دوره 20، شماره 3 - ( 10-1402 )
جلد 20 شماره 3 صفحات 72-61 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kamandra M, Rashedi E, sanatijavan A. Channel Selection in EEG Signals Using Mutual Information for Motor Imagery Classification. JSDP 2023; 20 (3) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1282-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1282-fa.html
کماندار مهدی، راشدی عصمت، صننعتی آیین. انتخاب کانال برای سیگنال های EEG با استفاده از اطلاعات متقابل جهت دسته بندی تصور حرکات مختلف. پردازش علائم و داده‌ها. 1402; 20 (3) :61-72
دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته
چکیده: (1026 مشاهده)
سیستمهای واسط مغز و رایانه مبتنی بر دستهبندی تصور فعالیت‌های حرکتی با استفاده از سیگنال‌های چند کاناله EEG، نقش عمده‌ای در کنترل اندام‌های مصنوعی و ماشینها توسط افراد معلول دارند. مشکل اساسی این سیستمها بیشبرازش دستهبند بهدلیل تعداد زیاد کانالها و نمونههای آموزشی کم و نویزی می‌باشد. در این مقاله روشی برای انتخاب کانالهای بهینه، مبتنی بر بیشینهسازی اطلاعات متقابل کانالهای منتخب و تصور حرکت مدنظر ارائه شده است. توان زیرباندهایی با پهنای2 هرتز در باند 8 تا 30 هرتز و در فواصل 250 میلیثانیهای در بازه نیم تا دو و نیم ثانیه پس از شروع تصور حرکت به عنوان ویژگی برای هر کانال استخراج شده است. بعد ویژگیهای استخراج شده با ترکیب روشهای L1-PCA و NWFE به 10 کاهش یافته است. صحت کل دستهبند SVM برای نمونههای آزمایش دو شخص aa و al از دادههای مسابقات BCI III 87/94 و 51/96 درصد است در حالی‌که تعداد کانالها از 118 به 7 کاهش یافته است.
شماره‌ی مقاله: 5
واژه‌های کلیدی: سیستمهای واسط مغز و رایانه، سیگنال EEG، دستهبندی تصور حرکات، انتخاب کانال، اطلاعات متقابل، تخمین آنتروپی kpn.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1400/8/10 | پذیرش: 1402/4/17 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24
دریافت: 1400/8/10 | پذیرش: 1402/4/17 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24
فهرست منابع
1. [1] Ortiz-Rosario A, Adeli H, Brain-computer interface technologies: from signal to action. Rev Neurosci, vol. 24, no. 5, pp. 537-552, 2013.
2. [2] A. Bashashati, M. Fatourechi, R. K. Ward, and G. E. Birch, A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals, J. Neural Eng., vol. 4, no. 2, pp. R32-R57, Jun.2007.
3. [3] Hudspeth, A.J., Jessell, T.M., Kandel, E.R., Schwartz, J.H. and Siegelbaum, S.A. eds., 2013. Principles of neural science, McGraw-Hill, Health Professions Division.
4. [4] Wolpaw JR, Birbaumer N, Heetderks WJ, McFarland DJ, Peckham PH, Schalk G, Donchin E, Quatrano LA, Robinson CJ,VaughanTM, Brain-computer interface technology: a review of the first international meeting, IEEE Trans Rehabilit Eng, vol. 8, no. 2, pp. 164-173, 2000.
5. [5] Alotaiby, T., El-Samie, F.E.A., Alshebeili, S.A. et al. A review of channel selection algorithms for EEG signal processing, EURASIP J. Adv. Signal Process. 2015.
6. [6] Yang, Yuan, Olexiy Kyrgyzov, Joe Wiart, and Isabelle Bloch. Subject-specific channel selection for classification of motor imagery electroencephalographic data, In 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 1277-1280. IEEE, 2013.
7. [7] Wei Qingguo, and Yanmei Wang. Binary multi-objective particle swarm optimization for channel selection in motor imagery based brain-computer interfaces, In 2011 4th International conference on biomedical engineering and informatics (BMEI), vol. 2, pp. 667-670. IEEE, 2011.
8. [8] A. Ghaemi, E. Rashedi, A. M. Pourrahimi, M. Kamandar, and F. Rahdari. Automatic channel selection in EEG signals for classification of left or right hand movement in Brain Computer Interfaces using improved binary gravitation search algorithm, Biomedical Signal Processing and Control 33, pp. 109-118, 2017.
9. [9] Shan, Haijun, Han Yuan, Shanan Zhu, and Bin He. EEG-based motor imagery classification accuracy improves with gradually increased channel number, In 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 1695-1698. IEEE, 2012.
10. [10] He, Lin, Youpan Hu, Yuanqing Li, and Daoli Li. Channel selection by Rayleigh coefficient maximization based genetic algorithm for classifying single-trial motor imagery EEG, Neurocomputing, pp. 423-433,2013
11. [11] Muhammad Zeeshan Baig, Nauman Aslam, Hubert P. H. Shum. Filtering techniques for channel selection in motor imagery EEG applications: a survey, Arti Intel Rev, vol. 53, pp.1207-1232, 2020.
12. [12] LemmS, BlankertzB, CurioG, MullerK-R. Spatio-spectral filters for improving the classification of single trial EEG, IEEE Trans Biomed Eng, vol. 52, pp. 1541-1548, 2005.
13. [13] AngKK, ChinZY, ZhangH, GuanC. Filter bank common spatial pattern (FBCSP) in brain-computer interface, In: IEEE world congress on computational intel-ligence. IEEE international joint conference on neural networks. IEEE, pp. 2390-7, 2008.
14. [14] ZhangY, ZhouG, JinJ, WangX, CichockiA. Optimizing spatial patterns with sparse filter bands for motor-imagery based brain-computer interface, J Neu-rosci Methods, pp. 85-91, 2015.
15. [15] ZhangY, NamCS, ZhouG, JinJ, WangX, CichockiA. Temporally constrained sparse group spatial patterns for motor imagery BCI, IEEE Trans Cybern, 48, pp. 3322-32, 2018.
16. [16] FarquharJ, HillJ, LalTN, SchölkopfB. Regularised CSP for sensor selection in BCI, In: Proceedings of the 3rd international brain-computer interface work-shop and training course; 2006.
17. [17] WuW, ChenZ, GaoX, LiY, BrownEN, GaoS. Probabilistic common spatial patterns for multichannel EEG analysis, IEEE Trans Pattern Anal Mach Intell, 37, pp. 639-53, 2015.
18. [18] Gómez-Herrero G. Automatic artifact removal (AAR) toolbox v1. 3 (Release 09.12. 2007) for MATLAB, Tampere University of Technology, 2007. [cited 2017 Aug 1]. Available from: http://germangh.github.io/ pubs/aardoc07.pdf.
19. [19] Bor-Chen Kuo and D. A. Landgrebe, Nonparametric weighted feature extraction for classification, in IEEE Transactions on Geoscience and Remote Sensing, vol. 42, no. 5, pp. 1096-1105, May 2004, doi: 10.1109/TGRS.2004.825578. [DOI:10.1109/TGRS.2004.825578]
20. [20] Li, Mingai, Jianyong Ma, and Songmin Jia. Optimal combination of channels selection based on common spatial pattern algorithm, In 2011 IEEE International Conference on Mechatronics and Automation, pp. 295-300. IEEE, 2011.
21. [21] J. Meng, G. Liu, G. Huang and X. Zhu, Automated selecting subset of channels based on CSP in motor imagery brain-computer interface system, 2009 IEEE International Conference on Robotics and Biomimetics (ROBIO), Guilin, 2009, pp. 2290-2294, doi: 10.1109/ROBIO.2009.5420462. [DOI:10.1109/ROBIO.2009.5420462]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
