عنوان پایان‌نامه
طراحی و پیاده سازی سیستم BCI بر پایه منابع نوری چشمک زن با فرکانس های چشمک زدن متفاوت و بررسی عوامل موثر بر صحت تشخیص
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: E 2117;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 54571
- تاریخ دفاع
- ۰۴ شهریور ۱۳۹۱
- دانشجو
- آریانا برومند
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- سیستم های BCI بر پایه SSVEP به علت سهولت در کاربرد و نرخ های بالای میانگین تشخیص صحیح و انتقال اطلاعاتی که دارند کاربردهای عملی زیادی پیدا کرده اند. یکی از مهمترین راه های افزایش نرخ انتقال اطلاعات در این سیستم ها، افزایش تعداد کلاس های جواب است. با افزایش تعداد کلاس های جواب، نرخ میانگین طبقه بندی صحیح سیستم افت می کند و یکی از چالش های سیستم BCI، حفظ این نرخ با افزایش تعداد کلاس های جواب است.در این تحقیق یک سیستم BCI بر پایه سه منبع نوری چشمک زن با فرکانس های 15،20 و 25 هرتز پیاده سازی شده است. سیگنال های EEG ثبت شده مورد پردازش های گوناگون فیلترینگ مکانی ، فرکانسی و تکنیک متوسط گیری PRSA با طول های مختلف پنجره میانگین گیری (L) قرار گرفته اند. سه دسته ویژگی مختلف برای تشخیص مولفه های SSVEP به کار رفته است. برای استخراج ویژگی ها، سیگنال EEG خام به پنجره های با طول های زمانی 0.5، 1 و 2 ثانیه افراز شده است. برای طبقه بندی عمدتا از طبقه بندی کننده SVM استفاده شده است. مشاهده شده است که با تنظیم سیستم برای هر فرد از لحاظ انتخاب ویژگی و طول پنجره میانگین گیری مناسب برای او می توان عملکرد سیستم را در طبقه بندی به طور قابل ملاحظه ای بهبود داد. در بیشتر موارد، ویژگی ای که بهترین جوابها را ایجاد کرده است ویژگی های دامنه ضرایب فوریه (و نه چگالی توان فوریه که معمولا استفاده می شوند) بوده اند. نتایج به طور میانگین 0.70 نرخ طبقه بندی صحیح در جاروب 0.5 ثانیه، 0.80 در جاروب 1 ثانیه و 0.84 در جاروب 2 ثانیه را نشان می دهند. پاسخ ها با نتایج طبقه بندی مساله دو کلاسه مرجع [1] در شرایط فاصله 14 سانتیمتری بین منابع تحریک مقایسه شده اند و در هر جاروب زمانی -علی رغم افزایش تعداد کلاس ها- بهبود در نرخ طبقه بندی صحیح و به تبع آن افزایش شدید در نرخ انتتقال اطلاعات مشاهده می شود. جوابها با نتایج حاصل از طبقه بندی با استفاده از ویژگی های چگالی توان فوریه و بدون تکنیک PRSA نیز مقایسه شده اند که در نتایج این تحقیق در هر جاروب زمانی حداقل 25% رشد در افزایش نرخ طبقه بندی صحیح ملاحظه می شود.
- Abstract
- SSVEP based BCI systems have found widespread applications due to their easy usage, high Correct Classification Rate (CCR) and high Information Transfer Rate (ITR). One of the most important ways to increase ITR in these systems, is to increase the number of target classes. However, by doing so the average CCR falls and maintaining this rate while increasing the target classes is one of the challenges in BCI system designs. In this study, a BCI system is implemented based on flickering LEDs with frequencies of 10, 15 and 25 Hz. Recorded signals have undergone different processings like spatial filtering, frequency filtering and PRSA averaging technique with different values of length (L) for the averaging window. Three groups of features have been used in detection of SSVEP components. For feature extraction, raw EEG signal has been partitioned into windows of lengths 0.5, 1 and 2 seconds. For classification, mainly SVM classifier is used. It is seen that by tuning the system i.e. choosing right features for classification and choosing the right length for the PRSA averaging window for each subject, system’s performance can be significantly improved. In most cases, the feature making the best results has been Fourier amplitude (and not the prevalent Fourier PSD). Reuslts show an average CCR of 0.70 for 0.5s sweep, 0.8 for 1s sweep and 0.84 for 2s sweep. Results are compared with those of reference [1] in a 2 class problem at 14cm distance between sources and at each time sweep an improvement in average CCR and consequently a high rise in ITR is seen. Results are also compared with those of Fourier PSD features without PRSA and at each time sweep at least 25% rise in CCR is seen.
