استخراج ويژگي‌هاي مربوط به حركات مختلف دست و پا و كاربرد آن در فناوري رابط مغز-رايانه

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

در دنياي امروز مشكلات و بيماري‌هاي عصبي كه منجر به عدم حركت شخص مي‌شود با كمك فناوري ارتباط مغز و رايانه تا حدود زيادي قابل حل مي‌باشد. اين فناوري با تجزيه و تحليل سيگنال‌هاي مغزي تصميمات حركتي افراد را پيش‌بيني مي‌كند و آن‌ها را به ربات ارسال مي‌كند. روش‌ تجزيه مد تجربي گروهي (EEMD) روشي است كه داده‌هاي ورودي را به توابع حالت ذات (IMF) تبديل مي‌كند. همچنين روش‌هاي تحليل مولفه‌هاي غيرمستقل (ICA) و تحليل مولفه‌هاي همبستگي (CCA) از مرسوم‌ترين و سريع‌ترين روش‌هاي تحليل كور منابع يك سيگنال است. در اين پژوهش، روش sEEMD-ICA-CCA كه روشي تلفيقي و سه مرحله¬اي براي پيش¬پردازش اطلاعات مي¬باشد، استفاده مي¬گردد. در اين روش ابتدا داده¬ها طبق الگوريتم سريال‌سازي از شكل داده‌اي با چند كانال به يك بردار تغيير شكل مي‌دهد سپس اين بردار با الگوريتم EEMD به مجموعي از توابع حالت ذات تبديل مي¬شود و سپس توابع حالت ذاتي كه از ضريب همبستگي كمتري برخوردار هستند از الگوريتم ICA عبور مي¬كنند و كور منابع موجود درآن شناسايي و منابع نامناسب حذف مي¬شوند. در مرحله بعد، بردار وارد الگوريتم CCA مي¬شود و به كمك اين روش نيز توابع حالت ذاتي كه از مرحله قبل عبور كرده بودند، براساس ضريب خودهمبستگي دسته¬بندي مي¬شود و دسته¬اي كه همبستگي كمتر نسبت به بقيه توابع حالت ذات را دارد، به عنوان آرتيفكت شناسايي و حذف مي¬شوند. اين توابع حالت ذات كه نويززدايي شدند دوباره باهم جمع شده و داده‌هاي تميز جديد ساخته مي‌شود. انرژي اين داده‌ها محاسبه مي‌شود و با توجه به تغييرات انرژي در هر كانال داده و هر الكترود ويژگي‌هايي استخراج مي‌شود كه با مقايسه آن‌ها با يكديگر حركات مختلف بدن در هر فرد شناسايي مي‌شود. براي ارزيابي ميزان دقت اين روش از 3 دسته داده مختلف استفاده مي¬شود. دسته اول، داده¬هاي ساختگي با 31 كانال، دسته دوم داده¬هاي موجود در درگاه اينترنتي رقابت¬هاي BCI با 5 مخاطب و داده¬هاي دو رده‌اي و دسته سوم 6 سري آزمون عملي با حركت مختلف دست و پا از 40 نمونه (15زن و 25 مرد) مي¬باشد. عملكرد الگوريتم پيش¬پردازش در داده¬هاي مصنوعي و داده¬هاي رقابت¬هاي BCI با معيار RRMSE ارزيابي شد. با افزايش مقدار SNR در انواع داده¬ها، RRMSE كاهش يافت و تا عدد 3/0 نيز رسيد كه عملكرد خوبي را از خود نشان داد. سپس داده¬هاي رقابت¬هاي BCI و داده¬هاي تجربي بدست آمده بعد از پيش¬پردازش با روش مورد¬نظر، در الگوريتم رده¬بندي و يادگيري ماشين قرار گرفتند و دسته¬بندي صورت گرفت و حركت موردنظر در هنگام انجام آزمون برچسب¬گذاري و تخمين زده شد. اين برچسب¬ها كه نتيجه تخمين الگوريتم BCI كامل است، به عنوان يك دستور كنترلي از پيش تعريف شده براي ربات معرفي مي-شود و ربات حركت موردنظر را انجام مي¬دهد. اين الگوريتم نيز با وجود اضافه كردن نويز دقت حدود 70 درصد را در داده¬هاي آزمون ارائه داد.

228214

طراحي كاربردي

مهندسي مكانيك

دانشگاه صنعتي اصفهان