ورود
مقالات فارسیISIکنفرانسهاژورنالها

طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI BCI

محل انتشار: فصلنامه علوم و فناوری های پدافند نوین، دوره: 14، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 119

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/2024372

شناسه ملی سند علمی:

JR_ADST-14-3_001

تاریخ نمایه سازی: 19 تیر 1403

چکیده مقاله:

رابط مغز و کامپیوتر (BCI) مبتنی بر تخیل حرکتی (MI) به عنوان یک روش موثر برای برقراری ارتباط مستقیم بین مغز و دستگاه های الکترونیکی خارجی ارائه شده است. مسئله اصلی در سیستم­های BCI تبدیل سیگنال­های تولید شده در مغز به دستورات قابل اعتماد برای کنترل دستگاه­های الکترونیکی است. سیگنال الکتروانسفالوگرافی (EEG) پرکاربردترین سیگنال در پژوهش­های مرتبط با BCI است. اخیرا ترکیب با برخی سیگنال­های حیاتی دیگر نظیر طیف­سنجی نزدیک مادون قرمز (NIRS) برای افزایش کار آیی سیستم­های BCI مورد توجه قرار گرفته است. مهم­ترین چالش در سیستم­های BCI با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگی­های سیگنال­های مختلف است. برای این منظور، در این مقاله ابتدا سیگنال­های EEG و اجزای NIRS، شامل HbO و HbR، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکه­های عصبی کانولوشنی یک­بعدی، ویژگی­های عمیق از هر زیرباند استخراج شده و با هم ادغام می­شوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه وتحلیل اجزای اصلی با هسته (KPCA)، ویژگی­های غیرمفید را حذف کرده و ویژگی­های باقیمانده با استفاده از بردار پشتیبان ماشین طبقه­بندی می­شوند. نتایج نشان می­­دهند روش پیشنهادی دقت بالایی دارد و روش­های ارائه­شده اخیر را بهبود می­دهد.

کلیدواژه ها:

الکتروانسفالوگرافی ، شبکه عصبی کانولوشنی ، طیف سنجی نزدیک مادون قرمز ، کاهش ویژگی ، واسط مغز و کامپیوتر

نویسندگان

اکبر اصغرزاده بناب

استادیار، دانشگاه فرماندهی و ستاد آجا، تهران، ایران

امیر حاتمیان

دانشجوی دکتری ، دانشگاه ارومیه، ارومیه، ایران

مهدی اوریا

استادیار، دانشگاه فرماندهی و ستاد آجا، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Khare, S. K.; Bajaj, V. “A Facile and Flexible Motor ...
  • Ang, K.K.; Chin, Z.Y.; Zhang, H.; Guan, C. “Filter Bank ...
  • Zhang, R.; Li, Y.; Yan, Y.; Zhang, H.; Wu, S.; ...
  • Wang, H.; Dong, X.; Chen, Z.; Shi, B. E. “Hybrid ...
  • Paszkiel, S. “Using BCI Technology for Controlling a Mobile Vehicle”; ...
  • LaFleur, K.; Cassady, K.; Doud, A.; Shades, K.; Rogin, E.; ...
  • Schirrmeister, R.T.; Springenberg, J.T.; Fiederer, L.D.J., Glasstetter, M.; Eggensperger, K.; ...
  • Sawangjai, P.; Hompoonsup, S.; Leelaarporn, P.; Kongwudhikunakorn, S.; Wilaiprasitporn, T. ...
  • Ergün, E.; Aydemir, Ö. “A Hybrid BCI Using Singular Value ...
  • Ghonchi, H.; Fateh, M.; Abolghasemi, V.; Ferdowsi, S.; Rezvani, M. ...
  • Chae, Y.; Jeong, J.; Jo, S. “Toward Brain-Actuated Humanoid Robots: ...
  • Li, Y.; Li, X.; Ratcliffe, M.; Liu, L.; Qi, Y.; ...
  • Alazrai, A.; Alwanni, H.; Daoud, M. I. “EEG-Based BCI System ...
  • Mondini, V.; Mangia, A. L.; Cappello, A. “EEG-Based BCI System ...
  • Arvaneh, M.; Guan, C.; Ang, K.; Quek, C. “Optimizing the ...
  • Gaur, P.; Pachori, R. B.; Wang, H.; Prasad, G. “A ...
  • Paszkiel, S. “Using Neural Networks for Classification of the Changes ...
  • Pan, J.; Li, Y.; Wang, J. “An EEG-Based Brain-Computer Interface ...
  • Tan, C.; Sun, F.; Zhang, W. “Deep Transfer Learning for ...
  • Fahimi, F.; Zhang, Z.; Goh, W. B.; Lee, T. -S.; ...
  • Mousavi, H.; Shahrokh-Abadi, M. H.; Tavakkoli, H. “Classification of Brain ...
  • Borgheai, S. B.; McLinden, J.; Zisk, A. H.; Hosni, S. ...
  • Bauernfeind, G.; Steyrl, D.; Brunner, C.; Müller-Putz, G.R. “Single Trial ...
  • Zhang, S.; Zheng, Y.; Wang, D.; Wang, L.; Ma, J.; ...
  • Erdoĝan, S. B.; Özsarfati, E.; Dilek, B.; Kadak, S.L.; Hanoĝlu, ...
  • Noori, F. M.; Naseer, N.; Qureshi, N. K.; Nazeer, H.; ...
  • Trakoolwilaiwan, T.; Behboodi, B.; Lee, J.; Kim, K.; Choi, J.-W. ...
  • Chhabra, H.; Shajil, N.; Venkatasubramanian, G.; “Investigation of Deep Convolutional ...
  • Fazli, S.; Mehnert, J.; Steinbrink, J.; Curio, G.; Villringer, A.; ...
  • Liu, Y.; Ayaz, H.; Shewokis, P. A. “Multi-Subject Learning for ...
  • Firooz. S.; Setarehdan, S. K. “IQ Estimation by Means of ...
  • Kim, H. J.; Wang, I. N.; Kim, Y. T.; Kim, ...
  • Chiarelli, A. M.; Croce, P.; Merla, A.; Zappasodi, F. “Deep ...
  • Rahman, M.; Uddin, M. S.; Ahmad, M. “Modeling and Classification ...
  • Kwak, Y., Song; W.-J.; Kim, S. E. “FGANet: fNIRS-Guided Attention ...
  • Chen, J.; Wang, D.; Hu, B.; Yi, W.; Xu, M.; ...
  • Hosni, S. M. I.; Borgheai, S. B.; McLinden, J.; Zhu, ...
  • Shin, J.; von Lühmann, A.; Blankertz, B.; Kim, D.W.; Jeong, ...
  • Khan, M. J.; Hong, K. S. “Hybrid EEG–fNIRS-Based Eight-Command Decoding ...
  • Yang, J.; Yao, S.; Wang, J. “Deep Fusion Feature Learning ...
  • Zeng, H.; Yang, C.; Dai, G.; Qin, F.; Zhang, J.; ...
  • Zhang, D.; Yao, L.; Zhang, X.; Wang, S.; Chen, W.; ...
  • Ho, T. K. K.; Gwak, J.; Park, C. M.; Khare, ...
    • نمایش کامل مراجع