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؟

سیگنال SSVP

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.

SSVEP سیگنالSSVEP سیگنال

الکترودهایO1  و O2  نواحی اصلی بینایی هستند.

هدف از پردازش سیگنالهای ssvep چیست؟

پردازش سیگنالهای 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.

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

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.

سیگنال eeg مربوط به ssvep

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)

الگوریتم CCA

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.

الگوریتم CCAالگوریتم CCA

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

 

مراحل کلاسبندی SSVEP با استفاده از الگوریتم CCA

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

سیگنال های مغزی ssvep کابردهای زیادی دارند و میتوان در عمل در بسیاری جاها مثل کنترل بازوی مصنوعی، تایپ متن، کنترل ویلچر و غیره دارد. ولی قبل از استفاده در عمل لازم است که مدل خود را تست بکنیم که مطمئن بشویم درست کار می کند. در این ویدیو مشاهده میکنیم که 4 نقطه در صفحه مانیتور هر کدام با فرکانس خاصی روش خاموش میشوند و شخص به یکی از این ها به دلخواه خیره می‌شود، الگوریتم بعد از پردازش سیگنال تشخیص میدهد که شخص به کدام نقطه نگاه کرده است، سپس از کاربر میپرسه که درست تشخیص داده یا نه که کاربر کلید yes یا no رو را فشار می دهد. در انتها دقت تشخیص مدل ارزیابی می شود و اگر نتایج مناسب باشد در عمل استفاده می‌کنند.

کنترل ولیچر با استفاده از سیگنال های مغزی ssvep

همانطور که در ویدیوی زیر می بینید، Nick با استفاده از صفحه ی نمایش موبایل که شامل 4 گزینه ی چشمک زنی که حرکات در جهت های مختلف راست، چپ، جلو و عقب را نشان می دهد، ویلچیر را حرکت می دهد. هنگامی که وی به گزینه ها که هر کدام جهت های حرکت را نشان می دهد نگاه می کند، فعالیت های مغزی او با توجه به اینکه به کدام گزینه ی چشمک زن نگاه میکند متغیر می باشد. زیرا هر کدام از گزینه ها در فرکانس متفاوتی در حال چشمک زدن هستند.

تایپ متن با استفاده از سیگنالهای مغزی EEG مبتنی بر SSVEP

در این ویدیو مشاهده میکنیم که چگونه میتوان به راحتی با استفاده از سیگنالهای مغزی ssvep یک متنی را در کامیپوتر تایپ کرد.

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.


اگر علاقه‌مند به برنامه نویسی متلب، یادگیری ماشین و پردازش سیگنال هستید پیشنهاد می‌کنیم با این ویدیوها شروع کنید و برنامه‌نویسی هدفدار و تخصصی را به صورت گام به گام با تیم onlinebme  پیش ببرید.👌

💯پکیج آموزشی برنامه نویسی متلب 

💯پکیج آموزشی پیاده سازی شبکه های عصبی در متلب

💯پکیج آموزشی پردازش سیگنال EEG مبتنی بر تسک تصور حرکتی

دوره‌ها تخصصی و پروژه محور هستند و از مقالات و پروژه‌های پیاده‌سازی شده در دوره‌ها می‌توانید برای پروژه‌های درسی و پایان‌نامه خود استفاده کنید.

مشاهده همه افزودن یک یادداشت
شما
دیدگاه خود را وارد کنید
 

با ما همراه باشید

تمام حقوق مادی و معنوی این سایت مربوط به آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی می باشد
X