نمونه پایاننامه هوش مصنوعی
فصل اول
مقدمه
1-1- مقدمه 1
1-2- تاریخچه BCI 4
1-3- کاربردهای BCI 7
1-4- تعریف مساله 7
1-5 – ساختار پایاننامه 7
فصل دوم
سیگنالهای مغزی
2-1- مقدمه 9
2-2- کشف سیگنالهای مغزی 10
2-3- ثبت سیگنالهای مغزی 11
2-4- پیش پردازشها روی سیگنالهای مغزی 12
فصل سوم
مروری بر تحقیقات آموزش انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه 16
3-2- معرفی داده¬های موجود 17
3-2-1- مشخصات دادههاي ثبت شده توسط گروه دانشگاهColorado 17
3-2-2- مشخصات داد ههاي ثبت شده توسط گروه Graz 18
3-2-3- مشخصات دادههای MIT-BIH 19
3-3- استخراج ویژگی 20
3-4- دسته بندی 23
فصل چهارم
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
4-1- مقدمه 25
4-2- تبدیل فوریه 25
4-3- تبدیل موجک 30
4-3-1- مقیاس. 32
4-4- تاریخچه تبدیل والش 35
4-4-1- توابع والش 35
4-4-2- تبدیل والش 36
فصل پنجم
توصیف روش پیشنهادی
5-1- مقدمه 40
5-2- پایگاه داده مورد استفاده 40
5-3- حذف نویز 42
5-3-1- آنالیز مولفههای مستقل 43
5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل 44
5-3-3- حذف نویز با استفاده از تبدیل موجک 46
5-3-4- حذف نویز با استفاده از تبدیل والش 47
5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA 50
5-4- استخراج ویژگی 51
5-4-1- آنتروپی 52
5-4-2- استخراج ویژگی با استفاده از تبدل والش 53
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک 53
5-5- ماشین بردار پشتیبان (Support Vector Machin) 54
5-5-1- ابر صفحه جداساز 55
5-5-2- جداسازی غیر خطی 58
فصل ششم
نتایج و نتیجه گیری
6-1- مقدمه 60
6-2- حذف نویز 61
6-3- معیارهای ارزیابی 65
6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate) 65
6-3-2- میانگین مربع خطا (Mean Square Error) 66
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference) 67
6-4- استخراج ویژگی 68
6-4-1- ویژگیهای تبدیل والش 69
6-4-2- ویژگیهای تبدیل فوریه 72
6-4-3- ویژگیهای تبدیل موجک 76
6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده 80
6-6- نتیجه گیری 83
6-7- پیشنهاد ها 85
منابع:… 86
فهرست شکل ها
عنوان صفحه
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI 4
شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 20 12
شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی 13
شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز 27
شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4)) 28
شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز 28
شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4) 29
شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک 32
شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی 34
شکل 4-7- تبدیل موجک در یک مقیاس خاص 34
شکل 4-8- تابع والش برای n=8 36
شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده 42
شکل 5-2- سیگنالهای گرفته شده توسط هر کانال 45
شکل 5-3- مولفههای بدست آمده توسط ICA 45
شکل 5-4- تبدیل والش از کانال های سیگنال 49
شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز 49
شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز 51
شکل 5- 7 – صفحه های جداساز و بردارهای پشتیبان 56
شکل 5- 8 – صفحه جداساز و نواحی مربوط به هر کلاس 57
شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها 59
شکل 6-1- سیگنال اصلی و سیگنال دارای نویز 63
شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک 64
شکل 6-3- نسبت سیگنال به نویز ده سیگنال 66
شکل 6-4- میانگین مربع خطا برای ده سیگنال 67
شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال 68
شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول 70
شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول 71
شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول 74
شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول 77
فهرست جدول ها
عنوان صفحه
جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال 22
جدول 4-1 – مقدار توابع والش و خروجی این تابع 39
جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش 73
جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه 75
جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک 79
جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش 79
جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک 79
جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک 81
جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI 82
فصل اول
مقدمه
1-1- مقدمه
تعامل انسان با کامپیوتر (HCI) 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، زبان¬هایی 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 می¬شود که یکی از آنها واسط مغز و کامپیوتر(BCI) است.
مغز انسان توانايي انتشار امواجي الكتريكي و مغناطيسي را دارد كه مي توان با ثبت آنها علاوه بر كاربردهاي پردازشي به تشخيص برخي بيماري¬ها و حتي برقراري ارتباط به صورت تلپاتي پرداخت. يكي از روش¬هاي ثبت اين سيگنالها EEG)) مي¬باشد.
سیگنال¬های الکتریکی مغزی را اولین بار دکتر هانس برگر در سال 1920 شناسایی و ثبت کرد. با ثبت این سیگنال¬ها تلاش انسان برای استفاده از این سیگنال¬ها برای کاربرد¬های مختلف شروع شد. اکنون بیشترین استفاده¬های که از این سیگنال¬های می¬شود در تشخیص پزشکی و کمک به افراد ناتوان جسمی و فکری است[1]. در اوایل ثبت این سیگنال¬ها، به خاطر آشفته بودن و نویزی بودن این سیگنال¬ها کار کردن بر روی و استخراج اطلاعات مفید از آنها مشکل بود.
در اوایل کشف سیگنال¬های مغزی به دلیل نبودن دستگاه¬های ثبت و ضبط مناسب انسان به این تصور بود که ارتباط انسان با محیط اطرافش سخت و غیر ممکن است. اما با پیشرفت¬های که در حوزه رایانه و الکترونیک صورت گرفت و با ابداع ابزار¬های مناسب جهت ثبت سیگنال¬های 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 سنسور¬ها و اجزای پردازش سیگنال تشکیل می¬شود 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 راه اندازه¬گیری میکنند. در مرحله بعد این امواج بررسی شده و ویژگیهای مورد نظر استخراج میشود و از روی این ویژگیها می¬توان حدس زد که کاربر چه فعالیتی را در نظر دارد. در شکل(-11) واحد¬های پردازشی سیستم BCI را می¬بینیم.
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 آموزش انجام می¬شود. مرحله بعد مرحله استخراج ویژگی است که در فصل¬های بعد در مورد انواع ویژگی¬ها و روش های استخراج ویژگی صحبت می¬کنیم در نهایت با استفاده از ویژگی¬های استخراج شده عمل دسته¬بندی را آموزش انجام می¬دهیم.
واسط مغز و رایانه ممکن است ساختاری ثابت داشته باشد یا اینکه به صورت انطباقی باشد و خود را با مشخصه یا مشخصه¬های سیگنال انطباق بدهد. همچنين ممكن است از خروجي سيستم به نوعي به شخص مورد آزمايش فيدبك داده شود. اين روش به بيوفيدبك مشهور است.
در اولین همایش بین المللی که در ژوئن 1999 برگزار شد یک تعریف معمول برای BCI به صورت زیر ارائه شد[2]: (یک واسط مغز و رایانه یک سامانه ارتباطی است که وابسته به مسیرهای خروجی نرمال سامانه عصبی جانبی و ماهیچهها نیست) سيگنال¬هاي الكتريكي مغز از نظر دامنه و فركانس با برخي ديگر از سيگنال¬هاي حياتي همپوشاني دارند، لذا در تعريف BCI بر مستقل بودن سيگنال¬ها از ساير سيگنال¬هاي عصبي و عضلاني تاكيد شده است.
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI
1-2- تاریخچه BCI
اولین تلاش¬ها در زمینه تعامل انسان با رایانه همزمان با کشف سیگنال¬های EEG شروع شد و دانشمندان سعی کردند که بین این سیگنال¬ها و فعالیت های مغزی ارتباط برقرار کنند[1]. اما با توجه به اینکه در ابتدا این سیگنال¬ها بسیار آشفته و دارای نویز بودند، از این سیگنال¬ها فقط در پزشکی استفاده می¬شد و فقط پزشکان متخصص با توجه به تجربه از این سیگنال¬ها می¬توانستند استفاد کنند. اما رفته رفته با تولید دستگاه¬های جدید و توانایی ثبت این سیگنال¬ها با کیفیت بهتر، پژوهش¬ها و تحقیقات بیشتری در این زمینه آموزش انجام گرفت.
در سال 1969، Elul [3]اولین تلاش را آموزش انجام داد. او بر روی سیگنال عملیات ریاضی کار کرد و نشان داد که اگر فرد عملیات فکری خاصی را آموزش انجام ندهد در %66 سیگنال مغزی آن توزیع گوسی است و اگر فرد عملیات ریاضی آموزش انجام دهد در %32 سیگنال مغزی توزیع گوسی دارد و از طریق سیگنال مغز توانست تشخیص دهد که فرد چه عملیات فکری آموزش انجام می¬دهد.
در دانشگاه Colorado دو محقق Keirn و Aunon تحقیقات خود را در این زمینه برای دسته¬بندی پنج فعالیت مختلف ذهنی شروع کردند[4]. آنها در حين آموزش انجام پنج فعاليت ذهني مشخص و همزمان از چند كانال، سيگنال EEG را ثبت نمودند. سپس به كمك يك تفكيك كنندة بيز از توان باند¬هاي مختلف فركانسي بعنوان ويژگي¬هايي جهت تفكيك اين فعاليت¬هاي ذهني استفاده كردند. آنها در ضمن كار خود اين ايده را مطرح نمودند كه فعاليت¬هاي مختلف ذهني مي¬توانند بعنوان الفبايي جهت برقراري ارتباط مستقيم مغز با دنياي خارج استفاده شود؛ بطوريكه شخص مي¬تواند با تركيب و انتخاب توالي چند فعاليت مشخص مقصود خود را به دنياي خارج منتقل كند.
چند سال بعد دکتر Anderson و همکارانش [5,6] کار این دو محقق را ادامه دادند. اين گروه در اغلب كار¬هاي خود از همان پنج فعاليت ذهني استفاده کردند. آنها پارامترهاي آماري همچون ضرايب(AR) را تخمین زدند و با استفاده از این ضریب ویژگی¬های را برای دسته بندی و تشخیص این پنج عمل استخراج کردند. بعد از استخراج ویژگی به کمک شبکه عصبی عمل دسته¬بندی را آموزش انجام دادند.
Pfrutscheller و همکارانش [7-11] در مرکز Graz اتریش در تحقيقات خود از سيگنال¬هاي ثبت شده در حين حركت انگشت اشاره و يا در حين تصور حركت دادن دست راست و چپ استفاده نموده¬اند. آنها در كار¬هاي خود از خروجي¬هاي مختلفي همچون حركت يك نشانگر بر روي مانيتور، انتخاب حروف و كلمات و كنترل يك پروتز مصنوعي استفاده كرده¬اند. آنها جهت استخراج ويژگي از چند روش استفاده کردند. روش اول استخراج پارامترهاي AR و روش ديگر محاسبة توان باندهاي مختلف فركانسي، كه اين باندها متناسب با شخص انتخاب مي-شوند. به گفته Pfrutscheller براي اين كار از يك تابع فاصلة وزندار جهت تعيين ميزان تأثير هر مؤلفة فركانسي بر عمل دسته بندي استفاده شده است. به اين روش (DSLVQ) مي¬گويند. اين عمل براي تمام فركانس¬ها در فاصله HZ 30-5 آموزش انجام مي¬شود تا مؤلفه¬هاي فركانسي مناسب براي آن شخص بدست آيد. آنها براي دسته¬بندي هم عموما از دو روش استفاده نموده¬اند. روش اول روش¬هاي مبتني بر شبكة عصبي (مانند LVQ) و روش دوم مبتني بر تفكيك كننده¬هاي خطي. (LDA) آنها جهت بهبود عملكرد سيستم خود در برخي موارد از تكنيك-هاي بيو فيدبك هم استفاده نموده¬اند. بعنوان مثال با نشان دادن يك فلش روي مانيتور از كاربر خواسته مي¬شود كه تصور حركت دادن دست راست يا چپ را ا نجام دهد. با آموزش انجام مكرر اين كار ، تفكيك كننده را براي تفكيك اين دو عمل آموزش مي¬دهند . سپس در مرحلة آزمايش هر بار كه از شخص خواسته مي¬شود كه حركت دادن يك دست را تصور كند با استفاده از تفكيك كنندة تعليم ديده سیگنال مغزی او را دسته¬بندي مي كنند. هر بار بسته به ميزان خطاي تفكيك كننده يك علامت فلش با طولي متناسب با ميزان خطا روي صفحه رسم مي¬شود . اين علامت در واقع يك فيدبك است كه با ديدن آن شخص سعي مي¬كند كه هر بار طول علامت خطا را كم كند.
Wolpaw و همکارانش[12 ] بیشتر در زمینه پزشکی کار کردند لذا كارهاي آنها عموما از پشتوانة فيزيولوژيك خوبي برخوردار است اما روش¬هاي پردازشي آنها نسبتا ساده است. اساس كار آنها بر اين مبناست كه افراد را مي¬توان بگونه¬اي آموزش داد كه بتوانند برخي از ویژگی¬های سیگنال مغزی خود را کنترل کنند.
به طور کلی از جمله تحقیقاتی که در طی سالیان دراز در زمینه BCI آموزش انجام گرفته است می توان به تصور حركت دادن دست راست و چپ ، حركت دادن انگشتان اشارة دو دست، آموزش انجام پنج فعاليت ذهني: حالت استراحت, نامه نگاري، شمارش، ضرب ذهني و دوران ذهني ، آموزش انجام عمليات ضرب با ميزان پيچيدگي مختلف، گوش دادن به انواع موسيقي، آموزش انجام فعاليتهاي احساسي و عاطفي و رانندگي شبيه سازي شده اشاره کرد که در هر زمینه محققین زیادی کار کرده¬اند و به نتایج قابل قبولی دست یافته¬اند.
1-3- کاربرد¬های BCI
از زمانی که سیگنال¬های EEG ثبت شد محققین سعی در استفاده از این سیگنال¬ها برای کاربرد¬های مختلف داشتند. در ابتدای کار از این سیگنال¬ها فقط برای کاربرد¬های پزشکی استفاده می¬کردند مانند تشخیص انواع بیماری¬ها که رایج ترین آنها بیماری صرع است . اما بعد¬ها از این سیگنال¬ها نیز به منظور کمک رساندن به بیمارانی که دارای ناتوانی جسمی و عصبی هستند نیز استفاده شد. در این افراد مغز فرمان¬ها را صادر می¬کند اما به دلیل نقص در اندام این فرمان¬ها به طور کامل اجرا نمی¬شود با استفاده از BCI می¬توان سیستمی طراحی کرد که فرمان را مستقیما از مغز بگیرد و بر روی این سیگنال پردازش آموزش انجام دهد و عمل مورد نظر را آموزش انجام دهد.
1-4- تعریف مساله
در این پایاننامه ما قصد داریم به تفکیک و دسته¬بندی سیگنال¬های مغزی بپردازیم. مجموعه داده مورد استفاده ما چهار عمل حرکت دادن مچ دست به چهار جهت اصلی است. کار ما به این صورت است که ابتدا بر روی سیگنال یک سری پیش پردازش¬ها مانند حذف نویز و… آموزش انجام می¬دهیم. در مرحله بعد بر روی استخراج ویژگی از سیگنال کار می کنیم و ویژگی¬های مختلف را از سیگنال استخراج می¬کنیم. در مرحله بعد به دسته-بندی سیگنال¬های مغزی بر اساس ویژگی¬های استخراج شده می¬پردازیم. کارایی دسته¬بندی بر اساس هر مجموعه از ویژگی¬ها را ارزیابی می¬کنیم.
1-5- ساختار پایاننامه
در فصل دوم در مورد سیگنال¬های مغزی و انواع آنها و نحوه ثبت آنها بحث می شود. برای اینکه یک مرور کلی بر روی کارهای گذشته و روش¬های که تا کنون استفاده شده است داشته باشیم فصل سه به این منظور اختصاص داده شده است. در این فصل انواع روشهای استخراج ویژگی بررسی می شود. سپس روشهای موجود برای دسته بندی که تا کنون استفاده شده است را بررسی می کنیم. در فصل چهار به معرفی و توصیف تبدیل والش که در این پایاننامه از آن استفاده شده است می¬پردازیم. برای داشتن یک مقایسه، سه تبدیل فوریه، موجک و والش را معرفی می کنیم و در مورد آنها صحبت می شود. در فصل پنجم نیز روش پیشنهادی خود در حذف نویز و استخراج ویژگی را توصیف می¬کنیم. در نهایت در فصل ششم روش حذف نویز و عمل دسته¬بندی با استفاده از این ویژگی¬ها را با سایر روش¬ها مقایسه می¬کنیم و به نتیجه گیری در مورد کار می¬پردازیم.