Procesiranje in klasifikacija EEG signalov za napredne vmesnike človek-stroj

Gorjup, Gal (author), Vrabič, Rok (mentor), Manoonpong, Poramate (comentor)

Elektroencefalografija (EEG) je neinvazivna metoda za merjenje električne možganske aktivnosti na površini glave in se uporablja predvsem v medicini, vse bolj pa tudi v inženirskih dejavnostih. Prek posnetih signalov je mogoče sklepati o aktivnosti večjih gruč nevronov pod elektrodami, ki dajejo informacije o električnem stanju v možganih posameznika (njegovem mentalnem stanju). Z izbranimi miselnimi vajami (npr. zamišljeno premikanje udov) lahko posameznik spreminja aktivnost nevronskih gruč, kar z ustrezno interpretacijo posnetih EEG signalov omogoča neposredno možgansko kontrolo sistemov oz. prenos informacij. Takšni sistemi lahko bistveno izboljšajo kvaliteto življenja ljudem, ki zaradi medicinskih razlogov niso zmožni mišične manipulacije, priložnosti za uporabo pa so tudi v industrijskih ali domačih okoljih. V tem delu je poudarek na procesiranju in klasifikaciji EEG signalov na podlagi miselne vaje (mentalne strategije) zamišljanja gibanja. Zamišljanje gibanja ima na gibalni center v možganih približno enak vpliv kot dejansko gibanje, spremembe pa so zaznavne kot amplitudne modulacije v določenih frekvenčnih pasovih. Ker je gibalni center prostorsko osredotočen na različne dele telesa, je mogoče z ustrezno postavitvijo elektrod in izbiro udov razlikovati med različnimi razredi zamišljanja gibanja. Najpogosteje se v ta namen uporabljata leva in desna roka, z ustrezno gostoto elektrod pa je mogoče razločiti tudi nogi ter jezik. V delu so bili uporabljeni trije podatkovni nizi, ki so se razlikovali v postavitvi in vrsti elektrod. Prvi niz je bil posnet profesionalno in pridobljen z dovoljenjem avtorjev. Uporabljen je bil za preizkušanje implementiranih metod in končno primerjavo metod klasifikacije. Preostala dva niza sta bila posneta v okviru projekta za potrebe primerjave metod klasifikacije, in sicer z mokrimi in suhimi elektrodami v monopolarni ter bipolarni postavitvi. V okviru projekta je bil razvit in preizkušen programski okvir ki podpira glavne korake procesiranja in interpretacije EEG signalov: filtriranje, izluščanje značilk ter klasifikacijo. Glavni namen filtracije je odstranjevanje šuma in drugih nezaželjenih artefaktov. V naslednjem koraku se iz signalov izluščijo značilke, ki jedrnato opisujejo bistvene lastnosti signala. V stopnji klasifikacije se na podlagi značilk signali razdelijo v razrede, prek katerih je nato mogoče nadaljnje krmiljenje sistemov. V okviru filtracije sta bili zasnovani dve vrsti filtrov za procesiranje časovnih vrst, in sicer iz skupin digitalnih filtrov s končnim in neskončnim impulznim odzivom. Eksperimenti so pokazali, da je za to aplikacijo bolj primerna druga skupina. Za enega od podatkovnih nizov je bil razvit tudi Laplace-ov prostorski filter. Implementiranih je bilo tudi več metod za izluščanje značilk, vključno z metodami frekvenčne pasovne moči, avtoregresivnega modeliranja, Hjorth parametrov ter značilk na podlagi hitre Fourierove transformacije. V okviru avtoregresivnega modeliranja je bila izvedena primerjava številnih metod aproksimacije, kakor tudi iskanje primerne velikosti modela za obravnavani podatkovni niz. Uporabnost implementiranih metod je bila ocenjena vzporedno s primerjavo metod klasifikacije. V okviru klasifikacije sta bili preizkušeni in primerjani dve metodi. Prva je temeljila na linearni analizi diskriminant, za katero se je izkazalo da je najbolj učinkovita v povezavi z metodo frekvenčne pasovne moči na obravnavanih podatkovnih nizih. Druga metoda klasifikacije je temeljila na nevronskih mrežah z dolgim kratkoročnim spominom (LSTM). Za optimalno delovanje je bila izvedena dvostopenjska optimizacija hiperparametrov mreže, ki so opisovali njeno arhitekturo, hitrost učenja ter regularizacijo uteži. V procesu te optimizacije je bilo dognano, da tudi pri tej metodi najboljše rezultate prinašajo značilke frekvenčne pasovne moči. Metodi klasifikacije sta bili primerjani na vseh treh podatkovnih nizih, kjer so bile uporabljene značilke frekvenčne pasovne moči. Primerjava je pokazala, da sta pri večini testiranih subjektov metodi enako uspešni v smislu točnosti napovedovanja razredov zamišljenega gibanja, v nekaterih primerih pa linearna metoda prinaša tudi nekoliko boljše rezultate. Zaključeno je bilo, da je linearna metoda klasifikacije zaradi robustnosti in precej manjše kompleksnosti bolj primerna od metode na osnovi nevronskih mrež pri danih podatkovnih nizih in načrtu eksperimentov.

• Language: Slovenian
• Keywords: elektroencefalografija, vmesnik človek-stroj, vmesnik možgani-stroj, zamišljanje gibanja, digitalno filtriranje, izluščanje značilk, klasifikacija
• Work type: Master's thesis/paper
• Organization: FS - Faculty of Mechanical Engineering
• Year: 2017
• PID: 20.500.12556/RUL-94921
• Publication date in RUL: 11.09.2017

Secondary language

• Language: English
• Title: EEG signal processing and classification for advanced human-machine interfaces

Abstract

EEG-based human-machine interfaces offer an alternative means of interaction with the environment that relies solely on interpreting brain activity. They can not only significantly improve the life quality of people with neuromuscular disabilities, but also present a wide range of opportunities for industrial and commercial adoption. This thesis focuses on processing and classification of motor imagery EEG recordings. The used data consisted of three data sets, two of which were recorded within this project. A software framework that supports EEG signal filtering, feature extraction and classification was developed and successfully used. Selected instances of FIR and IIR digital filters were implemented and compared, showing that the latter was more appropriate for the current application. Several feature extraction methods were implemented, including band power, autoregressive modelling, Hjorth parameters and FFT-based features. An LDA-based linear classification method was implemented and tests have shown that it performs best with the band power features. Additionally, an LSTM-based neural classification method was implemented and optimised in terms of architecture shape, learning rate and weight decay parameters. Through optimisation, it was found that this method also performs best with band power features. The implemented classifiers were compared based on the band power feature, using the available data sets recorded with wet and dry electrodes, with monopolar and bipolar montage. The two methods achieved similar performance in terms of prediction accuracy, although the linear classifier was for the given data and training approach found to be favourable due to its robustness and low complexity.

• Keywords: electroencephalography, human-machine interface, brain-machine interface, motor imagery, digital filtering, feature extraction, classification