چکيده در این پایاننامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنالهای مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنالها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگیها عمل دسته بندی انجام می شود.اولین پیش پردازش برای دسته بندی سیگنالهای مغزی حذف نویز از این سیگنالها میباشد. در این پایاننامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی میشود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز میشود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)(PRD) ارزیابی میشود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا میباشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد)است.بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنالها و دسته بندی آنهاپرداخته میشود. ویژگیهای استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال میباشد. برای ارزیابی کارایی این ویژگیها همین ویژگیها، نیز با استفاده از تبدیل موجک و فوریه استخراج میشوند و عمل دسته بندی بر اساس ویژگیهای استخراجی این سه روش به طور جداگانه انجام میشود. بعد از استخراج ویژگی، بر اساس ویژگیهای استخراجی، به دسته بندی سیگنالها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان میدهد که دسته بندی با استفاده از ویژگیهای استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگیهای دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5درصد و با روش نزدیکترین همسایه 39.0 درصد است.در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همهی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.کلمات کلیدی:تبدیل والش، سیگنالهای مغزی ، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD ليست مقالات مستخرج از پايان نامه [1]. Jamshid Pirgazi, Ali A. Pouyan “Using Walsh transform to Denoise EEG Signals”, In: The 19th Iranian Conference of Biomedical Engineering (ICBME2012), 2012, Accept Extend Abstract. . [2]جمشید پیرگزی ،علی اکبر پویان،"ترکیب تبدیل والش و آنالیز مولفه های مستقل به منظور حذف نویز از سیگنال های مغزی" ، کنفرانس مهندسی برق مجلسی ، مرداد 1391.[3]. جمشید پیرگزی ، علی اکبر پویان "استخراج ویژگی از سیگنال های مغزی با استفاده از تبدیل والش و آنتروپی"، پانزدهمین کنفرانس دانشجویی مهندسی برق ایران دانشگاه کاشان ، شهریور 1391. فهرستفصل اولمقدمه1-1-............................................................................................................. مقدمه11-2-............................................................................................... تاریخچه BCI41-3-......................................................................................... کاربردهای BCI71-4-............................................................................................. تعریف مساله71-5 -ساختار پایان نامه7فصل دومسیگنالهای مغزی2-1- مقدمه92-2- کشف سیگنالهای مغزی102-3- ثبت سیگنالهای مغزی112-4- پیش پردازشها روی سیگنالهای مغزی12فصل سوممروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی3-1- مقدمه163-2- معرفی دادههای موجود173-2-1- مشخصاتدادههايثبتشدهتوسطگروهدانشگاهColorado173-2-2- مشخصاتدادههايثبتشدهتوسطگروه Graz183-2-3- مشخصات دادههای MIT-BIH193-3- استخراج ویژگی203-4- دسته بندی23فصل چهارممقایسه تحلیلی تبدیل فوریه ، موجک و والش 4-1- مقدمه254-2- تبدیل فوریه254-3- تبدیل موجک304-3-1- مقیاس.324-4- تاریخچه تبدیل والش354-4-1- توابع والش354-4-2- تبدیل والش36فصل پنجمتوصیف روش پیشنهادی5-1- مقدمه405-2- پایگاه داده مورد استفاده405-3- حذف نویز425-3-1- آنالیز مولفههای مستقل435-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل445-3-3- حذف نویز با استفاده از تبدیل موجک465-3-4- حذف نویز با استفاده از تبدیل والش475-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA505-4- استخراج ویژگی515-4-1- آنتروپی525-4-2- استخراج ویژگی با استفاده از تبدل والش535-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک535-5- ماشین بردار پشتیبان (Support Vector Machin)545-5-1- ابر صفحه جداساز555-5-2- جداسازی غیر خطی58فصل ششمنتایج و نتیجه گیری6-1- مقدمه606-2- حذف نویز616-3- معیارهای ارزیابی656-3-1- نسبت سیگنال به نویز (Signal to Noise Rate)656-3-2- میانگین مربع خطا (Mean Square Error)666-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)676-4- استخراج ویژگی686-4-1- ویژگیهای تبدیل والش696-4-2- ویژگیهای تبدیل فوریه726-4-3- ویژگیهای تبدیل موجک766-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده806-6- نتیجه گیری836-7- پیشنهاد ها85منابع:...86 فهرست شکل هاعنوانصفحه شکل 1-1 - واحد های پردازشی و دسته بندی در یک سیستم BCI4شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 2012شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی13شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز27شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4))28شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز28شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4)29شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک32شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی34شکل 4-7- تبدیل موجک در یک مقیاس خاص34شکل 4-8-تابع والش برای n=836شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده42شکل 5-2- سیگنالهای گرفته شده توسط هر کانال45شکل 5-3- مولفههای بدست آمده توسط ICA45شکل 5-4- تبدیل والش از کانال های سیگنال49شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز49شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز51شکل 5- 7– صفحه های جداساز و بردارهای پشتیبان56شکل 5- 8 - صفحه جداساز و نواحی مربوط به هر کلاس57شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها59شکل 6-1- سیگنال اصلی و سیگنال دارای نویز63شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک64شکل 6-3- نسبت سیگنال به نویز ده سیگنال66شکل 6-4- میانگین مربع خطا برای ده سیگنال67شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال68شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول70شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول71شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول74شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول77 فهرست جدول هاجدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال22جدول 4-1 - مقدار توابع والش و خروجی این تابع39جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش73جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه75جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک79جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش79جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک79جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک81جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI82 فصل اول 1-1-مقدمهتعامل انسان با کامپیوتر (HCI)[1] امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق میافتد. که شامل نرمافزار و سختافزار است. یک تعریف دقیق آن چنین است:علم تعامل کامپیوتر و انسان یک رشته مرتبط با طراحی ارزیابی و پیاده سازی سیستمهای محاسباتی متقابل برای استفاده انسان در مطالعه پدیدههای مهم پیرامون اوست. این رشته شاخههایی از هر دو طرف درگیر را شامل میشود مثلا گرافیک کامپیوتری، سیتمهای عامل، زبانهایی برنامه نویسی، تئوری ارتباطات و طراحی صنعتی برای قسمت کامپیوتری زبانشناسی، روانشناسی و کارایی انسان برای قسمت انسانی آن. این رشته به شاخه های زیادی تقسیم میشود که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] است.مغز انسان توانايي انتشار امواجي الكتريكي و مغناطيسي را دارد كه مي توان با ثبت آنها علاوه بر كاربردهاي پردازشي به تشخيص برخي بيماريها و حتي برقراري ارتباط بهصورت تلپاتي پرداخت. يكي از روشهاي ثبت اين سيگنالها EEG)) [3]ميباشد.سیگنالهای الکتریکی مغزی را اولین بار دکتر هانس برگر[4] در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنالها تلاش انسان برای استفاده از این سیگنالها برای کاربردهای مختلف شروع شد. اکنون بیشترین استفادههای که از این سیگنالهای میشود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنالها، به خاطر آشفته بودن و نویزی بودن این سیگنالها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.در اوایل کشف سیگنالهای مغزی به دلیل نبودن دستگاههای ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفتهای که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزارهای مناسب جهت ثبت سیگنالهای مغزی این ارتباط دور از دسترس نیست. امروزه BCI علمی است که این ارتباط را برقرار می کند.واسط مغز و رایانه از مجموعهای از سنسورها و اجزای پردازش سیگنال تشکیل میشود که فعالیت مغزی فرد را مستقیما به یک سری سیگنالهای ارتباطی یا کنترلی تبدیل میکند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاههای ثبت امواج مغزی ثبت کرد که معمولا به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، از EEG برای ثبت امواج مغزی استفاده میشود. الکترودهای EEG در سطح پوست سر قرار میگیرند و میدان الکتریکی حاصل از فعالیت نورونها[5] راه اندازهگیری میکنند. در مرحله بعد این امواج بررسی شده و ویژگیهای مورد نظر استخراج میشود و از روی این ویژگیها میتوان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحدهای پردازشی سیستم BCI را میبینیم.با توجه به پایین بودن نسبت سیگنال به نویز در این سیستم ابتدا یک پیش پردازش و عملیات حذف نویز بر روی این سیگنال ها انجام میشود. مرحله بعد مرحله استخراج ویژگی است که در فصلهای بعد در مورد انواع ویژگیها و روش های استخراج ویژگی صحبت میکنیم در نهایت با استفاده از ویژگیهای استخراج شده عمل دستهبندی را انجام میدهیم.
استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG
چکيده در این پایاننامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنالهای مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنالها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگیها عمل دسته بندی انجام می شود.اولین پیش پردازش برای دسته بندی سیگنالهای مغزی حذف نویز از این سیگنالها میباشد. در این پایاننامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی میشود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز میشود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)(PRD) ارزیابی میشود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا میباشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد)است.بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنالها و دسته بندی آنهاپرداخته میشود. ویژگیهای استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال میباشد. برای ارزیابی کارایی این ویژگیها همین ویژگیها، نیز با استفاده از تبدیل موجک و فوریه استخراج میشوند و عمل دسته بندی بر اساس ویژگیهای استخراجی این سه روش به طور جداگانه انجام میشود. بعد از استخراج ویژگی، بر اساس ویژگیهای استخراجی، به دسته بندی سیگنالها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان میدهد که دسته بندی با استفاده از ویژگیهای استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگیهای دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5درصد و با روش نزدیکترین همسایه 39.0 درصد است.در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همهی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.کلمات کلیدی:تبدیل والش، سیگنالهای مغزی ، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD ليست مقالات مستخرج از پايان نامه [1]. Jamshid Pirgazi, Ali A. Pouyan “Using Walsh transform to Denoise EEG Signals”, In: The 19th Iranian Conference of Biomedical Engineering (ICBME2012), 2012, Accept Extend Abstract. . [2]جمشید پیرگزی ،علی اکبر پویان،"ترکیب تبدیل والش و آنالیز مولفه های مستقل به منظور حذف نویز از سیگنال های مغزی" ، کنفرانس مهندسی برق مجلسی ، مرداد 1391.[3]. جمشید پیرگزی ، علی اکبر پویان "استخراج ویژگی از سیگنال های مغزی با استفاده از تبدیل والش و آنتروپی"، پانزدهمین کنفرانس دانشجویی مهندسی برق ایران دانشگاه کاشان ، شهریور 1391. فهرستفصل اولمقدمه1-1-............................................................................................................. مقدمه11-2-............................................................................................... تاریخچه BCI41-3-......................................................................................... کاربردهای BCI71-4-............................................................................................. تعریف مساله71-5 -ساختار پایان نامه7فصل دومسیگنالهای مغزی2-1- مقدمه92-2- کشف سیگنالهای مغزی102-3- ثبت سیگنالهای مغزی112-4- پیش پردازشها روی سیگنالهای مغزی12فصل سوممروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی3-1- مقدمه163-2- معرفی دادههای موجود173-2-1- مشخصاتدادههايثبتشدهتوسطگروهدانشگاهColorado173-2-2- مشخصاتدادههايثبتشدهتوسطگروه Graz183-2-3- مشخصات دادههای MIT-BIH193-3- استخراج ویژگی203-4- دسته بندی23فصل چهارممقایسه تحلیلی تبدیل فوریه ، موجک و والش 4-1- مقدمه254-2- تبدیل فوریه254-3- تبدیل موجک304-3-1- مقیاس.324-4- تاریخچه تبدیل والش354-4-1- توابع والش354-4-2- تبدیل والش36فصل پنجمتوصیف روش پیشنهادی5-1- مقدمه405-2- پایگاه داده مورد استفاده405-3- حذف نویز425-3-1- آنالیز مولفههای مستقل435-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل445-3-3- حذف نویز با استفاده از تبدیل موجک465-3-4- حذف نویز با استفاده از تبدیل والش475-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA505-4- استخراج ویژگی515-4-1- آنتروپی525-4-2- استخراج ویژگی با استفاده از تبدل والش535-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک535-5- ماشین بردار پشتیبان (Support Vector Machin)545-5-1- ابر صفحه جداساز555-5-2- جداسازی غیر خطی58فصل ششمنتایج و نتیجه گیری6-1- مقدمه606-2- حذف نویز616-3- معیارهای ارزیابی656-3-1- نسبت سیگنال به نویز (Signal to Noise Rate)656-3-2- میانگین مربع خطا (Mean Square Error)666-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)676-4- استخراج ویژگی686-4-1- ویژگیهای تبدیل والش696-4-2- ویژگیهای تبدیل فوریه726-4-3- ویژگیهای تبدیل موجک766-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده806-6- نتیجه گیری836-7- پیشنهاد ها85منابع:...86 فهرست شکل هاعنوانصفحه شکل 1-1 - واحد های پردازشی و دسته بندی در یک سیستم BCI4شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 2012شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی13شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز27شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4))28شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز28شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4)29شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک32شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی34شکل 4-7- تبدیل موجک در یک مقیاس خاص34شکل 4-8-تابع والش برای n=836شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده42شکل 5-2- سیگنالهای گرفته شده توسط هر کانال45شکل 5-3- مولفههای بدست آمده توسط ICA45شکل 5-4- تبدیل والش از کانال های سیگنال49شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز49شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز51شکل 5- 7– صفحه های جداساز و بردارهای پشتیبان56شکل 5- 8 - صفحه جداساز و نواحی مربوط به هر کلاس57شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها59شکل 6-1- سیگنال اصلی و سیگنال دارای نویز63شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک64شکل 6-3- نسبت سیگنال به نویز ده سیگنال66شکل 6-4- میانگین مربع خطا برای ده سیگنال67شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال68شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول70شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول71شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول74شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول77 فهرست جدول هاجدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال22جدول 4-1 - مقدار توابع والش و خروجی این تابع39جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش73جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه75جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک79جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش79جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک79جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک81جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI82 فصل اول 1-1-مقدمهتعامل انسان با کامپیوتر (HCI)[1] امروزه کاربردهای گسترده ای دارد. این رشته علم بررسی تعامل کامپیوتر و انسان است. در واقع این علم نقطه تقاطع دانش کامپیوتر، علوم رفتارشناسی طراحی و چند علم دیگر است. ارتباط و تعامل کامپیوتر وانسان از طریق واسط اتفاق میافتد. که شامل نرمافزار و سختافزار است. یک تعریف دقیق آن چنین است:علم تعامل کامپیوتر و انسان یک رشته مرتبط با طراحی ارزیابی و پیاده سازی سیستمهای محاسباتی متقابل برای استفاده انسان در مطالعه پدیدههای مهم پیرامون اوست. این رشته شاخههایی از هر دو طرف درگیر را شامل میشود مثلا گرافیک کامپیوتری، سیتمهای عامل، زبانهایی برنامه نویسی، تئوری ارتباطات و طراحی صنعتی برای قسمت کامپیوتری زبانشناسی، روانشناسی و کارایی انسان برای قسمت انسانی آن. این رشته به شاخه های زیادی تقسیم میشود که یکی از آنها واسط مغز و کامپیوتر(BCI)[2] است.مغز انسان توانايي انتشار امواجي الكتريكي و مغناطيسي را دارد كه مي توان با ثبت آنها علاوه بر كاربردهاي پردازشي به تشخيص برخي بيماريها و حتي برقراري ارتباط بهصورت تلپاتي پرداخت. يكي از روشهاي ثبت اين سيگنالها EEG)) [3]ميباشد.سیگنالهای الکتریکی مغزی را اولین بار دکتر هانس برگر[4] در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنالها تلاش انسان برای استفاده از این سیگنالها برای کاربردهای مختلف شروع شد. اکنون بیشترین استفادههای که از این سیگنالهای میشود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنالها، به خاطر آشفته بودن و نویزی بودن این سیگنالها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.در اوایل کشف سیگنالهای مغزی به دلیل نبودن دستگاههای ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفتهای که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزارهای مناسب جهت ثبت سیگنالهای مغزی این ارتباط دور از دسترس نیست. امروزه BCI علمی است که این ارتباط را برقرار می کند.واسط مغز و رایانه از مجموعهای از سنسورها و اجزای پردازش سیگنال تشکیل میشود که فعالیت مغزی فرد را مستقیما به یک سری سیگنالهای ارتباطی یا کنترلی تبدیل میکند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاههای ثبت امواج مغزی ثبت کرد که معمولا به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، از EEG برای ثبت امواج مغزی استفاده میشود. الکترودهای EEG در سطح پوست سر قرار میگیرند و میدان الکتریکی حاصل از فعالیت نورونها[5] راه اندازهگیری میکنند. در مرحله بعد این امواج بررسی شده و ویژگیهای مورد نظر استخراج میشود و از روی این ویژگیها میتوان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحدهای پردازشی سیستم BCI را میبینیم.با توجه به پایین بودن نسبت سیگنال به نویز در این سیستم ابتدا یک پیش پردازش و عملیات حذف نویز بر روی این سیگنال ها انجام میشود. مرحله بعد مرحله استخراج ویژگی است که در فصلهای بعد در مورد انواع ویژگیها و روش های استخراج ویژگی صحبت میکنیم در نهایت با استفاده از ویژگیهای استخراج شده عمل دستهبندی را انجام میدهیم.