توصيفگر ها :
رابط مغز-رايانه , تزويج فاز-فاز , توزيع چوي-ويليامز , EEGNet , لوب پس‌سري مغز , لوب قدامي مغز , ResNet50
چكيده فارسي :
در اين پايان‌نامه، به پياده‌سازي و بررسي پنج روش مختلف براي دسته‌بندي مجموعه داده‌هاي EEG ثبت شده از 24 فرد سالم حين مشاهده تصاوير مربوط به اشياء دو دسته لوازم آشپزخانه و ابزارآلات كارگاه پرداخته شده است. هر تصوير يك بار بصورت دوبعدي و بار ديگر صورت سه‌بعدي به افراد نمايش داده شده است. بنابراين سه سناريو كلي براي انجام اين تحقيق در نظر مي‌گيريم: 1- دسته‌بندي تمامي داده‌ها، 2- دسته‌بندي داده‌هاي مربوط به نمايش دوبعدي تصاوير و 3- دسته‌بندي داده‌هاي مربوط به نمايش سه‌بعدي تصاوير. ابتدا تحقيق‌هاي قبلي انجام شده در زمينه دسته‌بندي داده‌هاي EEG براساس دسته تصاوير ديده شده توسط افراد مختلف به دو گروه كلي روش‌هاي كلاسيك و روش‌هاي مبتني بر يادگيري عميق تقسيم‌بندي شده و روش‌هاي مربوط به هرگروه با يكديگر مقايسه مي‌شوند. سپس روش‌هايي كه در تحقيق‌هاي قبلي دقت بالاي 90% بدست آورده‌اند، براي پياده‌سازي سناريوهاي اين تحقيق انتخاب شده و نتايج پياده‌سازي آن‌ها گزارش شده است. بر اين اساس، از تحقيق‌هاي قبلي سه روش انتخاب شده كه دو مورد از آن‌ها مربوط به روش‌هاي كلاسيك و يكي از آن‌ها مربوط به روش‌هاي مبتني بر يادگيري عميق است. در روش‌هاي كلاسيك انتخابي، ابتدا از داده‌هاي مربوط به هر كدام از نواحي مغز بصورت جداگانه با استفاده از روش‌هايي همچون تزويج فاز-فاز (PPC) و توزيع چوي-ويليامز (CWD) تعدادي ويژگي استخراج شده و سپس داده‌ها با استفاده از ماشين بردار پشتيبان (SVM) دسته‌بندي مي‌شوند. در روش PPC، از ميزان تزويج فركانسي ميان زيرباندهاي فركانسي مختلف داده‌ها يعني آلفا، بتا، دلتا، تتا و گاما به عنوان ويژگي استفاده مي‌شود. در روش CWD، ابتدا توزيع انرژي داده‌ها در حوزه مشترك زماني-فركانسي محاسبه شده و سپس از اين توزيع ويژگي‌هاي آماري و طيفي استخراج مي‌شود. عيب روش‌هاي كلاسيك، استخراج ويژگي‌ها بصورت دستي است كه مي‌تواند باعث ناديده گرفتن ويژگي‌هاي مناسب براي دسته‌بندي داده‌ها شود. در ادامه سعي مي‌شود با استفاده از روش‌هاي مبتني بر يادگيري عميق به ويژگي‌هاي پنهان در داده‌ها دست يافته و به دقت دسته‌بندي بالاتري دست يابيم. براي اين منظور، ابتدا از شبكه كانولوشني EEGNet براي دسته‌بندي داده‌هاي خام استفاده شده است. يكي ديگر از روش‌هاي مورد استفاده كه در تحقيق‌هاي پيشين مطرح شده است، استفاده از يك شبكه كانولوشني ساده براي دسته‌بندي CWD داده‌هاي هر كدام از نواحي مغز بصورت جداگانه است. سناريوهاي تحقيق، با استفاده از روش‌هاي مذكور پياده‌سازي شده و نتايج آن با هم مقايسه مي‌شوند. در روش پيشنهادي، بجاي استفاده از يك شبكه كانولوشني ساده از يك شبكه كانولوشني قوي‌تر مانند ResNet50 براي دسته‌بندي CWD داده‌ها استفاده نموده و نتايج آن را با نتايج ساير روش‌ها مقايسه مي‌كنيم. نتايج پياده‌سازي سناريو اول اين تحقيق نشان مي‌دهد كه با روش‌هاي مبتني بر يادگيري عميق نسبت به روش‌هاي كلاسيك مي‌توان به دقت دسته‌بندي بالاتري دست يافت. همچنين نتايج بدست آمده براي دسته‌بندي داده‌هاي مربوط به ناحيه لوب پس‌سري و لوب قدامي بهتر از ساير نواحي مغز است. نتايج پياده‌سازي سناريو دوم و سوم اين تحقيق نشان مي‌دهد كه شيوه نمايش تصوير به افراد بر داده‌هاي EEG آن‌ها تاثير گذاشته و سيگنال‌هاي مربوط به نمايش سه‌بعدي تصاوير، داراي الگوهاي بهتري براي دسته‌بندي است و با استفاده داده‌هاي مربوط به تصاوير سه‌بعدي در مقايسه با داده‌هاي مربوط به تصاوير دوبعدي به دقت دسته‌بندي بالاتري دست يافتيم.
چكيده انگليسي :
In this thesis, five different methods have been implemented and investigated for the classification of EEG data sets recorded from 24 healthy people while viewing images related to objects of two categories: kitchen appliances and workshop tools. Each image has been shown to people once as a 2D display and once as a 3D display. Therefore, we consider three scenarios for this research: 1- classification of all data, 2- classification of data related to 2D display of images and 3- classification of data related to 3D display of images. First, the previous research conducted in the field of EEG data classification based on the categories of images seen by different people are divided into two general groups: classical methods and deep learning methods. Then, the methods that have achieved over 90% accuracy in previous research have been selected to implement the scenarios of this research. Three methods have been selected from previous research, two of them are related to classical methods and one of them is related to deep learning methods. In the selected classical methods, first, a number of features are extracted from the data related to each of the brain regions separately using methods such as phase-phase pairing (PPC) and Choi-Williams distribution (CWD), and then the data is classified using support vector machine (SVM). In the PPC method, the amount of frequency coupling between different frequency bands of data, i.e. alpha, beta, delta, theta and gamma, is used as a feature. In the CWD method, first the energy distribution of the data is calculated in the common time-frequency domain and then the statistical and spectral features are extracted from this distribution. The disadvantage of classical methods is the manual extraction of features, which can ignore the features suitable for data classification. In the following, we will try to find the hidden features in the data and achieve higher classification accuracy by using deep learning methods. First, the EEGNet has been used to classify the raw data. Another method that has been proposed in previous research is the use of a simple convolutional network to classify the CWD data of each brain area separately. The research scenarios are implemented using the mentioned methods. In the proposed method, we use a stronger convolutional network such as ResNet50 for CWD classification of data. The results show that with methods based on deep learning, higher classification accuracy can be achieved. Also, the results obtained for the classification of data related to the region of the occipital lobe and frontal lobe are better than other regions of the brain. The results of the implementation of the second and third scenarios of this research show that using data related to 3D images compared to the data related to 2D images we achieved higher classification accuracy.
