استخراج ویژگی مناسب برای تشخیص حرکات ارادی از روی سیگنال EEG

محورهای موضوعی : مهندسی پزشکی- بیوالکتریک

پرستو غفورپور ¹ , رضا غفوری ^{2 *} , امید مهدی یار ³

1 - دانشکده برق وکامپیوتر،واحد کازرون،دانشگاه آزاد اسلامی،کازرون،ایران
2 - دانشکده برق و کامپیوتر، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ايران
3 - دانشکده برق و کامپیوتر، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

تاریخ دریافت : 1403/10/29 تاریخ پذیرش : 1403/12/27 تاریخ انتشار : 1403/12/29

کلید واژه: سیگنال‌های EEG, حرکات ارادی, استخراج ویژگی, تشخیص سیگنال‌های مغزی, تبدیل والش, آنتروپی سیگنال,

چکیده مقاله :

این تحقیق به استخراج ویژگی‌های مناسب برای تشخیص حرکات ارادی از روی سیگنال‌های EEG می‌پردازد. برای این منظور، روشی در سه مرحله اصلی ارائه شده است: حذف نویز، استخراج ویژگی و دسته‌بندی. در گام اول، سیگنال‌های مغزی با استفاده از چهار روش از نویز دستگاه ثبت پاک‌سازی شدند. این چهار روش شامل دو تکنیک کلاسیک تحلیل مؤلفه‌های مستقل - ICA  و تبدیل موجک و دو روش جدیدتر تبدیل والش و ترکیب والش با ICA بودند. عملکرد این روش‌ها با سه معیار نسبت سیگنال به نویز (SNR)، میانگین مربع خطا (MSE) و جذر میانگین تفاضل مربعات درصدی (PRD) ارزیابی شد. نتایج نشان داد که روش‌های ترکیبی والش و ICA و همچنین تبدیل والش به تنهایی، با ارائه بالاترین مقدار SNR و کمترین مقادیر MSE و PRD، عملکرد بهتری نسبت به سایر روش‌ها داشتند. در مرحله استخراج ویژگی، بردارهایی متشکل از ۲۲ مؤلفه برای کانال‌های مختلف و کل سیگنال محاسبه شد. این مؤلفه‌ها شامل آنتروپی و توان تبدیل والش بودند. همچنین، برای مقایسه، ویژگی‌های مشابهی با استفاده از تبدیل موجک و فوریه نیز استخراج گردید. در نهایت، دسته‌بندی داده‌ها با دو روش ماشین بردار پشتیبان (SVM) و نزدیک‌ترین همسایه (KNN) انجام شد. نتایج نشان می‌دهد که ویژگی‌های مبتنی بر تبدیل والش، بهترین نرخ تشخیص را ارائه داده‌اند. دقت دسته‌بندی با SVM  معادل ۴۲.۵% و با KNN برابر با ۳۹.۰% به دست آمد. همچنین، ارزیابی با داده‌های مسابقات چهارم BCI نشان داد که روش پیشنهادی، به جز در یک مورد، نسبت به سایر روش‌ها برتری داشته و از نظر زمان آموزش و تست نیز عملکرد بسیار مطلوبی دارد. به طوری که زمان پردازش آن به طور میانگین ۵۲ ثانیه است که به مراتب کمتر از روش‌های مقایسه‌ای (۴۰۳ و ۶۴۰ ثانیه) می‌باشد.

چکیده انگلیسی:

This research focuses on extracting suitable features for detecting voluntary movements from EEG signals. To achieve this, a method with three main stages was proposed: noise removal, feature extraction, and classification. In the first step, brain signals were cleaned of recording device noise using four methods. These included two classic techniques (Independent Component Analysis - ICA and Wavelet Transform) and two newer approaches (Walsh Transform and a combination of Walsh Transform with ICA). The performance of these methods was evaluated using three criteria: Signal-to-Noise Ratio (SNR), Mean Squared Error (MSE), and Percentage Root Mean Square Difference (PRD). The results showed that the combined Walsh and ICA method, as well as the Walsh Transform alone, performed better than other methods by yielding the highest SNR values and the lowest MSE and PRD values. In the feature extraction stage, vectors consisting of 22 components were calculated for various channels and the entire signal. These components included entropy and power from Walsh Transform. For comparison, similar features were also extracted using the Wavelet and Fourier Transforms. Finally, data classification was performed using two methods: Support Vector Machine (SVM) and K-Nearest Neighbors (KNN). The results indicate that Walsh Transform-based features provided the best detection rates. The classification accuracy was 42.5% with SVM and 39.0% with KNN. Furthermore, evaluation with BCI Competition IV data showed that the proposed method, except in one instance, outperformed other approaches and demonstrated excellent performance in terms of training and testing time. Its average processing time was 52 seconds, which is considerably less than the comparative methods (403 and 640 seconds).

منابع و مأخذ:

[1] R. G. Babu, P. Karthika, K. Elangovan, “Performance analysis for image security using SVM and ANN classification techniques”, in Proc. 3rd Int. Conf. Electron., Commun. Aerosp. Technol. (ICECA), pp. 460–466, 2019.
[2] A. Swetapadma, A. Yadav, A. Y. Abdelaziz, “Intelligent schemes for fault classification in mutually coupled series-compensated parallel transmission lines”, Neural Comput. Appl., vol. 32, no. 11, pp. 6939–6956, 2020.
[3] BCI Competition IV - Dataset Results. Available at: http://www.bbci.de/competition/iv/, Accessed: May 5, 2025.
[4] A. Hyvarinen, J. Karhunen, E. Oja, Independent Component Analysis - Theory and Applications. New York, NY, USA: Springer, 2010.
[5] G. Baghdadi, F. Hadaeghi, C. Kamarajan, “Multimodal approaches to investigating neural dynamics in cognition and related clinical conditions: Integrating EEG, MEG, and fMRI data”, Front. Syst. Neurosci., vol. 19, pp. 149–158, 2025.
[6] S. A. Hosseini, M. Houshmand, “Analysis of the EEG Signal Using Higher-Order Spectra (HOS) in the Neuro-marketing Application”, New Marketing Research Journal, vol. 12, no. 1, pp. 25–42, 2022.
[7] S. A. Othman, K. M. Omar, “An enhanced shrinkage function for denoising economic time series data using wavelet analysis”, Sci. J. Univ. Zakho, vol. 12, no. 1, pp. 138–143, 2024.
[8] N. Boukhennoufa, Y. Laamari, R. Benzid, “Signal denoising using a low computational translation-invariant-like strategy involving multiple wavelet bases: Application to synthetic and ECG signals”, Metrol. Meas. Syst., pp. 259–278, 2024.
[9] S. M. Najeeb, H. T. Al Rikabi, S. M. Ali, “Finding the discriminative frequencies of motor electroencephalography signal using genetic algorithm”, TELKOMNIKA (Telecommun. Comput. Electron. Control), vol. 19, no. 1, pp. 285–292, 2021.
[10] T. F. Zaidi, O. Farooq, “EEG sub-bands based sleep stages classification using Fourier Synchrosqueezed transform features”, Expert Syst. Appl., vol. 212, p. 118752, 2023.