پایان نامه ها و مقالات

پایان نامه با کلید واژه های روش ترکیبی، ماشین بردار پشتیبان، نمونه برداری، سیگنال EEG

دانلود پایان نامه

و این روش را با روشهای رایج حذف نویز مقایسه میکنیم. در بخش دوم این فصل روش استخراج ویژگی با استفاده از تبدیل والش و آنتروپی معرفی میشود.
۵-۲- پایگاه داده مورد استفاده
دادههای مورد استفاده در این پایاننامه مربوط به چهارمین دوره مسابقات BCI میباشد. فعالیتهای مغزی در زمان حرکت مچ با نمونهبرداری ۶۲۵ هرتز از دست راست دو فرد سالم ضبط شده است. شخص روی صندلی MEG به راحتی نشسته است. آرنج به طور راحت روی متکا بود تا از حرکت بازو جلوگیری شود. و حرکت کتف و سر به وسیله یک متکا ثابت شده است. هدف این است که موس را با استفاده از مچ دست راست از مرکز وضعیت به یکی از چهار وضعیت به شعاع ۹۰ درجه با دامنه حرکت ۴٫۵ سانتی متر حرکت دهیم. و در هر آزمایش هدف به وسیله خود شخص انتخاب میشود. زمان شروع سیگنال روی مانیتور نشان داده میشد وآزمایش زمانی که موس در مرکز صحفه ودرون دایره ظاهر شد شروع میشد. بعد از ۱الی۲ ثانیه دایره محو میشد و سیگنال حرکت(GO) برای اشاره به حرکت ظاهر میشد. ۰٫۷۵ ثانیه بعد شخص باید موس را حرکت دهد و به هدف برساند. برای اینکه آزمایش درست باشد شخص باید در هدف ۱ ثانیه بایستد. دادهها از ترکیب ده کانال MEG بدست آمده است که در بالای موتور قرار دارند الکترودهای انتخابی برای این آزمایش شاملLC21 و LC22 وLC23 و LC32 وLC31 وLC41 وLC42 وZC01 و ZC02 وRC41 میباشد. دادههای هر آزمایش به دادههای شامل ۰٫۴ ثانیه قبل تا ۰٫۶ ثانیه بعد از حرکت تبدیل شدند. و فیلتر باندپس ۰٫۵ تا ۱۰۰ هرتز روی سیگنال اعمال شد و نمونه برداری را به ۴۰۰ هرتز تغییر داده شده است[۴۷]. در شکل (۵-۱) نحوه قرار گرفتن الکترودها بر روی سر نشان داده شده است. الکترودهایی که سیگنالها از آنها ثبت شده است در مرکز تصویر با بیضی مشخص شده است.

شکل ۵-۱- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده
۵-۳- حذف نویز
همانطور که میدانیم سیگنالهای مغزی هنگام ثبت با نویزهای مختلفی مانند نویزهای محیطی ، نویز دستگاه ثبت و نویز، دیگر سیگنالهای حیاتی مانند EMG، ECG و … آغشته است. وجود نویز در این سیگنالها پردازش بر روی این سیگنالها را مشکل میکند. این نویز باعث میشود نتایج بدست آمده از این سیگنالها با نتایج واقعی برابر نباشد. برای بدست آوردن نتایج مورد نظر و مطلوب بهتر است ابتدا از سیگنال نویز را حذف کنیم. در این پایان نامه بخش اول کار ما مربوط به حذف نویزهای محیطی و دستگاه از سیگنالهای مغزی است. در این بخش روشهای معمول را بررسی کرده و روش جدید خود را نیز بیان میکنیم.
۵-۳-۱- آنالیز مولفههای مستقل
آنالیز مولفههای مستقل (ICA)33 به عنوان یک راه حل قوی برای مسئله جداسازی کور منابع(BSS)34 پیشنهاد شده است. در این مساله یک مجموعه از مشاهدات داده شده است در صورتی که اطلاعات سیگنال اصلی پنهان است. ICA به دنیال یک تبدیل خطی میگردد تا یک سری متغیر تصادفی را به صورت ترکیب خطی از منابع مستقل بیان کند.
سیگنال EEG ترکیب فعالیتهای الکتریکی مناطق مختلف مغز است. آنالیز مولفههای مستقل قادر است که این داده ورودی ترکیب شده را به مجموعهای از خروجیهای مستقل، بدون اینکه نیازمند اطلاعات دیگری غیر از فرضهای اولیه در مورد توزیع منابع سیگنال باشد تجزیه کند. فرض کنید که n ترکیب خطی x_(1 ) 〖,x〗_۲ 〖,…,x〗_n از n مولفه مستقل یعنی j=1,2,…n و x_(j )=a_(j1 ) s_(1 )+a_(j2 ) s_(2 )+…+a_(jn ) s_(n ) داریم (تعداد مولفههای مستقل برابر با سیگنالهای مشاهده شده یا تعداد الکترودها است) که شکل برداری آن به صورت زیر است :
X=As (1-5)
که X بردار سیگنال ورودی، s منابع مستقل و A ماتریس ترکیبکننده است.[۴۸] در فرمول بالا میتوان نویز را نیز اضافه کرد. هدف آنالیز تخمین هر دو عنصر ناشناخته (ماتریس ترکیب کننده A و منابع مستقل s) از بردار سیگنال ورودی، با استفاده از فرضهایی در مورد ویژگیهای آماری توزیع منابع است. این فرضها عبارت اند از: خطی بودن ترکیب منابع، استقلال آماری منابع، عدم حضور نویز جمع شونده در بردار مشاهدات(حضور نویز در مولفههای ترکیب شونده S امری بدیهی است) و غیر گوسی بودن تابع توزیع منابع که کلید اصلی حل مساله است. این هدف معمولا با یافتن ماتریس w به طوری که
(s ) ̂= WX= WAs (2-5)
باشد قابل دستیابی است ،که W ماتریس جداکننده نامیده میشود و (s ) ̂ نیز تخمینی از منابع مستقل است. [۴۹]
در این روش برای تخمین تمامی منابع مستقل باید تعداد سنسورها بیشتر با برابر تعداد منابع باشد. اما تعداد منابع در مغز مشخص نیست و بیشمار فرض میشود. لذا در اعمال ICA باید به این مساله توجه نمود. فرض کنیم سیگنالها توسط m سنسور ثبت شدهاند، آنچه با اعمال ICA بدست میآید m سیگنال است که اکثر آنها از قویترین منابع اولیه بوده و مابقی ترکیب منابع کوچک و کمتر مستقل هستند. نتایج تجزیه ICA روی داده با چگالی بالا مثلا ۲۵۶ کانال که از سوژهای نرمال حین انجام فعالیتهای شناختی بدست آمده است، نشان میدهد چند ده منبع متمایز به اندازه کافی بزرگ و یا قابل متمایز جهت جداسازی به مؤلفههایی که قابل تفسیر فیزیولوژیک هستند، وجود دارند که فعالیتها و نگاشتهای جمجمهای آنها قابل توجیه است، در حالیکه بقیه مؤلفههای یافته شده (بیشتر از ۲۰۰ مؤلفه ) در چنین دادهای، یا مؤلفههایی هستند که به وضوح از منابع آرتیفکت غیر مغزی بوجود آمد اند و یا ترکیباتی از منابع با انرژی کمتر هستند که جهت ارضای
شرایط (تعداد منابع استخراج شده، محدود به تعداد الکترودها بوده و در عین حال باید ترکیب مجدد آنها کل داده را نتیجه دهد ) با یکدیگر ترکیب شدهاند[۵۰].
۵-۳-۲- حذف نویز با استفاده از آنالیز مولفه هایمستقل
به منظور حذف نویز از سیگنالهای مغزی، ICA به سیگنال مورد نظر اعمال میشود. مولفه یا مولفههای نویزی و آرتیفیکی مورد نظر شناسایی و حذف میشوند. سپس سیگنال دوباره به حوزه اولیه برگردانده میشود. و سیگنال بدون آرتیفکت و نویز بدست میآید. در شکل (۵-۲) ده کانال از یک سیگنال نشان داده شده است. بر روی این سیگنال ICA را اعمال میکنیم برای اعمال ICA از نرم افزارICALAB استفاده می کنیم. در شکل (۵-۳) مولفههای بدست آمده توسط ICA نشان داده شده است.

شکل ۵-۲- سیگنالهای گرفته شده توسط هر کانال

شکل ۵-۳- مولفههای بدست آمده توسط ICA

در شکل (۵-۳) شناسایی مولفه منشاء نویز مشکل میباشد. برای شناسایی این مولفه نیاز به فرد متخصص میباشد. در این روش اگر نویز خود یک منبع داشته باشد. مثلا یک الکترود برای ثبت سیگنال قلب یا سیگنال چشم و … آنگاه میشود بر روی این سیگنال روش ICA را اعمال کرد. بعد از اعمال ICA مولفه نویز شناسایی شده و حذف میشود. و دوباره سیگنال را بازسازی میکنیم. اما زمانی که نویز یک منبع نداشته باشد و در هر سیگنال به طور یکنواخت پخش شود حذف نویز به این طریق ممکن نیست. در اکثر روشهای که از ICA برای حذف نویز استفاده شده است یک کانال برای نویز در نظر گرفته شده است. روش ICA قادر است با استفاده از ثبت چند کاناله سیگنالهای مغزی ، فعالیتهای مختلف نظیر پلک زدن ، حرکات چشم، سیگنال ECG ، EMG را در قالب مولفههای مستقل جدا کرد. یعنی باید منبع سیگنال مشخص باشد. این روش برای سیگنالهای که منبع آنها مشخص نیست مناسب نمیباشد.
۵-۳-۳- حذف نویز با استفاده از تبدیل موجک
تبدیل موجک کاربردهای زیادی از جمله استخراج ویژگی، فشرده سازی و حذف نویز و … دارد. حذف نویز با استفاده از تبدیل موجک شامل سه مرحله اساسی است.
تجزیه – یک موجک با انتخاب N سطح مشخص میشود. سیگنال به N سطح با استفاده تبدیل گسسته موجک۳۵ (DWT) تجزیه میشود. با گرفتن تبدیل موجک تا N سطح ،ضرایب در مقیاسهای مختلف که بزرگی متفاوتی دارند بدست آید.
حذف نویز- بعد از گرفتن تبدیل موجک ، برای سطح ۱تا n نویز از ضرایب جزئیات طی دو مرحله حذف میشود.
۲-۱ – تبدیل موجک در نمونههای که نویز وجود ندارد ماکزیمم است. به عبارت دیگر اطلاعات اصلی سیگنال دارای مقدارهای بیشتر هستند. ابتدا حد آستانه موجک را بدست میآوریم. حد آستانه موجک معمول که در اکثر مقالات استفاده میشود. مقدار حد آستانهای است که به وسیله Donoho ارائه شد[۵۱].این حد آستانه از رابطه (۵-۳) بدست میآید.
T=√(۲σ^۲ ) log⁡N (3-5)
در این رابطه N تعداد نمونهها و σ توان نویز است. ما در این پایان نامه از این حد آستانه استفاده کردهایم.
دو حد آستانه دیگر که زیاد استفاده میشوند عبارت اند از حد آستانه نرم و حد آستانه سخت که در مرجع [۵۲] معرفی شده است.
۲-۲ – در این مرحله حد آستانه بدست آمده از مرحله قبل را به ضرایب اعمال میکنیم. با این کار ضرایب دستهبندی میشوند. نویزهای نرمال ضرایب با اندازه کمتر ار سیگنال طبیعی تولید میکنند. بر طبق حد آستانه بدست آمده ضرایب جزئیاتی که زیر این حد آستانه است را صفر میکنیم.
بازسازی – سیگنال حذف نویز شده از اعمال تبدیل موجک معکوس بر ضرایب جزئیات بدست میآید. ما تبدیل موجک معکوس را بر سیگنال حد آستانه اعمال میکنیم تا سیگنال درست و بدون نویز را تخمین بزنیم و آن را بازسازی کنیم
۵-۳-۴- حذف نویز با استفاده از تبدیل والش
همانطور که قبلا بیان شد تبدیل والش بیشتر در زمینههای حذف نویز، فشرده سازی و … کاربرد دارد. در این پایان نامه برای حذف نویز از تبدیل والش و روش ترکیبی تبدیل والش و روشICA استفاده میکنیم. که در این بخش و بخش آتی این دو روش را بررسی میکنیم. حذف نویز با استفاده از تبدیل والش شامل سه مرحله است.
تبدیل والش – در این مرحله از هر کانال سیگنال تبدیل والش گرفته میشود. با این کار مقدار توالی هر نمونه بدست میآید. مقدار توالی میزان اهمیت هر نمونه را نشان میدهد.
حذف نویز – برا ی حذف نویز از سیگنال بعد از اینکه مقدار توالی هر نمونه را بدست آوردیم. با در نظر گرفتن این مساله که اطلاعات اصلی سیگنال دارای مقدار توالی زیاد و اطلاعات نویز دارای مقدار توالی کم هستند. آن نمونههای که مقدار توالی آنها کمتر از یک مقدار مشخص است را حذف میکنیم. نمونههای باقیمانده شامل اطلاعات اصلی سیگنال میباشد. لازم به ذکر است که ما در استفاده از تبدیل والش از هیچ حد آستانه ای معمولی استفاده نکرده ایم. حدس حد آستانه و حذف نمونههای نویزی به صورت چشمی انجام گرفته شده است. در شکل (۵-۴) تبدیل والش ده کانال سیگنال نشان داده شده است.
بازسازی – بعد از حذف نمونه های نویزی، سیگنال با استفاده از معکوس تبدیل والش بازسازی می شود.
با توجه به شکل (۵-۴) که میزان توالی هر نمونه از کانالهای سیگنال را نشان میدهد. آن نمونههای که دارای توالی بیشتر میباشند اطلاعات اصلی میباشند این نمونهها باید حفظ شوند و آن نمونههای که دارای توالی کم میباشند باید حذف شوند. در شکل (۵-۵) همانطور که میبینیم از خط عمود به بعد در هر کانال نمونههای باقیمانده را صفر میکنیم . با این تفسیر که این نمونهها اطلاعات اصلی
و با ارزش نیستند. و میتوان آنها را بدون اینکه اطلاعات اصلی را از دست بدهیم حذف کنیم. به این ترتیب نویز حذف میشود.

شکل ۵-۴- تبدیل والش از کانال های سیگنال

شکل ۵-۵- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز
۵-۳-۵- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA
استفاده از روشهای ترکیبی حذف نویز اخیرا مورد توجه قرار گرفته است. در این روشها بیشتر از روش ICA و تبدیل موجک استفاده میشود. ابتدا با استفاده از روش ICA مولفههای مستقل شناسایی میشود سپس بر روی مولفههای مستقل بدست آمده تبدیل موجک را اعمال میکنیم تا کانالهای نویزی شناسایی شود. سپس نویز را حذف میکنیم.
در این پایان نامه ما از روش ترکیبی تبدیل والش و روش ICA استفاده کرده ایم. در روش ترکیبی تبدیل والش و ICA ، ابتدا با استفاده از روش ICA مولفههای مستقل را شناسایی میکنیم این مولفهها هر کدام می توانند نویز باشند. در مرحله بعد از هر یک از این مولفهها تبدیل والش میگیریم. دقیقا همانطور که در روش تبدیل والش گفتیم به حذف نویز از هر مولفه میپردازیم با اعمال تبدیل والش بر روی هر مولفه میزان توالی هر نمونه از مولفه بدست میآید. اگر میزان توالی هر نمونه مولفه از یک مقدار معین کمتر بود آن را حذف میکنیم. بر خلاف روش آنالیز مولفههای مستقل ما یک مولفه را به طور کامل حذف نمیکنیم. در این روش ما در هر مولفه نمونههای بیاهمیت و نویز را حذف میکنیم. در شکل (۵-۶) تبدیل والش مولفههای حاصل از ICA نشان داده شده است . در این شکل نمونههای بعد از خط عمود را حذف میکنیم.

شکل ۵-۶- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز
۵-۴- استخراج ویژگی
دومین کار ما در این پایان نامه استخراج ویژگی مناسب برای دستهبندی سیگنالهای مغزی که مربوط به حرکت دست در چهار جهت است میباشد. همانطور که میدانیم روشهای استخراج ویژگی زیادی در سالهای اخیر مطرح شده است که از آن جمله میتوان به تبدیل فوریه ، تبدیل موجک، و … اشاره کرد. در این پایان نامه ما از تبدیل والش و آنتروپی برای استخراج ویژگی استفاده میکنیم. برای این منظور ابتدا آنتروپی را معرفی میکنیم سپس به بررسی استخراج ویژگی با استفاده از تبدیل فوریه ، موجک ، والش و آنتروپی میپردایم. در نهایت نرخ دستهبندی را با ویژگیهای استخراج شده از سه روش و با استفاده از ماشین بردار پشتیبان (SVM) 36و روش نزدیکترین همسایه (۱-NN)37، بدست میآوریم.

۵-۴-۱- آنتروپی
هر سیگنال شامل دو قسمت است.
Entropy
Redundancy
Entropy : قسمت غیر قابل پیش بینی سیگنال – تصادفی – غیر منظم- قسمت اصلی اطلاعات
Redundancy: قسمت قابل پیش بینی – منظم – قسمت زاید اطلاعات.
در دادههای متغییر مانند سیگنال که دارای تغییرات زیادی است، از این داده ها می توان اطلاعات مفید و ارزشمند را استخراج کرد این اطلاعات مفید آنتروپی میباشند که بی نظم و کاملا تصادفی هستند .[۵۳] در یک داده متغییر، فرض کنید که متغییر تصادفی X حالتهای سیستم را بیان میکند.

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 *