| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 8941908 | 1645048 | 2019 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Spatio-temporal discrepancy feature for classification of motor imageries
ترجمه فارسی عنوان
ویژگی اختلاف فضایی-زمانی برای طبقه‌بندی تصورات حرکتی
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
واسط مغز و رایانه؛ تصور حرکتی؛ طبقه‌بندی، ERD؛ ERS؛ ERP
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1- مقدمه
2- ویژگی اختلاف فضایی-زمانی
2-1 سیگنال اختلاف فضایی-زمانی
2-2 تحلیل‌های سیگنال اختلاف فضایی-زمانی در مجموعه‌داده رقابت BCI (4)، 2ب
2-3 ویژگی اختلاف فضایی-زمانی
3- طرح طبقه‌بندی تصور حرکتی مبتنی بر STDF و ویژگی بسامد
3-1 استخراج ویژگی‌های بسامدی
شکل 1) سیگنال اختلاف فضایی-زمانی میانگین‌گیری‌شده D. محور افقی شاخص نقاط نمونه‌گیری (زمان) را نشان می‌دهد و محور عمودی دامنه سیگنال EEG را نشان می‌دهد. نشانه تصور حرکتی در نقطه نمونه‌برداری 0 ظاهر می‌شود.
شکل 2: p-value در آزمون نمونه به نمونه درباره هر یک از نقاط زمانی، شامل آزمودنی‌های 2، 3، 5، 6، 7. محور افقی شاخص نقاط نمونه‌برداری (زمان) و محور عمودی p-value متناظر با آزمون t. نشانه تصور حرکتی در نقطه نمونه‌برداری 0 ظاهر می‌شود.
شکل3: دیاگرام بلوکی طبقه‌بندی
3-2 طرح تحلیل‌ها
4- نتایج
4-1 مقایسه عملکرد رویکرد مبتنی بر STDF و رویکردهای مبتنی بر ERD/ERS
جدول 1. مقایسه عملکرد (بیشترین مقدار کاپا) با استفاده از ابعاد مختلف STDF با الگوریتم‌های پیشرفته (نتایج آزمودنی‌هایی که روش STDF درباره آنها عملکرد معنادار بدست آورده است، پر رنگ‌تر نشان داده شده است.)
4-2 مقایسه عملکرد STDF، ویژگی بسامدی و ویژگی ترکیبی
4-3 مقایسه عملکرد ویژگی ترکیبی و دیگر روش‌های پیشرفته
جدول 2. مقایسه عملکرد مجموعه‌داده رقابت BCI (4)، 2الف، (A01 تا A02) و مجموعه داده 2ب (B01 تا B02) با استفاده از ویژگی‌های مختلف (که با بیشترین مقدار کاپا ارزیابی می‌شود). «STDF»، «Welch»، «Burg» و «WPD» به‌ترتیب به معنای طبقه‌بندی‌کننده‌هایی هستند که از STDF، ویژگی‌های بسامدی استخراج‌شده با روش برآورد چگالی طیفی توان ولش، روش AR برگ و رویکرد مبتنی بر تجزیه بسته موجک استفاده می‌کنند. «Welch+STDF»، «Burg+STDF»، و «WPD+STDF» به‌ترتیب، ترکیب ویژگی‌های بسامدی مختلف با STDF را نشان می‌دهند.
جدول 3: ارزیابی معناداری آماری اختلاف عملکرد بین ویژگی‌های ترکیبی و ویژگی‌های بسامدی
جدول 4. مقایسه عملکرد رویکرد پیشنهادیِ ویژگی‌های ترکیبی WPD و STDF، رویکرد مبتنی بر دو طیف، رویکرد مبتنی بر HCRF، رویکرد مبتنی بر RQNN و سه روش برتر در مجموعه‌داده رقابت BCI (4)، 2ب، برحسب بیشترین مقدار کاپا. بیشترین مقدار کاپا در هر آزمودنی با اعداد پررنگ نشان داده شده است.
جدول 5:مقایسه عملکرد رویکرد پیشنهادی ویژگی ترکیبی WPD و STDF، رویکرد مبتنی بر دو طیف، رویکرد مبتنی بر HCRF، رویکرد مبتنی بر RQNN و سه روش برتر مجموعه‌داده رقابت BCI (4)، 2ب، برحسب دقت اوج (%). بیشترین مقدار دقت اوج در هر آزمودنی با اعداد پررنگ نشان داده شده است.
4-4 انتخاب پارامترها
4-5 مقایسه عملکرد جفت‌های کانال متفاوت در مجموعه‌داده رقابت BCI (4)، 2ب
جدول 6: ارزیابی معناداری آماری اختلاف بین عملکرد رویکرد پیشنهادی ویژگی ترکیبی WPD و STDF و دیگر رویکردها در مجموعه‌داده رقابت BCI (4)، 2ب.
جدول 7: نتایج اعتبارسنجی متقاطع (بیشترین مقدار کاپا) با استفاده از مرتبه متفاوت دستگاه خطی برای روش AR برگ.
جدول 8 عملکرد طبقه‌بندی در مجموعه‌داده رقابت BCI (4)، 2ب، با استفاده از ضرب‌کننده متفاوت C («محدودیت بسته») در MATLAB).
جدول 9. مقایسه عملکرد (بیشترین مقدار کاپا) در مجموعه‌داده رقابت BCI (4)، 2الف، با استفاده از جفت‌های کانال مختلف: FC3/FC4 و CP3/CP4. ویژگی‌های مبتنی بر تجزیه بسته موجک با STDF که بهترین عملکرد را در جدول 2 نشان می‌دهد، ترکیب می‌شود.
4-6 بحث
5- نتیجه‌گیری
کلمات کلیدی
1- مقدمه
2- ویژگی اختلاف فضایی-زمانی
2-1 سیگنال اختلاف فضایی-زمانی
2-2 تحلیل‌های سیگنال اختلاف فضایی-زمانی در مجموعه‌داده رقابت BCI (4)، 2ب
2-3 ویژگی اختلاف فضایی-زمانی
3- طرح طبقه‌بندی تصور حرکتی مبتنی بر STDF و ویژگی بسامد
3-1 استخراج ویژگی‌های بسامدی
شکل 1) سیگنال اختلاف فضایی-زمانی میانگین‌گیری‌شده D. محور افقی شاخص نقاط نمونه‌گیری (زمان) را نشان می‌دهد و محور عمودی دامنه سیگنال EEG را نشان می‌دهد. نشانه تصور حرکتی در نقطه نمونه‌برداری 0 ظاهر می‌شود.
شکل 2: p-value در آزمون نمونه به نمونه درباره هر یک از نقاط زمانی، شامل آزمودنی‌های 2، 3، 5، 6، 7. محور افقی شاخص نقاط نمونه‌برداری (زمان) و محور عمودی p-value متناظر با آزمون t. نشانه تصور حرکتی در نقطه نمونه‌برداری 0 ظاهر می‌شود.
شکل3: دیاگرام بلوکی طبقه‌بندی
3-2 طرح تحلیل‌ها
4- نتایج
4-1 مقایسه عملکرد رویکرد مبتنی بر STDF و رویکردهای مبتنی بر ERD/ERS
جدول 1. مقایسه عملکرد (بیشترین مقدار کاپا) با استفاده از ابعاد مختلف STDF با الگوریتم‌های پیشرفته (نتایج آزمودنی‌هایی که روش STDF درباره آنها عملکرد معنادار بدست آورده است، پر رنگ‌تر نشان داده شده است.)
4-2 مقایسه عملکرد STDF، ویژگی بسامدی و ویژگی ترکیبی
4-3 مقایسه عملکرد ویژگی ترکیبی و دیگر روش‌های پیشرفته
جدول 2. مقایسه عملکرد مجموعه‌داده رقابت BCI (4)، 2الف، (A01 تا A02) و مجموعه داده 2ب (B01 تا B02) با استفاده از ویژگی‌های مختلف (که با بیشترین مقدار کاپا ارزیابی می‌شود). «STDF»، «Welch»، «Burg» و «WPD» به‌ترتیب به معنای طبقه‌بندی‌کننده‌هایی هستند که از STDF، ویژگی‌های بسامدی استخراج‌شده با روش برآورد چگالی طیفی توان ولش، روش AR برگ و رویکرد مبتنی بر تجزیه بسته موجک استفاده می‌کنند. «Welch+STDF»، «Burg+STDF»، و «WPD+STDF» به‌ترتیب، ترکیب ویژگی‌های بسامدی مختلف با STDF را نشان می‌دهند.
جدول 3: ارزیابی معناداری آماری اختلاف عملکرد بین ویژگی‌های ترکیبی و ویژگی‌های بسامدی
جدول 4. مقایسه عملکرد رویکرد پیشنهادیِ ویژگی‌های ترکیبی WPD و STDF، رویکرد مبتنی بر دو طیف، رویکرد مبتنی بر HCRF، رویکرد مبتنی بر RQNN و سه روش برتر در مجموعه‌داده رقابت BCI (4)، 2ب، برحسب بیشترین مقدار کاپا. بیشترین مقدار کاپا در هر آزمودنی با اعداد پررنگ نشان داده شده است.
جدول 5:مقایسه عملکرد رویکرد پیشنهادی ویژگی ترکیبی WPD و STDF، رویکرد مبتنی بر دو طیف، رویکرد مبتنی بر HCRF، رویکرد مبتنی بر RQNN و سه روش برتر مجموعه‌داده رقابت BCI (4)، 2ب، برحسب دقت اوج (%). بیشترین مقدار دقت اوج در هر آزمودنی با اعداد پررنگ نشان داده شده است.
4-4 انتخاب پارامترها
4-5 مقایسه عملکرد جفت‌های کانال متفاوت در مجموعه‌داده رقابت BCI (4)، 2ب
جدول 6: ارزیابی معناداری آماری اختلاف بین عملکرد رویکرد پیشنهادی ویژگی ترکیبی WPD و STDF و دیگر رویکردها در مجموعه‌داده رقابت BCI (4)، 2ب.
جدول 7: نتایج اعتبارسنجی متقاطع (بیشترین مقدار کاپا) با استفاده از مرتبه متفاوت دستگاه خطی برای روش AR برگ.
جدول 8 عملکرد طبقه‌بندی در مجموعه‌داده رقابت BCI (4)، 2ب، با استفاده از ضرب‌کننده متفاوت C («محدودیت بسته») در MATLAB).
جدول 9. مقایسه عملکرد (بیشترین مقدار کاپا) در مجموعه‌داده رقابت BCI (4)، 2الف، با استفاده از جفت‌های کانال مختلف: FC3/FC4 و CP3/CP4. ویژگی‌های مبتنی بر تجزیه بسته موجک با STDF که بهترین عملکرد را در جدول 2 نشان می‌دهد، ترکیب می‌شود.
4-6 بحث
5- نتیجه‌گیری
ترجمه چکیده
واسط مغز-رایانه (BCI) مسیری جایگزین برای ارتباط بین مغز و جهان بیرون است. الکتروآنسفالوگرافی (EEG) سیگنال الکتریکی را ثبت می‌کند که می‌تواند حالت ذهنیِ مغز را نشان دهد. طبقه‌بندی تصور حرکتی مبتنی بر EEG گرایش مهمی از تحقیقات BCI است. ویژگی‌های مبتنی بر ERS (همگام‌سازی مرتبط با رویداد) و ERD (ناهمگام‌سازی مرتبط با رویداد) کاربرد گسترده‌ای برای طبقه‌بندی تصورات حرکتی داشته‌اند. در این میان، روش‌های گوناگونِ حاصل از ERP (پتانسیل مرتبط با رویداد) ابداع شده‌اند. مطالعات قبلی نشان داده‌اند که ERP و ERD می‌توانند درباره فعالیت مغز اطلاعات تکمیلی ارائه دهند، بنابراین، پیش‌بینی می‌شود که رویکرد ترکیبی‌شان عملکرد بهتری برای طبقه‌بندی تصور حرکتی داشته باشد. در این مطالعه، نوع جدیدی از ERP موسوم به ویژگی اختلاف فضایی-زمانی (STDF) پیشنهاد می‌شود، که تفاوت سیگنال‌های EEG حاصل از ناحیه حسی-حرکتی چپ و راستِ مغز را ارزیابی می‌کند. با STDF، می‌توان همزمان نویزی را که بر سیگنال ناحیه چپ مغز و سیگنال ناحیه راست مغز اثر می‌گذارد، متوقف کرد و می‌توان اختلاف سیگنال بین نواحی حسی-حرکتی چپ و راست را افزایش داد، که قطعاً به طبقه‌بندی تصور حرکتی در ناحیه چپ در برابر ناحیه راست کمک می‌کند. در نتیجه، برای بهبود بیشتر عملکرد، STDF به‌عنوان ویژگی زمانی به‌ترتیب با سه نوع ویژگی بسامدی توصیفگرِ پدیده ERD/ERS ترکیب می‌شود. آزمایش‌هایی در مجموعه‌داده (4) رقابت BCI، 2الف و 2ب، انجام شده‌اند. ویژگی‌های متفاوت و روش‌های پیشرفته مقایسه شده‌اند و روش پیشنهادیِ مبتنی بر STDF بهترین عملکرد را داشته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
پردازش سیگنال
چکیده انگلیسی
Brain-computer interface (BCI) is an alternative pathway for communication between the brain and the outside world. Electroencephalography (EEG) records electrical signal that can reveal the mental state of the brain. EEG-based motor imagery classification is an important branch of BCI research. ERS (event-related synchronization) and ERD (event-related desynchronization) based features have been widely employed to classify motor imageries. Meanwhile, various methods derived from ERP (event-related potential) have been developed. Previous studies have demonstrated that ERP and ERD could provide complementary information about brain activity, so approach combining them is expected to give better performance for motor imagery classification. In this study, a novel variant of ERP called spatio-temporal discrepancy feature (STDF) is proposed, which evaluates the difference of the EEG signals from the left and the right sensorimotor area. With STDF, the noise which affects the left brain signal and the right brain signal simultaneously could be suppressed and the signal difference between the left and the right sensorimotor areas could be enhanced, which will certainly benefit the left vs. right motor imagery classification. STDF as a temporal feature is then combined respectively with three kinds of frequency features describing the ERD/ERS phenomenon to further improve the classification performance. Experiments on BCI competition IV dataset 2a and 2b have been conducted. Different features and state-of-the-art methods have been compared and the proposed STDF based method has obtained the best performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biomedical Signal Processing and Control - Volume 47, January 2019, Pages 137-144
Journal: Biomedical Signal Processing and Control - Volume 47, January 2019, Pages 137-144
نویسندگان
Jing Luo, Zuren Feng, Na Lu,