پایان نامه ها و مقالات

پایان نامه با کلید واژه های الگوریتم ژنتیک، شبکه عصبی، سیگنال EEG، نمونه برداری

ر با فواصل زمانی بین ٩ تا ١١ ثانیه تکرار میشود و فرد مورد آزمایش ، تصور حرکت دست مربوطه را انجام میدهد.
این سیگنالها از ۵۶ الکترود که بر روی سر با فواصل تقریبی ۲/۵ سانتیمتر و نسبت به مرجع پتانسیل گوش راست قرار دارند ثبت شده است. سیگنال ثبت شده از یک فیلتر میان گذر با باند عبور ۰/۵ تا ۵۰ هرتز عبور داده شده است. عمل نمونه برداری با نرخ ۱۲۸ هرتز انجام گرفته است. کانال EOG هم بصورت دو قطبی۲۰ بین دو الکترود ، که در بالا و پایین چشم راست قرار داشت ثبت شده است. جهت اطمینان از عدم وجود سیگنال EMG این سیگنال نیز در طی آزمایش از روی ساعد دو دست راست و چپ نیز ثبت شده است.
بدین ترتیب هر مرتبه ثبت سیگنال شامل ۸ ثانیه است. که فاصله زمانی ۰- ۴ ثانیه مربوط به آماده سازی فرد و ۴-۸ ثانیه نیز حاوی سیگنال تصور حرکت دست است. همه داده ها برای اطمینان از عدم وجود Artifact و یا پتانسیل حرکتی به طور جداگانه بررسی شدند. بدین ترتیب در مجموع ۱۴۹ سیگنال از نفر اول ثبت شد(۷۵ مرتبه دست راست و ۷۴ مرتبه دست چپ) از نفر دوم ۱۴۲ سیگنال (۶۷ مرتبه دست راست و ۷۵ مرتبه دست چپ). از نفر سوم نیز ۱۱۵ سیگنال (۵۶ مرتبه دست راست و ۵۹ مرتبه دست چپ). دادههای ثبت شده توسط این گروه به علت پیش پردازش آماده به کار بودند ولی داده های مربوط به گروه Colorado برای قابل استفاده شدند نیاز به پیش پردازشهای دارند.
۳-۲-۳- مشخصات دادههای MIT-BIH
یکی دیگر از مجموعه دادهها استاندارد مربوط به دادههای مراحل خواب است. دادههای MIT-BIH شامل ۸ مجموعه میباشد. ۴ مجموعه آن شامل حدود ۲۴ ساعت ثبت سیگنال و ۴ مجموعه دیگر شامل حدود ۱۲ ساعت ثبت سیگنال میباشد. سیگنالهای موجود در ۴ مجموعه شامل ۲ ثبت سیگنال EEG که از کانالهای Fpz-Cz و Pz-Oz ، سیگنال EOG و سیگنال EMG میباشد. این سیگنالها از مردها و زن هایی با محدوده سنی ۲۱ تا ۳۵ سال ثبت شده است. این دادهها با نرخ ۱۰۰ هرتز نمونه برداری شدهاند. فیلترهای پایینگذر با فرکانس قطع ۱۰۰ هرتز و فیلتر بالاگذر با فرکانس قطع ۰/۵ هرتز را، بر روی این سیگنالها عبور دادهاند. برای هر یک از مجموعهها ۱۰ ساعت از سیگنال ثبتی شامل کل زمان خواب و دقایقی از بیداری قبل و بعد از خواب انتخاب شده است. با توجه به اینکه هر ۳۰ ثانیه یک epoch در نظر گرفته میشود، این ۱۰ ساعت در هر مجموعه شامل ۱۲۰۰ epoch میشود که توسط افراد متخصص ارزیابی میشود. مراحل خواب در این دادهها شامل Awake و۱ و ۲ و ۳و۴ وREM و MT است[۲۹]
۳-۳- استخراج ویژگی
بعد از پیش پردازش بر روی سیگنالهای مغزی، مهمترین گام استخراج ویژگی است. طی سالیان اخیر روشهای استخراج ویژگی و نوع ویژگیهای زیادی مورد استفاده قرار گرفته است.
Aunon وKeirn ، که بر روی دادههای دانشگاه Colorado کار میکردند از ویژگی ضریبی، تحت عنوان ضریب عدم تقارن استفاده کردند.
r= (R-L)/(R+l) (1-3)

در این رابطه R توان باند فرکانسی خاص سیگنال EEGاز میان الکترودهای واقع بر نیم کره راست و L توان همان باند از میان الکترودهای نیم کره چپ است. لازم به ذکر است که فرکانس سیگنال EEG، به باندهای استاندارد δ بین ۰ تا ۳ هرتز ، θ بین ۴ تا ۷ هرتز، α بین ۸ تا ۱۳ هرتز و β بین ۱۴ تا ۲۰ هرتز تقسیم میشود. نتایج دستهبندی با استفاده از این ویژگی نشان داد که نرخ دستهبندی با این ویژگی مناسب نیست. این دو محقق نیز از توان باندهای α ، β ، δ ، θ به عنوان ویژگی استفاده کردند[۴]. این گروه علاوه بر ویژگیهای فرکانسی از ویژگی طیف سیگنال که از روی ضرایب (AR) بدست میآید و همچنین از خود ضرایب AR هر کانال نیز به عنوان ویژگی استفاده کردند.
چند سال بعد از این دو نفر، Anderson و همکارانش از همان دانشگاه تحقیقات خود را بر روی همین مجموعه داده انجام دادند. وی از میان ۵ فعالیت ذهنی تنها به دستهبندی حالت استراحت و عمل ضرب ذهنی اکتفا کرد. آنها برای حذف سیگنالهای نویز و پلک زدن پیش پردازشهایی بر روی سیگنال انجام دادند. ویژگیهای استفاده شده توسط Anderson ، ضرایب AR چند متغیره۲۱ است. این روش تعمیم یافته روش AR معمولی است که برای داده های چند کاناله کاربرد دارد. در این روش فرض می شود که سیگنالهای ثبت شده فرایندهایی تصادفی هستند که از مدل زیر تبعیت میکنند:
X(K)= A_1 X(k-1)-A_2 X(k-2)-…- A_P X(k-p)+e(k) (2-3)

در این رابطه X(k) برداری از مشاهدات d کانال مختلف در لحظه K ام است و Ai ها (i=1,2,…p) ماتریسهای d*d ضرایبی هستند که باید تخمینزده شوند. E(k) نیز برداری d بعدی از متغیرهای تصادفی ناهمبسته و با متوسط صفر میباشد. P هم درجه مدل AR با مقدار ۶ است. بدین ترتیب از کنار هم قرار دادن ۶ ماتریس Ai با ابعاد ۶*۶ کلا ۲۱۶ ویژگی برای عمل دستهبندی حاصل شده است[۵].
از دیگر ویژگیهای که در پردازش سیگنال استفاده میشود، بکار بردن تبدیلات مختلف مانند تبدیل فوریه، تبدیل موجک و تبدیل والش و… بر روی سیگنال است. با استفاده از این تبدیلات ما سیگنال را به فضای دیگر میبریم. در [۳۰] با استفاده از تبدیل فوریه ویژگیهای زمان متوسط(t0) و فرکانس متوسط (F0) از سیگنال به صورت زیر بدست میآید.
t_0= = ∫_(-∞)^(+∞)▒〖t|s(t)|^2 dt〗

f_0==∫_(-∞)^(+∞)▒〖f|S(f)|^2 df〗 (۳-۳)
علاوه بر این ویژگیها، ویژگیهای فرکانسی دیگری نیز با استفاده از تبدیل فوریه بدست میآید.
در سالهای اخیر ویژگیهای دیگری به کمک تبدیل موجک استخراج شده است. با استفاده از سیگنال موجک سیگنال به باندهایی تقسیم میشود . هر یک از این زیر باندها و توان
این زیرباندها به عنوان ویژگی شناخته میشوند.
بعضی از محققین از الگوریتم ژنتیک برای استخراج ویژگی فرکانسی از سیگنالهای حرکت دست استفاده کردهاند[۳۱]. البته استفاده از این الگوریتم زمان استخراج ویژگی را کمی کند میکند.Katsuluro Inow و همکاران [۳۲] از روش AR برای استخراج ویژگی برای تشخیص جهت حرکت دست استفاده کردند. بعضی از محققین از تبدیل موجک برای استخراج ویژگی از سیگنال برای تشخیص تقلب استفاده کرد [۳۳]. اما چندی بعد محققین ازترکیب ضرایب موجک و مدل AR برای استخراج ویژگی استفاده کردند[۳۴] به این صورت که تبدیل موجک را برای محاسبه ضرایب موجک و مدل AR را برای استخراج ویژگیهای فرکانسی بکار بردند و بردار ویژگی ترکیب ویژگیهای این دو روش بود.گروهی دیگر از تبدیل موجک و تبدیل فوریه برای استخراج ویژگیهای فرکانسی از سیگنالهای خواب استفاده کردهاند [۳۵]. در سال ۲۰۰۸، Aihua Zhangو همکاران[۳۶] از آنتروپی طیف توان برای استخراج ویژگی از سیگنالهای حرکت دست استفاده کردند و از تبدیل فوریه برای بدست آوردن فرکانس استفاده کرده اند. در جدول (۱-۳) انواع ویژگیهای استخراج شده در سالهای اخیر از سیگنال EEG نشان داده شده است.

جدول ۳-۱ – انواع ویژگیهای استفاده شده در پردازش سیگنال
انواع ویژگیهای مورد استفاده
توان باند های فرکانسی با پارمترهای Adaptive AR
باند های مختلف فرکانسی مانند α ،β و ..
ویژگیهای فرکانس و زمان فرکانس تبدیل فوریه
ویژگیهای تبدیل موجک و توان ضرایب موجک
مولفههای مستقل با استفاده از ICA
استخراج اجزاء به کمک PCA
ویژگیهای ضرایب AR
آنتروپی طیف توان
ویژگیهای ترکیبی که از ترکیب چند ویژگی بدست میآید.
۳-۴- دستهبندی
بعد از استخراج ویژگی از سیگنالهای مغزی باید آنها را دستهبندی کنیم. طی سالیانی که محققین در این زمینه کار کردهاند روشهای دسته بندی زیادی مورد استفاده قرار گرفته است. از آن جمله میتوان به انواع شبکه عصبی ، K نزدیکترین همسایه(KNN) ، ماشین بردار پشتیبان۲۲ (SVM) و … اشاره کرد. Aunon و Keirn بعد از استخراج ویژگی از سیگنالهای مغزی و ایجاد ماتریس ویژگی به دستهبندی سیگنالها پرداختند. تفکیککننده مورد استفاده آنها تفکیککننده بیز بود. معیار ارزیابی میزان دسته بندی، روش Leave-One_Out است. در این روش یک سیگنال کنارگذاشته می شود و با مابقی سیگنالها تفکیککننده آموزش میبیند. سپس با سیگنال کنار گذاشته شده تفکیککننده تست میشود. این عمل برای تک تک سیگنالهای موجود تکرار میشود. درصد دستهبندی بر اساس درصد تمامی تکرارها محاسبه میشود. در صد تشخیص این گروه در بهترین حالت که با ویژگیهای ضرایب AR بدست آمد در حدود ۶/۸۴ بود[۴]. Anderson و همکارانش نیز از شبکه عصبی Feed-forward با الگوریتم تعلیم Back-propagation استفاده کردند . آنها با ویژگیهای ضرایب AR و تفکیککننده شبکه عصبی به نرخ تشخیص حدود ۹۲ درصد رسیدند[۵].
در [۳۷] که در زمینه اندازه گیری سطح درد با استفاده از سیگنالهای مغزی است. پس از استخراج ویژگیهای طیفی و ویژگیهای غیر خطی مانند نمای لیاپانوف، بعد فرکتال و آنتروپی به تفکیک کردن سیگنالها پرداختند. آنها از دو تفکیککننده SVM و الگوریتم Adaptive Neuro-Fuzzy Inference System (ANFIS) استفاده کردند. الگوریتم ANFIS مورد استفاده در این مقاله یک مدل فازی سوگنو۲۳ در قالب یک سیستم تطبیقی میباشد. این شبکه پنج لایه میباشد. در لایه اول همه گره ها تطبیقی هستند و خروجی این لایه ، درجه عضویت فازی ورودیها است. نتیجه صحت تفکیککننده ها در تفکیک درد از بیدردی با استفاده از SVM در بهترین حالت ۹۲ درصد و با استفاده از ANFIS در بهترین حالت که با استفاده از ویژگیهای غیر خطی حاصل شد ۹۴ درصد است.
Huaiyu و همکاران [۳۴] پس از استخراج ضرایب موجک و مدل AR ماتریس ویژگیها را با ترکیب این دو ویژگی ایجاد کردند. آنها برای ارزیابی این ویژگیها از یک تفکیککننده خطی استفاده کردند. روش آنها به این صورت بود که برای هر ویژگی یک وزن در نظر گرفتند. سپس این وزنها را با استفاده از روش یادگیری با سرپرست تنظیم نمودند. بعد از بدست آوردن وزنهای بهینه برای هر ویژگی از ویژگیها برای تفکیک کردن تصور حرکت دست راست و چپ استفاده کردند. با استفاده از این روش ساده آنها به نرخ تشخیص ۸۲ دصد دست یافتند.
استفاده از تفکیککننده تحلیل جداساز خطی۲۴ LDA در مرجع [۳۰] برای دسته بندی حرکت دست و پای راست و چپ مورد بررسی قرار گرفت. آنها ویژگیهای زمان- فرکانس را با استفاده از تبدیل فوریه و تبدیل فوریه کوتاه مدت استخراج کردند. آنها برای بدست آوردن انداره بهینه پنجره در روش تبدیل فوریه کوتاه از الگوریتم ژنتیک استفاده کردند. با استفاده از الگوریتم ژنتیک ویژگیهای بدست آمده بسیار مناسب و بهینه بودند. در نهایت این ویژگیها را با استفاده از LDA تفکیک کردند. و به نرخ تشخیص ۹۲ درصد با استفاده از LDA و الگوریتم ژنتیک رسیدند.

فصل چهارم

مقایسه تحلیلی تبدیل فوریه ، موجک و والش

۴-۱- مقدمه
همانطور که قبلا اشاره شد روشهای استخراج ویژگی زیادی وجود دارد که در پردازش سیگنال مورد استفاده قرار میگیرد. یکی از رایجترین روشها استفاده از تبدیلات مختلف و استفاده از ویژگیهای حوزههای متفاوت است.با استفاد از تبدیلات مختلف مانند فوریه۲۵،موجک۲۶، والش۲۷ و … ویژگیهای از سیگنال ظاهر میشود که در پردازش سیگنال بسیار مفید میباشد. در این فصل ابتدا تبدیلات فوریه، موجک و والش معرفی میشود. سپس این سه تبدیل با هم مقایسه و مزایا و معایب آنها بیان م
یشود.
۴-۲- تبدیل فوریه
در قرن ۱۹ ریاضیدان فرانسوی J.Fourier نشان داد که هر تابع تناوبی را میتوان به صورت مجموع توابع سینوسی نمایش داد. سالها بعد ایده او به سیگنالهای تناوبی و غیر تناوبی تعمیم داده شد.
تبدیل فوریه هر سیگنال را به یک سری توابع نمایی مختلط با فرکانسهای متفاوت تجزیه می کند. روش کار آن به صورت زیر است
X(f)=∫_(-∞)^(+∞)▒〖x(t). e^(-2jπft) 〗 dt (1-4)
x(t) = ∫_(-∞)^(+∞)▒〖X(f). e^(-2jπft) 〗 df
در معادله فوق t نشان دهنده زمان، f فرکانس ، x سیگنال مورد نظر در بعد زمان و X سیگنال تبدیل یافته در بعد فرکانس است. رابطه ۴-۱ نشان دهنده تبدیل فوریه x(t) و رابطه پایین عکس تبدیل فوریه X(f) است. در حوزه زمان سیگنال x(t) در یک فرکانس خاص ضرب میشود و سپس مجموع آن برای تمام زمانها محاسبه میشود. کاری که در واقع صورت میگیرد. سیگنال اصلی در یک عبارت مختلط شامل سینوسها و کسینوسهای فرکانس f ضرب میشود. سپس این حاصلضربها با هم جمع میشوند. اگر حاصل جمع مقدار بزرگی بود میتوان گفت که سیگنال x در فرکانس f دارای یک جزء غالب است. یعنی فرکانس f قسمت عمده فرکانس سیگنال را تشکیل میدهد. اگر سیگنال x(t) در فرکانس f دارای جزء غالب نباشد، حاصلضرب مقدار نسبتا کوچک خواهد بود[۳۸].
اطلاعات ارائه شده در جمع مربوط به تمام زمانها از منفی بی نهایت تا مثبت بی نهایت است. در هر زمانی که فرکانس f اتفاق افتاده باشد تاثیر یکسانی در حاصل جمع دارد. این نشان میدهد که تبدیل فوریه برای سیگنالهای غیر ایستا مناسب نیست. سیگنال غیر ایستا۲۸ سیگنالی است که مشخصات آن در طول زمان تغییر میکند.
تبدیل فوریه نشان میدهد که آیا جزء فرکانسی خاصی در سیگنال وجود دارد یا نه. این اطلاعات مستقل از زمان وقوع آن است. یعنی زمان وقوع یک جزء فرکانسی به ما نشان داده نمی شود.
شکل (۴-۱) نشان دهنده سیگنال با رابطه زیر است.
x(t)=cos(2π۵t) + cos(2π۱۰t) + cos(2π۲۰t) + cos(2π۵۰t) (2-4)
این سیگنال دارای چهار جزء فرکانسی ۵ ، ۱۰، ۲۰ و۵۰ هرتز است. که در تمام زمانهای سیگنال رخ میدهد. در شکل (۴-۲) از این سیگنال تبدیل فوریه گرفته ایم. چهار قله موجود در این شکل نشان دهنده چهار جزء فرکانسی است[۳۹].
در شکل (۴-۳) یک سیگنال سینوسوئید نشان داده شده است. این سیگنال نیز دارای همان چهار مولفه فرکانسی است. ولی در زمانهای متفاوتی رخ داده است. در شکل (۴-۴) تبدیل فوریه این سیگنال نشان داده شده است. همانطور که می بینیم تبدیل فوریه این سیگنال تقریبا شبیه سیگنال قبلی با همان چهار قله است. نویزهایی که بین این قلهها وجود دارد نشاندهنده آن است که این جزءهای فرکانسی نیز در سیگنال وجود دارد. چون مقدار جزء فرکانسی عمده ای نیستند

این فایل ها تست های آزمون آزمایشی کارشناسی ارشد انتشارات سنجش و دانش می باشد که با پاسخ های کاملا” تشریحی ارائه می شود. شما می توانید از منوی جستجو (بالای سایت سمت چپ ) تست های دروس دیگر را پیدا کرده و رایگان دانلود کنید

دیدگاهتان را بنویسید

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

* Copy This Password *

* Type Or Paste Password Here *