استخراج ویژگی مناسب برای تشخیص حرکات ارادی از روی سیگنال EEG
الموضوعات :
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
الکلمات المفتاحية: سیگنال‌های EEG, حرکات ارادی, استخراج ویژگی, تشخیص سیگنال‌های مغزی, تبدیل والش, آنتروپی سیگنال,
ملخص المقالة :
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.
[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.
