طبقه بندی سیگنال EEG تصور حرکتی با شبکه CNN

این مقاله یک ساختار شبکه عصبی کانولوشنی (CNN) با فیلترهای تفکیک شده‌ی زمانی و مکانی ارائه می‌کند که سیگنال EEG  خام جفت الکترودهای کورتکس حرکتی را به عنوان کلاس‌های مختلف جدا می‌کند، بدون اینکه پیش پردازشی روی داده انجام شود و یا عملیات استخراج ویژگی از قبل صورت گرفته باشد. در ساختار پیشنهادی، یک شبکه CNN 5 لایه برای یادگیری ویژگی‌های EEG ارائه شده است که 4 لایه max-pooling برای کاهش ابعاد و یک لایه‌ی fully-Connected (FC) برای کلاسبندی EEG استفاده شده است. همچنین برای بهبود وضعیت مدل از Dropout و batch Normalization برای کاهش احتمال بیش برازش استفاده شده است. در این آزمایش، از داده‌ی EEG 4 ثانیه‌ای مربوط به 10، 20، 60 و 100 سابجکت از دیتاست Physionet به عنوان داده آموزشی استفاده شده است و تسک‌های اصلی تصور حرکتی به چهار بخش تقسیم شدند: مشت چپ، مشت راست، هر دو مشت و هر دو پا. متوسط دقت بدست آمده برای هر چهار کلاس برابر با 97.28% بوده و همچنین مشخص شده است که جفت الکترود با بالاترین دقت روی دیتاست 10 سابجکت، FC3-FC4 بوده‌اند. نتایج این پژوهش نشان داد که این روش کلاسبندی CNN با حداقل تعداد الکترود می‌تواند به دقت بالاتری برسد که نسبت به روش‌های رقیب، یک مزیت محسوب می‌شود. رویکرد پیشنهادی، ایده‌ی جدیدی برای ساده سازی طراحی سیستم‌های BCI ارائه کرده است و کاربرد بالینی آن را سریعتر می‌کند.

فریم ورک اصلی مطالعه

بلوک دیاگرام روش پیشنهادی در شکل 1 نشان داده شده است.

منبع 

مرحله اول: ابتدا داده‌ی هر سابجکت دانلود شده و عملیات شافل به صورت تصادفی روی داده انجام شده است و سپس داده به 10 قسمت تقسیم شده است. برای داده‌ی هر فرد، فرآیند به همین شکل است.

مرحله دوم: سپس یک قسمت از این 10 قسمت به عنوان مجموعه تست انتخاب شده و 9 قسمت را به عنوان مجموعه آموزش انتخاب کردند. در مجموعه‌ی تست و آموزش، داده‌ها را از چندین سابجکت انتخاب کردند. سیگنال‌های خام EEG تصور حرکتی 9 جفت از الکترودهای متقارن در ناحیه‌ی کورتکس تصور حرکتی سر از هر ترایال استخراج شده و سیگنال‌های هر جفت یک نمونه را تشکیل دادند/

مرحله سوم: مدل CNN آموزش داده شد.  5 لایه‌ی CNN ویژگی‌های EEG را یاد گرفته و max pooling 4 لایه، ابعاد را کاهش داده است. در نهایت لایه‌ی Fully Connected، سیگنال EEG  را به 4 کلاس مختلف تقسیم بندی می‌کند: left fist, right fist, both fists. در نهایت با مقایسه 4 برچسب مختلف، مدل بهینه بدست آمده است. همچنین مدل با مجموعه تست، اعتبارسنجی شده است.

مرحله چهارم: با استفاده از رویکرد 10-fold Cross Validation؛ آموزش و تست مدل 10 بار انجام شدند و 10 نتیجه مختلف ارائه کردند. مقادیر میانگین به عنوان دقت میانگین ارائه شدند.

ساختار جزئی‌تر شبکه در شکل 2 آمده است.

منبع