اطلاعات پایان نامه
شماره شناسایی : 39405469
نام و نام خانوادگی : نگار دشتي
عنوان پایان نامه : بازشناسایی حرکات تصور شده با استفاده از ویژگی های دینامیکی سیگنال EEG
رشته تحصیلی : مهندسي پزشکي بيوالکتريک
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : مهدي خضري
استاد مشاور :
چکیده : سیستم‌های واسط مغز-كامپيوتر یا به‌اصطلاح BCI يك كانال ارتباطي مستقيم بين انسان و ماشين، بر مبناي سیگنال‌های مغزي (EEG) را فراهم می‌کنند. ارتباط مستقیم مغز با دنیای اطراف ازجمله مباحثی است که اخیرا موردتوجه گروه‌های تحقیقاتی قرار گرفته شده است. سیستم‌های گوناگون BCI در تحقيقات مختلف معرفی‌شده‌اند كه از سیگنال‌ EEG جهت طبقه‌بندی حالات مختلف ذهني در آن استفاده‌شده است. يكي از مسائل مهم در يك سيستم BCI تشخیص نوع تصور حرکت و کنترل کردن عملي است كه بايد توسط سيستم BCI انجام شود. هدف از انجام این پروژه تشخیص تصور حرکت پای راست و دست راست بر مبنای سیگنال EEG است تا از اين طريق بتوان تا حدودی هماهنگی بين تصور ذهنی با عمل کنترل‌شده توسط BCI را ايجاد كرد. در این تحقیق از مجموعه داده Iva از BCI Competition III استفاده‌شده که در آن سیگنال EEG در 118 کانال و با آرایش الکترودی سیستم 10-20 به‌طور پیوسته از 5 فرد سالم ثبت‌شده است. در این پژوهش از سه کانال C3، C4 و Cz به‌عنوان مرجع اطلاعات مربوط به تصور حرکت استفاده‌شده است. پس از انتخاب کانال با استفاده از روش تجزیه‌وتحلیل چند مقیاسی اجزای اساسی نویز سیگنال EEG حذف گردید. در مرحله ی بعد سیگنال EEG با دو روش مختلف به زیر سیگنال تجزیه‌شده است. در روش اول هر بخشی از سیگنال ورودی با استفاده از باندهای مختلف فرکانسی به 5 زیر سیگنال و در روش دوم با استفاده از تبدیل موجک به 16 زیر سیگنال تقسیم‌بندی شده است. در روش اول هر یک از زیر سیگنال ها با استفاده از روش بخش‌بندی و پنجره ی همینگ به بخش های مساوی تقسیم‌بندی شده است سپس از هر یک از بخش ها 5 ویژگی دینامیکی استخراج‌شده است. برای روش دوم تجزیه ویژگی ها به‌طور مستقیم از زیر سیگنال ها استخراج گردید. پس‌ازاین مرحله و استخراج ماتریس ویژگی در حالت های مختلف، نوع تصور حرکت به‌طور جداگانه با روش های MLP و SVM و با روش ارزیابی K-fold cross validation تخمین زده‌شده است. بهترین تخمین مربوط به روش SVM است. مقدار دقت تخمین نوع تصور حرکت با استفاده از ویژگی های استخراج‌شده از هر سه کانال و با استفاده از شبکه عصبی SVM برابر با 93 درصد است.
کلمات کلیدی : سیگنال EEG, تصور حرکت, ویژگی¬های دینامیکی, MLP, SVM
تاریخ دفاع : 1397/06/20
دانلود فایل چکیده

About Proposal
Title : imagined motor movements recognition using dynamic features of EEG signals
Abstract : Brain-Computer Interface (BCI) systems provide a direct human-machine communication channel based on brain signals (EEGs). the direct relation of the brain to the surrounding world is one of the issues that have recently been considered by research groups.Various BCI systems have been introduced in various studies that use the EEG signal to classify different mental states. One of the important issues in a BCI system is the recognition of the type of motor imagery and action control that should be performed by the BCI system. The goal of this project is to recognize the right hand and right foot movement based on the EEG signal to be able to create a harmony between mental imagination and BCI-controlled action. In this study, the Iva Dataset was used from BCI Competition III,in which EEG signals were continuously recorded from 5 healthy individuals in 118 channels and with an electrode arrangement of 10 - 20 system. In this study, three channels C3, C4 and Cz have been used as reference information for motor imagery. After channel selection, the components of EEG signal noise were eliminated using the multi-dimensional analysis method. In the next step, the EEG signal is decomposed into the sub-signal by two different methods. In the first method, each part of the input signal is divided into 5 sub-signals using different frequency bands and in the second method by wavelet transform to 16 sub-signals. In the first method, each of the sub-signals is divided into equal parts using the segmentation method and the Hamming window. Then, from each section, five dynamic features are extracted. For the second method, the features were extracted directly from the signals. After this step and extracting the feature matrix in different methods, the type of motor imagery is estimated separately by the MLP and SVM methods and by the K-fold cross validation evaluation method. The best estimate is the SVM method.the accuracy of the estimation of motor imagery using extracted features from all three channels and using the neural network of svm is 93 percent.
Keywords : EEG signal,Motor Imagery, Dynamic features, MLP, SVM
Download Abstract File