دانلود فايل ورد Word استخراج ويژگي مناسب براي تشخيص سيگنال هاي حركات ارادي EEG
استخراج ويژگي مناسب براي تشخيص سيگنالهاي حركات ارادي EEG تعداد صفحات 106 چكيده در اين پروژه قصد داريم با ارائه يك ويژگي مناسب عمل دسته بندي را بر روي سيگنال هاي مغزي انجام دهيم براي اين منظور ابتدا از سيگنالهاي مغزي نويز دستگاه ثبت حذف مي شود |
دسته بندي | كامپيوتر و IT |
فرمت فايل | doc |
حجم فايل | 9840 كيلو بايت |
تعداد صفحات فايل | 106 |
استخراج ويژگي مناسب براي تشخيص سيگنالهاي حركات ارادي EEG
تعداد صفحات : 106
چكيده
در اين پروژه قصد داريم با ارائه يك ويژگي مناسب عمل دسته بندي را بر روي سيگنال هاي مغزي انجام دهيم. براي اين منظور ابتدا از سيگنالهاي مغزي نويز دستگاه ثبت حذف مي شود سپس از اين سيگنال ها با استفاده از تبديل والش و آنتروپي ويژگي استخراج مي شود. بعد از استخراج ويژگي ، بر اساس اين ويژگي ها عمل دسته بندي انجام مي شود.
اولين پيش پردازش براي دسته بندي سيگنال هاي مغزي حذف نويز از اين سيگنال ها مي باشد. در اين پروژه دو روش كلاسيك حذف نويز و دو روش پيشنهادي حذف نويز بررسي مي شود. ابتدا با استفاده از روش كلاسيك ICA ، تبديل موجك و دو روش پيشنهادي تبديل والش و روش تركيبي والش و ICA از سيگنال حذف نويز مي شود. براي داشتن يك ارزيابي از اين چند روش، نتايج حاصل از اين چهار روش با استفاده از سه معيار، نسبت سيگنال به نويز(SNR)، ميانگين مربع خطا(MSE) و جذر ميانگين تفاضل مربعات(درصد) (PRD) ارزيابي مي¬شود. نتايج ارزيابي با استفاده از اين معيارها نشان داد كه روش تركيبي والش و ICA و تبديل والش داراي كمترين مقدار ميانگين مربع خطا مي باشد. همچنين اين دو روش داراي بيشترين مقدار نسبت سيگنال به نويز و جذر ميانگين تفاضل مربعات(درصد) است.
بعد از حذف نويز از سيگنال، به بحث استخراج ويژگي از سيگنال¬ها و دسته بندي آنهاپرداخته مي شود. ويژگي¬هاي استخراج شده تعداد ويژگي كمي مي باشد و يك بردار ويژگي 22 مولفه اي است. اين ويژگي ها مربوط به آنتروپي تبديل والش كانال هاي سيگنال، آنتروپي تبديل والش كل سيگنال، توان تبديل والش كانال هاي سيگنال و توان تبديل والش كل سيگنال مي باشد. براي ارزيابي كارايي اين ويژگي ها همين ويژگي¬ها، نيز با استفاده از تبديل موجك و فوريه استخراج مي شوند و عمل دسته بندي بر اساس ويژگي هاي استخراجي اين سه روش به طور جداگانه انجام مي شود. بعد از استخراج ويژگي، بر اساس ويژگي هاي استخراجي، به دسته بندي سيگنال ها با استفاده از طبقه بندي كننده SVM و نزديكترين همسايه پرداخته مي شود. نتايج حاصل نشان مي دهد كه دسته بندي با استفاده از ويژگي هاي استخراجي تبديل والش به مراتب بهتر از دسته بندي بر اساس ويژگي هاي دو تبديل ديگر است. نرخ تشخيص با استفاده از روش پيشنهادي و svm، 42.5 درصد و با روش نزديكترين همسايه 39.0 درصد است.
در مقايسه اي ديگر، نتايج حاصل با نتايج پياده سازي شده بر روي اين مجموعه داده، در چهارمين دوره مسابقات BCI مقايسه شده است. نتايج نشان داد كه روش دسته بندي با استفاده از تبديل والش از همه¬ي روشها به جز نفر اول بهتر است.. ولي مزيتي كه روش پيشنهادي نسبت به همه روشها دارد اين است كه در بحث زماني اين روش داراي مجموع زمان تست و آموزش كمي است. اين زمان 52 ثانيه مي باشد كه نسبت به روش اول كه 403 و 640 ثانيه است به مراتب بهتر است.
فهرست
فصل اول
مقدمه
1-1- مقدمه
1-2- تاريخچه BCI
1-3- كاربردهاي BCI
1-4- تعريف مساله
1-5 – ساختار پروژه
فصل دوم
سيگنالهاي مغزي
2-1- مقدمه
2-2- كشف سيگنالهاي مغزي
2-3- ثبت سيگنالهاي مغزي
2-4- پيش پردازشها روي سيگنالهاي مغزي
فصل سوم
مروري بر تحقيقات انجام شده در زمينه دسته بندي سيگنالهاي مغزي
3-1- مقدمه
3-2- معرفي داده هاي موجود
3-2-1- مشخصات داده هاي ثبت شده توسط گروه دانشگاه Colorado
3-2-2- مشخصات داد ه هاي ثبت شده توسط گروه Graz
3-2-3- مشخصات دادههاي MIT-BIH
3-3- استخراج ويژگي
3-4- دسته بندي
فصل چهارم
مقايسه تحليلي تبديل فوريه ، موجك و والش
4-1- مقدمه
4-2- تبديل فوريه
4-3- تبديل موجك
4-3-1- مقياس.
4-4- تاريخچه تبديل والش
4-4-1- توابع والش
4-4-2- تبديل والش
فصل پنجم
توصيف روش پيشنهادي
5-1- مقدمه
5-2- پايگاه داده مورد استفاده
5-3- حذف نويز
5-3-1- آناليز مولفه هاي مستقل
5-3-2- حذف نويز با استفاده از آناليز مولفه هايمستقل
5-3-3- حذف نويز با استفاده از تبديل موجك
5-3-4- حذف نويز با استفاده از تبديل والش
5-3-5- حذف نويز با استفاده از روش تركيبي تبديل والش و ICA
5-4- استخراج ويژگي
5-4-1- آنتروپي
5-4-2- استخراج ويژگي با استفاده از تبدل والش
5-4-3- استخراج ويژگي با استفاده تبديل فوريه و موجك
5-5- ماشين بردار پشتيبان (Support Vector Machin)
5-5-1- ابر صفحه جداساز
5-5-2- جداسازي غير خطي
فصل ششم
نتايج و نتيجه گيري
6-1- مقدمه
6-2- حذف نويز
6-3- معيارهاي ارزيابي
6-3-1- نسبت سيگنال به نويز (Signal to Noise Rate)
6-3-2- ميانگين مربع خطا (Mean Square Error)
6-3-3- جذر ميانگين تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)
6-4- استخراج ويژگي
6-4-1- ويژگيهاي تبديل والش
6-4-2- ويژگيهاي تبديل فوريه
6-4-3- ويژگيهاي تبديل موجك
6-5- مقايسه با كارهاي مرتبط بر روي اين مجموعه داده
6-6- نتيجه گيري
6-7- پيشنهاد ها
منابع
فهرست شكل ها
عنوان صفحه
شكل 1-1 – واحد هاي پردازشي و دسته بندي در يك سيستم BCI
شكل 2-1- محل قرار گرفتن الكترود ها در سيستم
شكل 2-2- محدوده دامنه و فركانس برخي از سيگنالهاي حياتي
شكل 4-1 – سيگنال ايستا داراي چهار جزء فركانسي 5 ، 10، 20 و 50 هرتز
شكل 4-2 – تبديل فوريه سيگنال رابطه 2-4))
شكل 4-3 – سيگنال غير ايستا داراي چهار جزء فركانسي 5، 10، 20 و 50 هرتز
شكل 4-4 – تبديل فوريه سيگنال شكل (3-4)
شكل 4-5- تجزيه سيگنال با استفاده از تبديل موجك
شكل 4-6- مقياسهاي مختلف يك تابع كسينوسي
شكل 4-7- تبديل موجك در يك مقياس خاص
شكل 4-8- تابع والش براي n=8
شكل 5-1- نحوه قرارگيري الكترودها بر روي سر هنگام ثبت سيگنالهاي مغزي مورد استفاده
شكل 5-2- سيگنالهاي گرفته شده توسط هر كانال
شكل 5-3- مولفههاي بدست آمده توسط ICA
شكل 5-4- تبديل والش از كانال هاي سيگنال
شكل 5-5- حد آستانه مشخص شده بر روي تبديل والش براي حذف نويز
شكل 5-6- حد آستانه مشخص شده بر روي تبديل والش، مولفههاي ICA براي حذف نويز
شكل 5- 7 – صفحه هاي جداساز و بردارهاي پشتيبان
شكل 5- 8 – صفحه جداساز و نواحي مربوط به هر كلاس
شكل 5-9- افزايش بعد جهت جداسازي خطي دادهها
شكل 6-1- سيگنال اصلي و سيگنال داراي نويز
شكل 6-2- سيگنال حاصل از حذف نويز با استفاده از روش ICA ، روش تركيبي والش- ICA ، تبديل والش و تبديل موجك
شكل 6-3- نسبت سيگنال به نويز ده سيگنال
شكل 6-4- ميانگين مربع خطا براي ده سيگنال
شكل 6-5- جذر ميانگين تفاضل مربعات(درصد) براي ده سيگنال
شكل 6-6- آنتروپي توالي كانالهاي سيگنالهاي كلاس اول
شكل 6-7- توان آنتروپي هر كانال از سيگنالهاي كلاس اول
شكل 6-8- آنتروپي تبديل فوريه كانالهاي سيگنالهاي كلاس اول
شكل 6-9- آنتروپي تبديل موجك كانالهاي سيگنالهاي كلاس اول
فهرست جدول ها
عنوان صفحه
جدول 3-1 – انواع ويژگيهاي استفاده شده در پردازش سيگنال
جدول 4-1 – مقدار توابع والش و خروجي اين تابع
جدول 6-1-نرخ تشخيص طبقه بندي كننده SVM و نزديكترين همسايه براي دو مجموعه داده بر اساس ويژگيهاي تبديل والش
جدول 6-2-نرخ تشخيص طبقه بندي كننده SVM و نزديكترين همسايه براي دو مجموعه داده بر اساس ويژگي هاي تبديل فوريه
جدول 6-3-نرخ تشخيص طبقهبندي كننده SVM و نزديكترين همسايه براي دو مجموعه داده بر اساس ويژگيهاي تبديل موجك
جدول 6-4- نتايج دستهبندي بر اساس ويژگيهاي سه روش
جدول 6-5- مقايسه متوسط زمان اجراي تبديل والش ، تبدل فوريه و تبديل موجك
جدول 6-6- مقايسه متوسط زمان اجراي روش پيشنهادي با نفر اول مسابقات BCI و تبدل فوريه و تبديل موجك
جدول 6-7- مقايسه نرخ تشخيص روش پيشنهادي با 4 نفر اول مسابقات BCI