کلاسبندی داده های SSVEP

کلاسبندی داده های SSVEP

در BCI مبتنی بر ssvep یک سری LEDها با فرکانس مشخصی چشمک میزنند و از شخص خواسته‌ می‌شود تا به یکی از LEDها خیره شود، که در نتیجه آن رخدادهایی در ناحیه پس سری مغز (قشر بینایی) رخ می‌دهد. هدف BCI این است که از روی سیگنال‌های EEG تشخیص دهد که شخص به کدام LED خیره شده است. در این ورکشاپ، تمام مباحثی که برای پردازش داده‌های EEG SSVEP هست، آموزش داده می‌شود.  در این ورکشاپ انواع داده‌های تصوری حرکتی مبتنی بر EEG رو معرفی می شود، پروسه ثبت و اطلاعات مربوط به داده را کامل برای شرح داده می شود، سپس شروع به تجزیه تحلیل داده‌ها می‌کنیم. سپس، در ادامه کلاسبندی داده SSVEP را توضیح داده و روی داده پیاده‌‌سازی می‌کنیم. در این ورکشاب الگوریتمهای معروف CCA, MSI,PSDA را در متلب پیاده‌سازی  کرده و بر روی داده اعمال می کنیم. در انتهای دوره نحوه ارزیابی یک مدل و پارامترهای ارزیابی را آموزش می‌دهیم. در پایان این دوره، شرکت‌کننده دیگر هیچ مشکلی در پردازش سیگنال‌های SSVEP، پیاده‌سازی مقالات تخصصی جهت بهبود عملکرد کلاسبندی نخواهد داشتخب بریم سراغ مباحث آموزشی و یه مختصری در مورد BCI مبتنی بر تصور حرکت EEG را توضیح دهیم. در ابتدا لازم است بدانیم که SSVEP چیست و فرایند ثبت این سیگنال به چه صورت هست.

تیم ما اولین گروه تخصصی در ایران است که کارگاههای واسط مغز و کامپیوتر برگزار می کند و در هر کارگاه یک سیگنال به صورت تخصصی تجزیه و تحلیل شده و اصول پردازش آن سیگنال صفر تا صد طبق مقالات تخصصی آموزش داده می شود. در ادامه  کارگاه bci مبتنی بر تصوری حرکتی، کارگاه bci مبتنی بر ssvep را برگزار می کنیم. در ویدیوی زیر به صورت مختصر مباحثی که در ورکشاپ تخصصی پردزاش سیگنال EEG مبتنی بر SSVEP آموزش داده خواهد شد را توضیح داده ایم.

ssvep چیست؟

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. مشاهده یک نور با یک فرکانس تحریک خاص باعث ایجاد تحریک در  ناحیه بینایی مغز (لوب پسِ‌سری) در همان فرکانس و هارمونیکهای آن فرکانس می‌شود.

چه نواحی از مغز ارتباط بیشتری با ssvep دارند؟

این سیگنال را می­توان از طریق الکتروانسفالوگرام (EEG) که فعالیت­های الکتریکی مغز را اندازه­گیری می­کند، مشاهده کرد.  در سیستم 10-20 EEG  از سیگنال­های الکترودهای ناحیه پسِ‌سری(بینایی) می­توان SSVEP  را مشاهده کرد.

الکترودهایO1  و O2  نواحی اصلی بینایی هستند.

هدف از پردازش سیگنالهای ssvep چیست؟

در BCI مبتنی بر ssvep یک سری LEDها با فرکانس مشخصی چشمک میزنند و از شخص خواسته‌ می‌شود تا به یکی از LEDها خیره شود، که در نتیجه آن رخدادهایی در ناحیه پس سری مغز (قشر بینایی) رخ می‌دهد. هدف BCI این است که از روی سیگنال‌های EEG تشخیص دهد که شخص به کدام LED خیره شده است.

مراحل تشخیص SSVEP:

یکی از نویزهایی که در سیگنال EEG وجود دارد و ممکن است تحلیلهای ما را با مشکل مواجه کند نویز برق شهری است، لذا در ابتدا لازم است با یک فیلتری این نویز کاهش یابد تا تاثیری در نتیجه تجزیه و تحلیل ما نداشته باشد.

نحوه طراحی فیلتر میانگذر گذر باتروث

(b,a] = butter(n,Wn,ftype]

• n: مرتبه فیلتر
• Wn: فرکانس قطع نرمال
• ftype: نوع فیلتر (پایین گذر، بالا گذر، میان گذر، میان نگذر)
• a,b: ضرایب فیلتر

نحوه اعمال فیلتر طراحی شده به سیگنال EEG:

• از تابع filtfilt برای اعمال کردن فیلتر به سیگنال EEGاستفاده می کنیم.

;(signal1=filtfilt(b,a,EEG_data

نحوه طراحی فیلتر باترورث میان نگذر:

• مرتبه فیلتر: 3
• فرکانس نمونه برداری: 173

;(‘b,a] = butter(3,[49.9 50.1 ]/(Fs/2),’stop ]

نحوه اعمال فیلتر طراحی شده به سیگنال EEG:

;(signal1=filtfilt(b,a,EEG

حال در سیگنال EEG  بازسازی شده نویز برق شهری حذف شده است.

فیلتر  کردن سیگنال eeg با استفاده از فیلترهای مکانی خاصیت localization الکترودها را بیشتر می‌کند. از آنجایی که هر الکترود متاثر از سایر بخشهای مغز در هنگام ثبت هست، لذا اطلاعاتی که یک الکترود ثبت میکند مختص یک ناحیه از مغز نیست، در نتیجه این باعث میشود که عملکرد مدل ما در تجزیه و تحلیل پایین بیاید. برای حل این مسئله یک سری فیلترهای مکانی مثل car، لاپلاسین بزرگ و کوچک اعمال میکنند. شکل این فیلترها در پایین نشان داده شده است، نحوه پیاده سازی مرحله به مرحله این فیلترهای مکانی در ورکشاپ آموزش داده میشود و هر کدام روی سیگنال اعمال میشوند و در انتهای کار می بینیم که باعث بهبود عملکرد سیستم شده اند.

روشهای زیادی جهت استخراج ویژگی از سیگنال eeg مربوط به ssvep ارائه شده اند که الگوریتم cca جهت آشکار سازی و کلاسبندی سیگنال ssvep بسیار رایج است.

الگوریتم CCA ) Canonical Correlation Analysis)

در روش cca هدف این است که در ابتدا یک سری سیگنالهای مرجع  با فرکانس مشابه فرکانس های تحریک ساخته می شوند، سپس الگوریتم cca کورولیشن مرکزی سیگنال eeg و سیگنالهای مرجع را محاسبه میکند و در نهایت x به کلاسی تعلق دارد که با سیگنالهای مرجع آن بیشترین کورولیشن مرکزی داشته باشد.

نحوه پیاده سازی و اعمال این الگوریتم در ورکشاپ BCI-2 کامل آموزش داده میشود.

مراحل کلاسبندی SSVEP با استفاده از الگوریتم CCA

داده هایی که در ورکشاپ کار میکنیم را میتوانید از سایت زیر دانلود کنید.

پایگاه داده:

https://github.com/sylvchev/dataset-ssvep-led

این داده شامل داده ی چهار فرد در چهار تا فایل جدا که در روزهای مخلتف ثبت شده اند، می باشد. داده سه کلاسه هست و از سه فرکانس تحریک 13-17-20 هرتز استفاده شده است.

نحوه آموزش سیستم مبتنی بر SSVEP

کنترل بازوی رباتیکی با استفاده از سیگنال های ssvep
در این ویدیو مشاهده میکنیم که چطور یک فرد به کمک سیگنال های مغزی خود می تواند یک بازوی رباتیکی را کنترل کند و بتواند یک متنی را روی یک برگه بنویسد.