس SSVEP با کمک روش CCA، در ابتدا به ازای هر محرک بینایی یک سیگنال مرجع که متشکل از توابع سینوسی و کسینوسی هست، می‌سازند، سپس همبستگی کانونی سیگنال EEG را با تک تک سیگنال های مرجع محاسبه می‌کنند. فرکانس SSVEP برابر فرکانس محرک بینایی هست که با سیگنال مرجع آن بیشترین همبستگی کانونی را داشته باشد.

پتانسیل برانگیخته بینایی حالت پایدار

SSVEP مخفف Steady State Visual Evoked Potential می باشد، پتانسیل برانگیخته بینایی حالت پایدار، سیگنال‌هایی هستند که در پاسخ به یک محرک بینایی با فرکانس مشخص معمولا بین 5-60Hz، ایجاد می‌شوند. به عبارتی مغز ما در پاسخ به یک محرک بینایی(چشمک زن) ای که با یک فرکانس خاصی روشن خاموش می شود، سیگنالی با فرکانس آن چراغ و یا هارمونیکهای آن فرکانس ایجاد میکنید که به این سیگنال SSVEP می گوییم. که این سیگنال در ناحیه بینایی مغز(visual cortex) بیشتر از سایر نواحی مغز مشاهده می شود.

در واسط مغز و کامپیوتر مبتنی بر SSVEP هدف این است که از روی سیگنال EEG افراد تشخیص دهند که شخص به چه محرک بینایی خیره شده است، یا به عبارتی فرکانس SSVEP چقدر هست.

پتانسیل برانگیخته بینایی حالت پایدار

تجزیه و تحلیل همبستگی کانونی(canonical correlation analysis)

CCA یک روش آماری هست که از آن برای محاسبه میزان همسبتگی بین دو مجموعه چند متغیره استفاده می‌کنند. اگر فرض کنیم، X یک مجموعه چند متغیره  با تعداد p  متغیر و Y یک مجموعه چند متغیره با تعداد q متغیر باشند و  p کوچکتر از q باشد. در اینصورت الگوریتم CCA به تعداد p متغیر کانونی محاسبه می‌کند. طبق رابطه زیر الگوریتم  CCA دنبال V و W ای هست که همبستگی بین متغیرهای کانونی را ماکزیمم کنند.

رابطه الگوریتم cca

WوV ضرایب خطی هستند که دو مجموعه چند متغیره را در جهتی نگاشت می‌دهند که سیگنالهای ساخته شده که به متغیرهای کانونی معروف هستند ماکزیمم همبستگی را داشته باشند.




تشخیص فرکانس SSVEP با الگوریتم CCA

الگوریتم CCA به خاطر کارایی بالا یکی از رایجترین روشها در واسط مغز و کامپیوتر مبتنی برSSVEP جهت تشخیص فرکانس SSVEP است. برای اولین بار آقای Lin و همکاران با یک تکنیک بسیار ساده و جالب از الگوریتم CCA برای تشخیص فرکانس SSVEP استفاده کردند.

در این رویکرد به ازای هر محرک بینایی یک سیگنال مرجع که متشکل از توابع سینوسی و کسینوسی هست ایجاد می‌کنند و سپس برای تشخیص فرکانس SSVEP،  همسبتگی سیگنال EEG را با تک تک سیگنالهای رفرنس محاسبه می‌کنند. فرکانس SSVEP برابر با فرکانس محرکی هست که بیشترین همسبتگی را با سیگنال مرجع آن داشته باشد.  

برای اینکه بتوان فرکانس SSVEP را با کمک CCA تشخیص داد لازم است که به ازای هر محرک بینایی یک سیگنال مرجع ساخت. سیگنال مرجع متشکل از یک سری توابع سینوسی، کسینوسی است که طبق روابط زیر برای هر محرک بینایی ساخته می‌شود. در این رابطه fn فرکانس محرک وNh شماره هارمونیک است.

سیگنالهای مرجع CCA

طبق فلوچارت زیر همبستگی سیگنالهای مرجع با سیگنال EEG محاسبه می شود. بعد ضرایب همبستگی بدست آمده باهم مقایسه شده و فرکانس SSVEP مشخص می‌شود. فرکانس SSVEP برابر با فرکانس محرکی هست که سیگنال مرجع آن بیشترین همبستگی را با سیگنال EEG داشته باشد.

تشخیص فرکانس SSVEP با روش تحلیل همبستگی کانونی (CCA)


اگر علاقه مند به یادگیری تخصصی الگوریتم CCA و روشهای بهبود شده آن هستید، پیشنهاد میکنیم دوره تخصصی واسط مغز-کامپیوتر مبتنی بر SSVEP را مشاهده کنید. در این دوره مباحث از پایه و به صورت تخصصی آموزش داده می شوند. این دوره یک دوره تخصصی هست که تئوری چندین روش مطرح در تشخیص فرکانس SSVEP طبق مقالات تخصصی آموزش داده شده و سپس به صورت مرحله به مرحله پیاده سازی می‌شوند و عملکرد آنها در یک پروژه عملی مورد ارزیابی قرار می‌گیرد. فقط در فصل اول این دوره 5 مقاله تخصصی پیاده‌سازی شده است. روشهایی از قبیل PSDA، MSI، CCA، Fusing CCA، و FBCCA پیاده سازی شده است.

در پکیج این دوره علاوه بر ویدیوهای آموزشی،  کدهای پیاده سازی شده برای مقالات و پروژه های تخصصی نیز در اختیار شما قرار می گیرد.


دیدگاه ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code