پردازش سیگنال مغزی(EEG)


در دوره تخصصی پردازش سیگنال مغزی (eeg ) تمامی مباحث پایه و کاربردی پردازش سیگنال eeg به صورت مرحله به مرحله آموزش داده شده بر روی سیگنال eeg پیاده‌سازی شده اند. این دوره کاملا پروژه محور هست و از همان ابتدا وارد بحث‌های تخصصی شده و هر مبحثی که آموزش داده میشود، مستقیما روی سیگنال اعمال شده و نتایج به صورت عملی در پروژه ها بررسی می شود. تمام موارد مورد نیاز در انجام یک پروژه با کیفیت و تخصصی در این دوره طبق مقالات تخصصی آموزش داده شده است و علاقه مندان میتوانند از کدهای پیاده سازی شده در دوره استفاده کرده و پروژه های تخصصی خودشان را انجام دهند.

دوره ی تخصصی پردازش سیگنال مغزی (EEG)

در این دوره تخصصی تمامی مباحث پایه و کاربردی پردازش سیگنال eeg به صورت مرحله به مرحله آموزش داده شده بر روی سیگنال eeg پیاده سازی شده است.

این دوره کاملا پروژه محور هست و از همان ابتدا وارد بحثهای تخصصی شده و هر مبحثی که آموزش داده میشود، مستقیما روی سیگنال اعمال شده و نتایج به صورت عملی در پروژه ها بررسی می شود.

پروژه های زیادی در این دوره طبقه مقالات تخصصی انجام شده که علاقه مندان به این حوزه، با کمک این پروژه ها و کدهای پیاده سازی شده، به راحتی میتوانند پروژه های تخصصی خود را جهت انجام پروژه پایان نامه و نوشتن مقالات تخصصی خود استفاده کنند و یک کار و خوب با کیفیت ارائه دهند.

تمام موارد مورد نیاز در انجام یک پروژه با کیفیت و تخصصی در این دوره طبق مقالات تخصصی آموزش داده شده است و علاقه مندان میتوانند از کدهای پیاده سازی شده در دوره استفاده کرده و پروژه های تخصصی خودشان را انجام دهند.

در این دوره آموزش داده ایم که چطور میتوان از سیگنال EEG در سه حوزه مختلف زمان، فرکانس و ویولت ویژگی استخراج کرد. هر سه حوزه به طور مفصل بررسی شده و مباحث لازم جهت پردازش سیگنال در سه حوزه آموزش داده شده است. در ادامه ویژگیهای استخراج شده از سیگنال باهم ترکیب کرده ایم و  سپس با کمک روشهای انتخاب ویژگی از بین ویژگیهای استخراج شده، بهترین ویژگیها رانتخاب کرد و از آنها برای طبقه بندی سیگنال EEG استفاده کرده ایم. نتایج بدست آمده نشان میدهند که رویکردهای ارائه شده همانند مقالات معتبر و حتی بهتر از آنها هستند.

در ادامه دوره برای اینکه دوستان بتوانند در پروژه های خودشان دقت کار را بیشتر هم بکنند مباحث انتخاب کانالهای و باندهای فرکانسی بهینه را طبق مقالات تخصصی آموزش داده ایم که نتایج طبقه بندی را به طور قابل توجهی افزایش میدهند.

برای اینکه دوستان کار با داده های مختلف آشنا شوند در این دوره از دو پایگاه داده بسیار معروف استفاده شده است.(داده صرع بن آلمان و تصور حرکتی bci competition)

در این دوره از دو پایگاه داده استفاده شده تا دوستان هم کار با داده های مختلف آشنا شوند و همچنین بتوانند از دانش بدست آمده در دوره حوزه های مختلف استفاده کنند. نتایج بدست آمده در هر دو پایگاه داده نشانگر کیفیت و اهمیت روشهای آموزش داده شده است.

تمام محتوای این دوره طبق تجربه چندین ساله ی آموزشی و پروژه ای خودم از طریق مطالعه و پیاده سازی مقالات تخصصی پردازش سیگنال مغزی(EEG ) آماده شده است و تمامی مباحث بسیار کاربردی و مهم هستند. این دوره رو برای برای همه گروهایی که میخواهند به صورت تخصصی کارهای تحقیقاتی بر روی سیگنال EEG انجام دهند پیشنهاد می شود.

این دوره برای همه دانشجویان علاقه مند به پردازش سیگنال از قبیل پزشکی، روان شناسی، علوم اعصاب، به خصوص مهندسی پزشکی و هوش مصنوعی مناسب است.


فهرست مطالب

فصل اول: مقدمه

  • • مقدمه ای بر پردازش سیگنال مغزی(eeg) از دید شناسایی الگو
  • •مقدمه ای بر الکتروانسفالوگرافی(eeg)
پردازش سیگنال مغزی(eeg)

در این فصل مباحث مقدماتی در مورد پردازش سیگنال مغزی را آموزش داده ایم. در ابتدای این فصل با سیگنال EEG آشنا میشویم و سپس توضیح میدهیم که مراحل پردازش سیگنال EEG از دید شناسایی الگو به چه صورت هست تا آماده شویم برای جلسات بعدی و بتوانیم پردازش های مختلف را بر روی سیگنال EEG به صورت عملی انجام دهیم.

 


فصل دوم: پردازش سیگنال مغزی(ٍEEG) در حوزه زمان

  • •معرفی پایگاه داده صرع و نحوه خواندن آن در متلب
  • • نحوه استخراج ریتم های eeg در حوزه زمان
  • •استخراج ویژگی از سیگنال eeg در حوزه زمان

در این فصل مباحث مرتبط با پردازش سیگنال EEG در حوزه زمان را آموزش داده ایم. ابتدای این فصل اولین پایگاه داده EEG دوره را معرفی کرده ایم. از آنجا که این دوره یک دوره تخصصی و پروژه محور هست از همان ابتدا هر مبحثی که توضیح داده می شود، روی یک سیگنال واقعی اعمال می شود. برای این منظور ما برای آموزش مباحث چند فصل اول دوره پایگاه داده صرع بن آلمان که یک پایگاه داده بسیار معروف هست را استفاده کرده ایم و تمامی پردازش ها را مرحله به مرحله پیش برده و روی سیگنال EEG اعمال میکنیم تا به صورت عملی با انجام مرحله به مرحله پروژه های تخصصی آشنا شویم.

تشخیص صرع از روی سیگنال eeg

در این فصل پایگاه داده EEG صرع بن آلمان را معرفی میکنیم، سپس توضیح میدهیم که چگونه میتوان این پایگاه داده را وارد متلب کرد.

 

در فصل اول دوره انواع رتیمهای سیگنال EEG را معرفی کرده ایم و توضیح داده ایم که هر کدام از این ریتمها چه اطلاعاتی دارند. سیگنال EEG اصلی حاوی اطلاعات زیادی در مورد مسئله ای که بررسی میکنیم است. منتهای بسیاری از این اطلاعات در بین گروههای مختلف مشترک است و همچنین ممکن است بخشی از اطلاعات موجود در سیگنال EEG مفید نباشند. برای همین ما برای اینکه بتوانیم تحلیل درستی از مسئله مورد نظر بکنیم و ویژگی های مناسبی از سیگنال EEG استخراج کنیم که بتوان با کمک این ویژگی ها داده ها را با دقت بالایی دسته بندی کنیم لازم است که به جای اینکه از خود سیگنال EEG اصلی ویژگی استخراج کنیم، از ریتمهای EEG در حوزه مورد نظر ویژگی استخراج کنیم، خوبی این ریتمهای این است که بعضی از آنها اطلاعات بسیار خوبی در مورد مسئله مورد نظر دارند. برای همین ویژگی های استخراج شده از این ریتمها، ویژگیهای تفکیک پذیری خواهند بود. ولی ممکن است ریتمهایی هم باشند که اطلاعات مفیدی در مورد مسئله نداشته باشند، در این صورت ویژگی های استخراج شده تفکیک پذیری مناسبی نخواهند داشت، ولی ما نگران این مسئله نیستیم، چرا که در فصل ششم دوره روشهای انتخاب ویژگی را معرفی کرده ایم که با کمک آنها میتوان ویژگیهای مناسب را برای طبقه بندی داده ها از بین تمامی ویژگیهای استخراج شده انتخاب کرد.

در این فصل در ابتدا توضیح داده ایم که چطور میتوان از سیگنال EEG اصلی، با کمک فیلترینگ در حوزه فرکانس، ریتمهای EEG که شامل ریتم دلتا(0-4Hz)، تتا(4-8Hz)، آلفا(8-12Hz)، بتا (12-30Hz) و گاما(30-70Hz) است را استخراج کنیم.

مراحل پردازش سیگنال مغزی(eeg)  
 

سپس توضیح داده ایم که چطور میتوان از سیگنال EEG و ریتمهای آن در حوزه زمان ویژگی های مناسب را استخراج کرد.

   


فصل سوم: پردازش سیگنال مغزی(EEG) در حوزه فرکانس(تبدیل فوریه)

  • • تبدیل فوریه
  • •نحوه محاسبه رزولوشن فرکانسی
  • • تحلیل سیگنال در حوزه فرکانس
  • •نحوه طراحی و اعمال فیلتر در حوزه فرکانس
  • • نحوه فیلتر کردن سیگنال eeg در حوزه فرکانس
  • •حذف نویز سیگنال eeg با کمک تبدیل فوریه
  • •استخراج ریتمهای eeg در حوزه زمان با کمک تبدیل فوریه
  • • استخراج اطلاعات ریتمهای eeg در حوزه فرکانس
  • • استخراج ویژگی از سیگنال eeg در حوزه فرکانس
 

در این فصل اصول پردازش سیگنال EEG در حوزه فرکانس را یاد میگیریم. حوزه فرکانس حوزه ی بسیار مهمی برای پردازش سیگنال EEG است، چرا که اطلاعات خیلی مهمی از سیگنال را ارائه میدهد. ما برای اینکه بتوانیم در این حوزه از ضرایب فرکانسی سیگنال EEG ویژگی استخراج کنیم، لازم است که در ابتدا شناخت دقیقی از این حوزه داشته باشیم. در این فصل در ابتدا تفاوت حوزه زمان با حوزه فرکانس را توضیح داده ایم، سپس تبدیل فوریه و اطلاعاتی که میدهد را توضیح داده ایم. بعد نحوه فیلتر کردن سیگنال در حوزه فرکانس را آموزش داده ایم. در این فصل نحوه فیلتر کردن سیگنال EEG در حوزه فرکانس را هم به صورت دستی و هم با کمک توابع متلب را یاد میگیریم. (این مباحث در فصل دوم اموزش داده شده اند، چرا که در آن فصل نیاز داشتیم سیگنال را در حوزه فرکانس فیلتر بکنیم و سپس به حوزه زمان برگردونیم تا اطلاعات هر ریتم را در حوزه زمان داشته باشیم).

ما برای اینکه بتوانیم از سیگنال EEG در حوزه فرکانس ویژگیهای مناسبی استخراج کنیم، همانند حوزه زمان لازم است که از اطلاعات مرتبط با هر ریتم ویژگیهای مورد نظر را استخراج کنیم. برای این منظور اول آموزش میدهیم که چطور میتوان اطلاعات فرکانسی هر ضریب را در حوزه فرکانس از بین ضرایب فرکانسی جدا کرد تا بتوان از اطلاعات به صورت جدا ویژگی استخراج کرد.

پردازش سیگنال مغزی(eeg) در حوزه فرکانس

در نهایت بعد از اینکه به اطلاعات فرکانسی هر ریتم EEG در حوزه فرکانس دسترسی پیدا کردیم، از آنها ویژگیهای مورد نظر را استخراج میکنیم.

 


فصل چهارم: طبقه بندی سیگنال EEG

  • • نحوه طبقه بندی
  • •روال انجام استاندارد پروژه های eeg از دید شناسایی الگو
  • •طبقه بندی سیگنال eeg با کمک طبقه بند knn
  • •طبقه بندی سیگنال eeg با کمک طبقه بند svm
  • • ماشین بردار پشتیان خطی و غیرخطی
  • • تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل یکی
  • • تعمیم svm دو کلاسه به چند کلاسه با کمک تکنیک یکی در مقابل همه
  • • طبقه بندی سیگنال eeg با کمک طبقه بند درخت تصمیم(decision tree)
  • • طبقه بندی سیگنال eeg با کمک طبقه بند LDA
 
  • •روشهای ارزیابی o روش ارزیابی K-fold cross validation o روش ارزیابی the hold out method o روش ارزیابی leave one out o روش ارزیابی random subsampling
 
  • • پارامترهای ارزیابی  accuracy  sensitivity  specificity  ماتریس کانفیوژن

در این فصل وارد مباحث طبقه بندی می شویم وفعلا با استفاده از ویژگیهای استخراج شده از سیگنال eeg در حوزه زمان و فرکانس سیگنال eeg را دسته بندی میکنیم. برای این منظور طبقه بندهای مختلف را توضیح می دهیم، و سپس مراحل انجام استاندارد یک پروژه طبقه بندی در شناسایی الگو را توضیح میدهیم.

مراحل پردازش سیگنال مغزی(eeg)

برای این منظور روشها و پارامترهای ارزیابی یک پروژه طبقه بندی را توضیح میدهیم تا بتوانیم سیستم طراحی شده را به درستی ارزیابی کنیم.



فصل پنجم: پردازش سیگنال مغزی(EEG) در حوزه زمان-فرکانس(تبدیل ویولت)

  • •ایراد تبدیل فوریه
  • • ایراد تبدیل فوریه زمان کوتاه(STFT)
  • • تبدیل ویولت
  • •مقایسه عملی  تفاوت تبدیل ویولت و تبدیل فوریه
  • •نحوه اعمال تبدیل ویولت بر روی سیگنال EEG
  • • نحوه استخراج اطلاعات ریتمهای EEG از روی ضرایب ویولت
  • •استخراج ویژگی از سیگنال EEG در حوزه زمان-فرکانس(ویولت)

ما تا فصل پنجم اصول پردازش سیگنال eeg در حوزه زمان و فرکانس را یاد گرفته ایم و هنوز وارد حوزه ویولت (زمان-فرکانس) نشده ایم. در ابتدای این فصل معایب تبدیل فوریه را با مثالهای عملی توضیح میدهیم.

 

سپس تبدیل ویولت را آموزش میدهیم تا بتوانیم سیگنال eeg را در این حوزه هم تجزیه و تحلیل کنیم و بتوانیم ویژگیهای مناسبی را برای طبقه بندی سیگنال eeg استخراج کنیم. باز همانند سایر حوزه ها لازم است که از ضرایب ویولت هر ریتم به صورت جدا ویژگی استخراج کنیم تا ویژگی های مناسب و تفکیک پذیری برای طبقه بندی استخراج شود. در ابتدا توضیح میدهیم که چطور میتوان اطلاعات هر ریتم را در حوزه ویولت جدا کرد.

پردازش سیگنال مغزی(eeg) در حوزه ویولت

سپس بعد از اینکه به اطلاعات هر ضریب دسترسی پیدا کردیم، ویژگی های مناسب را استخراج می کنیم و طبقه بندی را با کمک ویژگی های استخراج شده در این حوزه انجام می دهیم.

 
 

لازم به ذکر است که تمامی محتوای این دوره طبق مقالات تخصصی آموزش داده میشود و نتایج بدست آمده بسیار بالا هستند و حتی گاهی بهتر از مقالات اخیر است.



فصل ششم: انتخاب ویژگی

  • •نحوه ترکیب ویژگیهای استخراج شده در سه حوزه زمان، فرکانس(فوریه) و ویولت
  • • نحوه نرمالسازی ویژگیهای استخراج شده در سه حوزه مختلف
  •  مفهوم انتخاب ویژگی
  • •انواع روشهای انتخاب ویژگی
  • • مفهوم p-value
  • • انتخاب ویژگیهای مناسب با استفاده از روش آماری T-test
  • • انتخاب ویژگیهای مناسب با استفاده از روش آماری آنوا(anova)
  • •انتخاب ویژگی های مناسب با استفاده از روش جستجوی بهینه(SFFS)

ما تا فصل ششم از سیگنال EEG در سه حوزه مختلف ویژگی استخراج کردیم و طبقه بندی را با ویژگیهای هر حوزه به صورت جدا انجام دادیم که به عملکرد بسیار خوبی هم رسیدیم. در این فصل هدفمان این است که از مزیت هر سه حوزه ی زمان، فرکانس و ویولت استفاده کنیم، و ویژگیهای استخراج شده در سه حوزه را باهم ترکیب کنیم، و طبقه بندی را انجام دهیم. در جلسه اول این فصل توضیح میدهیم که چطور میتوان ویژگیهای سه حوزه با هم ترکیب کرد و طبقه بندی را براساس آنها انجام داد. از آنجایی که ویژگیهای زیادی در حوزه های مختلف استخراج شده، و ممکن است این ویژگیها ماهیت و همچنین رنج تغییرات متفاوتی باهم داشته باشند، و این امر ممکن است باعث کاهش عملکرد طبقه بندی شود، لذا توضیح میدهیم که چطور میتوان ویژگیهای سه حوزه را نرمال کرد که تاثیر بدی در نتیجه نهایی ایجاد نکنند.

 
 

در ادامه روشهای انتخاب ویژگی را توضیح میدهیم و سپس با کمک آنها از بین ویژگیهای سه حوزه بهترینها را برای طبقه بندی انتخاب میکنیم تا عملکرد طبقه بندی افزایش یابد. از آنجا که ویژگیهای زیادی در سه حوزه مختلف استخراج کرده و کنار هم قرار داده ایم، ابعاد بردار ویژگی بالا میرود و خود این ممکن است مسئله ساز شود. دلایل زیادی وجود دارد که باعث میشود ما ابعاد را به طور مناسبی کاهش دهیم تا هم ابعاد کاهش یابد و هم عملکرد طبقه بندی به طور قابل توجهی افزایش یابد. • ابعاد بالا باعث کاهش خاصیت عمومیت(Generalization) طبقه بند شده و در نتیجه دقت شناسایی کاهش می یابد. • ویژگیهای مرتبط با نویز از آنجا که سیگنال eeg ممکن است حاوی نویز باشد، همین امر باعث میشود ویژگیهایی استخراج شوند که مرتبط با نویز باشند و تاثیر منفی درطبقه بندی داشته باشند.

• ویژگیهای نامرتبط سیگنال eeg حاوی اطلاعات زیادی است، که ممکن است بخشی از این اطلاعات مفید و بخش نامرتبط باشد. در نتیجه وقتی ویژگی استخراج میکنیم، تعدادی از ویژگی ها حاوی اطلاعات مفیدی نباشند و بهتر است حذف شوند. چرا که فقط ابعاد را بالا برده اند و تاثیر مثبتی در طبقه بندی ندارند.

• ویژگیهای تکراری ممکن است در بین ویژگیهای استخراج شده، ویژگیهایی وجود داشته باشد که اطلاعات مفیدی اما تکراری داشته باشند. یعنی اطلاعاتی که یک ویژگی ارائه میشود، توسط چندتا ویژگی دیگه هم ارائه شود. پس بهتر است ویژگیهای تکراری را حذف کنیم تا ابعاد بالا نرود. به عبارتی ویژگیهای مستقل و مفید انتخاب شوند

این ها دلایلی هست که ما را مجاب میکند انتخاب ویژگی را انجام دهیم. برای همین منظور ما در این فصل روشهای مختلفی را جهت انتخاب ویژگی توضیح میدهیم.

   
 
  • انتخاب ویژگی با استفاده از روش آماری t-test

در این جلسه به صورت مفهومی با این روش آماری و p-value آشنا می شویم، سپس یاد میگیریم که چطور میتوان ویژگیها را براساس p-value تجزیه تحلیل و انتخاب کرد.  
  • انتخاب ویژگی با استفاده از روش آماری تحلیل واریانسها(anova)

در این جلسه روش آماری anova را توضیح میدهیم و سپس با کمک این روش ویژگیهای مناسب را جهت طبقه بندی انتخاب می کنیم.

 
  • انتخاب ویژگی با استفاده از روش جستجوی سلسله مراتبی(sequential forward feature slection)

در انتخاب ویژگی دو نوع رویکرد اسکالر و برداری وجود دارد. روشهای ttest و anova جزء روشهای اسکالر هستند و تک به تک ویژگیها را بررسی کرده و به آنها براساس تفکیک پذیری که دارند امتیاز میدهند که بعدا براساس این امتیازهای تعدادی از بهترین ویژگیها انتخاب میشوند. مزیت روشهای اسکالر این است که بسیار سریع هستند و همچنین افرادی که میخواهند تحلیلها را دستی انجام بدهند بسیار مناسب هستند. اما در بحث طبقه بندی دو ایراد اساسی دارند. یکی از ایرادها این است که ارتباط بین ویژگی ها را در نظر نمیگیرند. و ممکن است ویژگی هایی انتخاب شوند که کنار هم خوب عمل نکنند و عملکرد طبقه بندی به مقدار قابل توجهی افزایش نیابد. و همچنین در هنگام امتیاز دادن به ویژگی ها نظر طبقه بند را در نظر نمیگیرند و این ممکن است باعث شود که ویژگی هایی انتخاب شود که برای طبقه بند مناسب نباشد. در این جلسه یک روش برداری (wrapper methods) را معرفی میکنیم که دو مشکل اساسی روشهای اسکالر را حل میکند. الگوریتم جستجوی بهنیه(sffs) موقع انتخاب ویژگی ارتباط بین ویژگی ها و نظر طبقه بند را در نظر میگیرد و سعی دارد که بهترین ترکیب از ویژگیها را انتخاب کند که عملکرد طبقه بندی به مقدار قابل توجهی افزایش یابد.  

الگوریتم sffs یک روش بسیار بهینه برای انتخاب ویژگی است که در این جلسه از آن برای انتخاب ویژگی های مناسب سیگنال eeg استنفاده کرده ایم که دقت دسته بندی را به طور قابل توجهی افزایش داده است.



فصل هفتم: انتخاب باندهای فرکانسی بهینه سیگنال EEG 

  • • انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای اسکالر(filter methods) • انتخاب باندهای فرکانسی بهینه سیگنال EEG با کمک روشهای برداری -ترکیبی(wrapper methods)

همانطور که در طول جلسات قبل توضیح داده ایم، سیگنال eeg در باندهای فرکانسی مختلفی(ریتمهای eeg) اطلاعات متفاوتی دارد و بعضی از این باندهای فرکانسی بیشترین اطلاعات را در مسئله دارند و بعضی از آنها اطلاعاتی در مورد مسئله مورد نظر ندارند. یکی از چالشهایی که همیشه در پروژه های پردازش سیگنال داریم این است که از چه باندهای فرکانسی(از چه ریتمهای eeg) برای تجزیه و تحلیل مسئله مورد نظر استفاده کنیم. در این فصل از دو رویکرد ابتکاری استفاده میکنیم که در همان ابتدای کار به مححق کمک میکنند تا متوجه شود که کدام یک از ریتمهای eeg بیشترین اطلاعات را در مورد مسئله دارند و از آنها برای تجزیه و تحلیل و استخراج ویژگی استفاده کند.

در پایگاه داده eeg بن آلمان، در مسئله سه کلاسه به دقت بسیار خوب 98% رسیدیم و دوستانی که در این حوزه مطالعه کرده اند میدانند که این دقت یک عدد بسیار خوب و قابل دفاعی هست و دقت بدست آمده بسیار بهتر از دقت خیلی از مقالاتی که روی این پایگاه داده کار کرده اند هست!



فصل هشتم: طبقه بندی سیگنال EEG مبتنی بر تسک تصوری-حرکتی

  • • مفاهیم پایه در مورد سیگنال eeg مبتنی بر تسک تصور حرکتی • مراحل انجام پروژه bci • معرفی پایگاه داده bci-competition • استخراج اطلاعات مرتبط با تسک تصور حرکتی(ریتم میو و بتا) • Source localization کانالهای eeg با کمک فیلتر car • طبقه بندی سیگنال eeg مبتنی بر تسک تصور حرکتی • انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای اسکالر(filter methods) • انتخاب کانالهای بهینه سیگنال eeg با کمک روشهای ترکیبی(wrapper methods)

در فصلهای قبل ما مباحث آموزشی را روی داده eeg صرع بن آلمان که یک داده تک کاناله هست انجام دادیم. ما در این فصل از یک پایگاه داده دیگه ای به دلایل زیر استفاده کرده ایم:      1- کار با داده های چندکاناله      2- انجام پروژه های واسط مغز و کامپیوتر      3- انتخاب کانالهای بهینه در سیگنال eeg

از آنجا که در فصل های قبل مباحث را روی یک سیگنال تک کاناله کار کرده ایم، ممکن است برای بعضی دوستان تعمیم مطالب برای داده چند کاناله سخت باشد، البته مباحث از پایه و اصولی آموزش داده شده اند و بعید هست که همچین مشکلی پیش بیاید. ولی ما برای اینکه مشکلی از این بابت نباشد یک پایگاه داده چندکاناله انتخاب کردیم تا متوجه بشویم که چقدر راحت میشود مباحث را روی داده چند کاناله هم اجرا کرد. همچنین داده ای که مورد استفاده کرده بودیم یک داده مرتبط با بیماری بود، از آنجا که ثابت کنیم مباحث آموزش داده شده جامع و کامل هستند و در سایر حوزه ها هم خوب عمل میکنند، یک داده چالش برانگیز BCI انتخاب کرده ایم. تا دوستان با این حوزه و نحوه انجام پروژه های تخصصی در این حوزه آشنا شوند.

طبقه بندی سیگنال eeg تصور حرکتی

در ابتدای فصل مروری مختصر به حوزه BCI و تسک تصور حرکتی داشته ایم. سپس کار با داده های BCI competition را توضیح داده ایم. سپس مراحل انجام یک پروژه تخصصی bci را توضیح داده و به صورت مرحله به مرحله پروژه طبقه بندی سیگنال eeg مبتنی بر تسک تصور حرکتی را انجام دادیم. و نتایج بدست آمده نشان میدهند که مباحث آموزش داده شده چقدر توانمند بوده اند. ما پردازش ها را روی 3 تا از سابجکتهای پایگاه داده BCI Competition IV انجام دادیم.

 

برای ثبت سیگنال eeg از الکترودهای زیادی استفاده می شود که بسته به اینکه الکترودها در کدام ناحیه از مغز قرار میگیرند، اطلاعات متفاوتی در مورد مسئله میدهند. بعضی از این کانالهای اطلاعات مفیدی در مورد مسئله دارند و بعضی از این کانالها اطلاعات مفیدی در مورد مسئله ندارند. برای اینکه یک سیستم بهینه ای طراحی کنیم که دقت طبقه بندی بالایی داشته باشد، لازم است که ویژگی ها را از کانالهایی استخراج کنیم که اطلاعات خوبی در مورد مسئله مورد نظر دارند. اما اینکه به چه نحوی تعیین کنیم که کدام کانالها بهینه هستند، یک چالش اساسی است.

  • انتخاب کانالهای بهینه با کمک روشهای اسکالر

در این بخش توضیح میدهیم که چطور میتوان از روشهای انتخاب ویژگی اسکالر مثل ttest و anova برای انتخاب کانالهای بهینه استفاده کرد. یک روش رایجی هست که در اکثر مقالات از این رویکرد برای انتخاب کانالهای بهینه استفاده میکنند.

انتخاب کانال در سیگنال eeg

   
  • انتخاب کانالهای بهینه با کمک روشهای برداری

در این بخش یک رویکرد ابتکاری و کارا برای انتخاب کانالهای بهینه را توضیح میدهیم. همانند ویژگی ها، که در انتخاب ویژگی های مناسب باید ارتباط بین ویژگی ها و نظر مدل را در نظر میگیرفتیم تا ترکیب ویژگی بهینه انتخاب شود. در اینجا هم ما باید در انتخاب کانالهای بهینه eeg ارتباط بین کانالها و نظر مدل را در نظر بگیریم. در این بخش توضیح میدهیم که چطور میتوان روش sffs را برای انتخاب کانالهای بهینه تعمیم داد و کانالهای بهینه برای طبقه بندی سیگنال eeg تصور حرکتی انتخاب کرد.

انتخاب کانال در سیگنال eeg



محتوای پکیج:

  •  ویدیوهای آموزشی
  •  کدهای پیاده سازی شده برای پروژه ها، تمرینات و مقالات
  •  منابع معتبری که برای تهیه ویدیو استفاده شده اند(کتب و مقالات مرجع)
  •  جزوه دست نویس مدرس

مدت زمان دوره: 50ساعت مدرس: محمد نوری زاده چرلو فارغ التحصیل دانشگاه علم و صنعت تهران



این دوره برای همه دوستانی که قصد دارند پروژه های تحقیقاتی تخصصی روی سیگنال EEG انجام دهند مناسب است. در این پروژه‌های تخصصی زیادی انجام شده و تمامی مباحث به از پایه و به صورت مرحله به مرحله آموزش داده شده اند و تمامی ابزار مورد نیاز جهت انجام یک پروژه پایان نامه با کیفیت آموزش داده شده است. مطالب آموزشی به صورت تخصصی و طبق مقالات تخصصی آماده شده و محتوای این دوره به دوستانی که قصد نوشتن مقالات تخصصی برای پردازش سیگنال EEG دارند بسیار کمک کننده خواهد بود. امیدواریم که از مطالعه این دوره لذت ببرید...

2 دیدگاه برای پردازش سیگنال مغزی(EEG)

  1. a.hatami_2012 (مالک تایید شده)

    واقعا دوره کامل و خوبی بود ممنون

  2. amirsajjad96 (مالک تایید شده)

    سلام
    رشته لیسانس و ارشد من با اینکه مهندسی مکانیک بود و با در نظر گرفتن اینکه مثل بچه‌های برق مفاهیم سیگنال رو نمیدونستم (ته آشنایی من با سیگنال همون تبدیل فوریه ریاضی مهندسی بود)، این دوره خیلی توی فهم این مبانی پردازش سیگنال (از سطح صفر تا سطح خوب) کمکم کردش.
    دست مریزاد واقعاً جناب مهندس چرلو
    خیلی مفید بود

    • محمد نوری زاده چرلو

      مرسی امیرسجاد عزیز. خوشحالیم که براتون مفید بوده

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.