تشخیص انواع نویز در قطعههای EEG تک کاناله با شبکه عصبی عمیق

نوارهای مغزی گردآوری شده از مغز انسان اغلب به نویزهای خاصی آلوده هستند. این نویزها می توانند در قالب نویزهای عضالنی یا چشمی در کانال های EEG قرار گیرند و شناسایی آنها توسط کاربر دشوار باشد. در برخی از روشهای کاهش نویز، ابتدا منبع نویز شناسایی شده، سپس تکنیک مناسب برای کاهش نویز اعمال میشود. ما در این مقاله با استفاده از روش یادگیری ماشین، بر روی قطعههای ۲ ثانیهای از کانال های EEG پردازش انجام میدهیم تا امکان تشخیص بر خط نویز و طبقه بندی آنها فراهم گردد. همچنین با استفاده از ویژگیهای زمانی همچون تبدیل موجک و ویژگیهای حوزه فوریه مانند طیف چگالی توان فرایند استخراج ویژگی را انجام می دهیم. پس از آن، با هدف کاهش ابعاد ویژگیها و مستقل کردن آنها، از روش تحلیل مولفههای اصلی و مولفههای مستقل استفاده میکنیم. در ادامه، شبکه چند لایه پرسپترونی طراحی شده که میتواند هر یک از قطعههای سیگنال را در سه گروه قطعه تمیز، قطعه آغشته به نویز چشمی یا قطعه آغشته به نویز عضالنی طبقه بندی کند. شبکه پس از عبور دادن ویژگیها از چندین لایه تمام متصل و اتمام مرحله آموزش، در مرحله آزمون می تواند به ازای نسبت سیگنال به نویزهای کم، تقریبا بدون خطا و با دقت ۹۹% طبق بندی را انجام دهد و این عملکرد را به ازای نویزهای خفیف تر و نسبت سیگنال به نویزهای باالتر از dB۱-، با دقت باالی۹۰% تا نسبت سیگنال به نویز ۴ حفظ کند.

کلیدواژه ها:

الکتروانسفالوگرافی ، طبقهبندی ، نویز چشمی ، نویز عضالنی ، شبکه عصبی عمیق ، تبدیل موجک ، تحلیل مولفههای مستقل