تشخیص فرکانس SSVEP با الگوریتم SS-CCA


در این مقاله، الگوریتم CCA را با الهام گرفتن از CSSP بهبود داده  و الگوریتم Spatio-Spectral CCA (SS-CCA)  را ارائه داده ایم. از آنجا که در سیگنال EEG مبتنی بر SSVEP اطلاعات فرکانسی اهمیت زیادی دارند، و از طرفی الگوریتم CCA فقط با اطلاعات مکانی کار میکند، در این روش سعی کردیم در زمان محاسبه ضرایب همبستگی،  علاوه بر اطلاعات مکانی، از اطلاعات فرکانسی هم استفاده کنیم. نتایج آزمایشات نشان دادند که الگوریتم SS-CCA عملکرد بهتری نسبت به الگوریتم CCA دارد.

هدف اولیه‌ی مطالعه

در سیگنال EEG مبتنی بر SSVEP اطلاعات فرکانسی اهمیت زیادی دارند و روشهایی که بتوانند از این اطلاعات بهره کافی را ببرند، عملکرد مناسبی در تشخیص فرکانس SSVEP خواهند داشت. اما الگوریتم CCA برای تشخیص فرکانس SSVEP فقط از اطلاعات مکانی استفاده می کند. در این مطالعه هدف ما ارائه رویکردی بود که بتواند در تشخیص فرکانس SSVEP از اطلاعات مکانی و فرکانسی به طور بهینه ای استفاده کند.

الگوریتم CCA

الگوریتم CCA یکی از معروفترین و کارامد ترین روشها در تشخیص فرکانس SSVEP هست. این روش اولین بار توسط Lin و همکارانش برای تشخیص فرکانس SSVEP استفاده شد.

تشخیص فرکانس ssvep با الگوریتم cca

شکل (1): نحوه‌ی محاسبه فرکانس SSVEP توسط الگوریتم CCA(منبع)

الگوریتم CCA علارغم عملکرد خیلی خوبی که دارد، یک سری محدودیتهایی هم دارد. مطالعات زیادی در جهت بهبود عملکرد CCA انجام شده است که میتوان گفت اکثر آنها در دو زمینه انجام شده است:

  • نحوه استفاده از الگوریتم CCA برای تشخیص فرکانس SSVEP
  • ساخت سیگنالهای مرجع مناسب

الگوریتم Spatio-Spectral CCA

همانطور که در ابتدا اشاره کردیم، در سیگنال EEG مبتنی برSSVEP اطلاعات فرکانسی اهمیت زیادی دارند. این در حالی هست که الگوریتم CCA یک روش مکانی هست و برای محاسبه ضرایب همبستگی بین سیگنال مرجع و سیگنال EEG از اطلاعات مکانی استفاده می‌کند.

 اگر بتوان در محاسبه ضرایب همبستگی توسط CCA، علاوه بر اطلاعات مکانی، از اطلاعات فرکانسی هم استفاده کرد مطمئنا به نتایج بهتری خواهیم رسید.

در این مطالعه، ما با الهام گرفتن از الگوریتم CSSP ، الگوریتم SS-CCA را ارائه داده ایم . در الگوریتم SS-CCA به منظور بهینه سازی همزمان مکانی و فرکانسی برای پیدا کردن متغیرهای کانونی، یک تأخیر زمانی به سیگنال EEG اضافه شده است. به این ترتیب در هنگام محاسبه ضرایب همبستگی، اطلاعات بیشتری از سیگنال EEG مورد استفاده قرار می‌گیرد. با رویکرد ارائه شده، برای محاسبه‌ی متغیرهای کانونی، بهینه سازی مکانی و بهینه سازی فرکانسی همزمان صورت می‌گیرند و عملکرد الگوریتم بهبود می‌یابد.

تشخیص فرکانس ssvep با الگوریتم SS-CCA

شکل (2): نحوه‌ی محاسبه‌ی ضرایب همبستگی توسط الگوریتم SS-CCA(منبع)

ارائه یک الگوریتم بهینه مبتنی بر CCA جهت تشخیص فرکانس SSVEP

الگوریتم بهینه مبتنی بر CCA در تشخیص فرکانس SSVEP، الگوریتمی هست که سه شرط زیر را برقرار کند:

  • محاسبه دقیق ضرایب همبستگی
  • استفاده بهینه از اطلاعات هارموینک‌ها
  • استفاده بهینه از اطلاعات ضرایب همبستگی

بعد از اینکه الگوریتم CCA را بهبود داده و الگوریتم SS-CCA را ارائه دادیم، در ادامه رویکردی ارائه دادیم که بتوان در آن به صورت بهینه از الگوریتم SS-CCA برای تشخیص فرکانس SSVEP استفاده کنیم.

هدف ما در این بخش این بود که از اطلاعات هارمونیک ها و اطلاعات تک تک ضرایب همبستگی به طور بهینه استفاده کنیم تا دقت تشخیص فرکانس SSVEP را افزایش دهیم.

در الگوریتم Filter Bank CCA (FBCCA) از اطلاعات هارمونیک ها به خوبی استفاده می‌شود و در الگوریتم Fusing CCA هم از اطلاعات ضرایب همسبتگی به خوبی استفاده می‌شود. ما در این مطالعه این دو رویکرد را با الگوریتم SS-CCA ترکیب کرده و الگوریتم Optimized filter bank SS-CCA را ارائه دادیم.

الگوریتم Optimized filter bank SS-CCA

شکل (3): تشخیص فرکانس SSVEP با الگوریتم Optimized filter bank SS-CCA(منبع)

 

در الگوریتم ارائه شده سه دغدغه اصلی در تشخیص فرکانس SSVEP حل می شود:

  • استفاده بهینه از اطلاعات فرکانسی و مکانی برای محاسبه ضرایب همبستگی (SS-CCA)
  • استفاده بهینه از اطلاعات هارموینک‌ها (Filter bank)
  • استفاده بهینه از اطلاعات ضرایب همبستگی (fusing)

 

بهبود رابطه تعیین وزن ساب بندها و ضرایب همبستگی

رابطه ای که در مطالعات Filter bank CCA و Fusing CCA برای تعیین وزن ساب بندها و ضرایب همبستگی استفاده می‌شود، به دو پارامتر وابسته است و باعث می‌شود که تعیین وزن ضرایب و سابندها پیچیده و زمانبر شود.

در این مقاله ما از رابطه شبکه عصبی بدون ناظر(competitive learning) برای تعیین وزن ها استفاده کردیم که کلا به یک پارامتر وابسته است و این باعث میشه که زمان تعیین وزنها خیلی کاهش یابد.

 

در این مطالعه برای مقایسه عملکرد CCA و SS-CCA چندین آزمایش انجام داده ایم و اثبات کرده ایم که الگوریتمهای مبتنی بر SS-CCA نسبت CCA عملکرد بهتری در تشیخص فرکانس SSVEP دارند.

جالب هست بدانیم که الگوریتم‌های مبتنی بر SS-CCA نسبت الگوریتمهای مبتنی بر CCA کمتر تحت تاثیر “اثر حافظه – Memory effect” و “کاهش توجه کاربر- subject attention ” قرار میگیرند.

دوستانی که کد مربوط به الگوریتم SS-CCA را نیاز دارند در تلگرام پیام بدهند تا کد رو در اختیارشون قرار دهیم.

منبع:

www.sciencedirect.com/science/article/SS_CCA

مقاله به مدت 50 روز (قبل از April 06, 2022) به صورت رایگان قابل دسترس است:

 https://authors.elsevier.com/c/1ebJSbXTP1b2B



به دوستانی که علاقه مند هستند در زمینه SSVEP کار کنند، پیشنهاد میکنیم که دوره تخصصی BCI مبتنی بر SSVEP  را نگاه کنند. در این دوره، تمامی الگوریتم ها به صورت مرحله به مرحله آموزش داده شده و پیاده سازی شده اند. در این دوره چندین  پروژه‌ی تخصصی انجام شده است.


دیدگاه ها

دیدگاهتان را بنویسید

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

code