4. Introduction
Table1 . Data acquisition techniques
EEG
Simplicity
usability
provides high temporal Resolution
low cost
noninvasive sensors
4
Figure1. Data acquisition techniques
5. Introduction
Spatial Filtering algorithms: These are methods that combine
several channels into a single one, generally using weighted
linear combinations, from which features will be extracted
5
Figure2- a)EEG signal are very noisy. b) Combination EEG of Multichannel
a)
b)
6. History
6
The detection of epileptiform discharges
(ED’s) in the EEG is an important
component in the diagnosis of epilepsy
Figure 3- EEG is Mixed signals from different sources
11. category
11
• Bipolar
• Small & Large
Laplacian
• Inverse Solution
Fixed
Weights
• ICA
• PCA
• CSP (Supervised)
Data
Driven
12. Figure 5- Comparisons of different classifiers across selected
spatial filters using 3 channels [2]
Results
12
13. Figure 6-Classification performance (rate of accurate classification)
obtained on data set IIa for “BCI competition IV”in classifying imagined
movement of the right hand using different spatial filters
Results
13
14. Conclusion
14
Electrodes are separate but they are not independent
Single electrode is insufficient to isolate different neural generators.
different sources have different spatial-spectral-temporal characteristics
The idea of a spatial filter is to use weighted combinations of electrode
activity to identify patterns in the data
The weights are defined by statistical and/or anatomical criteria
goal is isolating sources of variance in multichannel data
Commonly used classes of spatial filtering include independent
components analysis (ICA), the surface Laplacian, and source
localization methods such as dipole-fitting, LORETA, and beamforming
15. Future Work
15
Combination with other Method
Work on Animal specimens
Define some New Weights for fixed Weighted filters
Use Spatial Filters in Cognitive Science
16. Refrences
16
[1] Cohen, Michael X. "Comparison of linear spatial filters for identifying oscillatory activity in
multichannel data." Journal of neuroscience methods 278 (2017).
[2] Lotte, Fabien. "A tutorial on EEG signal-processing techniques for mental-state recognition in brain–
computer interfaces." Guide to Brain-Computer Music Interfacing. Springer, London, 2014.
[3] Rahman, M. K. M., and Md A. Mannan Joadder. "A review on the components of EEG-based motor
imagery classification with quantitative comparison." Appl Theory Comput Technol 2.2 (2017).
[4] Aggarwal, Swati, and Nupur Chugh. "Signal processing techniques for motor imagery brain computer
interface: A review." Array 1 (2019).
[5] Wang, Zhengwei, et al. "A review of feature extraction and classification algorithms for image RSVP
based BCI." Signal processing and machine learning for brain-machine interfaces (2018).
موضوع سمینار بنده بررسی و تحلیل فیلتر های مکانی در پردازش سیگنال های EEG هست
در ابتدا یه معرفی کلی از فیلترهای مکانی و تاریخچه پیشرفت اون بیان می کنیم. ساختار ریاضی اون ها رو خدمتتون عرض میکنم. نحوه عملکردشون رو بررسی می کنیم و طی یک سری جدول به دسته بندی اون ها می پردازیم. و بعد از یک جمع بندی به بررسی کارهایی که در آینده می تونه صورت بگیره اشاره می کنیم.
فعالیتهای عصبی در مغز، میدانهای الکتریکی ایجاد میکند که میتوان آنها را اندازهگیری کرد.. در جدول روش ها و خصوصیت های اون ها رو مشاهده می کنید. یک روش برای این اندازهگیریها روش الکتروانسفالوگرافی یا EEG میباشد که به خاطرسادگی و اینکه با هزینه کم رزولوشن زمانی بالایی را فراهم میکند، بسیار مورد توجه است و همچنین در بسیاری موارد بصورت غیر تهاجمی سیگنال های قابل قبولی را می دهد. اما ماهیت این سیگنالها بسیار نویزآلود و حاوی آرتیفکتهایی میباشد. در این گزارش سعی داریم به اجمال به بررسی اثر فیلتر های مکانی روی این نقطه ضعف سیگنال های EEG بپردازیم.
فیلترینگ مکانی فرآیندی است که بر روی سیگنالهای EEG که از موقعیتهای مکانی مختلف روی پوست سر جمع آوری شده اند، انجام میشود. چون سیگنالهای EEG ای که از هر نقطه از سر بهدست میآید، ترکیبی از سیگنالهای بیشماری است که از مناطق مختلف مغز سرچشمه گرفتهاند، و همچنین بسیار نویزآلودهستند، مهم است که این نویزها را تا حد ممکن حذف کنیم و سیگنالهایی بازتولید کنیم که نزدیک به سیگنالهای محلی در هر نقطه باشند. فیلترهای مکانی برای حل این مشکل ایجاد و توسعه داده شدهاند.
از مقالاتی ک مورد مطالعه قرار داده شد این جوری بر میاد که از فیلتر های مکانی در ابتدا برای پیدا کردن مکان ترشحات مربوط به صرع در مغز استفاده می شد. اگر این ترشحات در لایه های سطحی مغز بودند دتکت کردن اسپایک ها و موج های اون از روی سیگنال های EEG راحت تر بود اما اگر عمیق تر بودند توسط سیگنال های با دامنه بالاتر ماسکه می شدند. بنابراین برای دتکت کردن اون ها به الکترود های کاشتنی احتیاج بود و یا اینکه باید از روش های هزینه بر مثل MEG برای گرفتن دیتا استفاده میشد. اما یک تکنیک غیرتهاجمی برای دتکت کردن این سیگنال ها استفاده از فیلتر مکانی سه بعدی به نام بیم فورمر تطبیقی بود. این تکنیک الگوریتم های خاص خودشو داره اما اساس کار همه اونها اینه که مثلا برای یک نقطه دلخواه روی مغز، سیگنال های از منابع نقاط دورتر رو کاهش میده. beamformer سه خروجی متعامد از مکان سیگنال تخمینی یا نزدیکی های اون به ما میده.
در دو دهه اخیر تحقیقات رفتن به سمت مطالعات واسط مغز و رایانه و اینکه متوجه بشن هر حرکت بدنی یا تفکر در مغز چه سیگنال هایی تولید میکنه و در این راستا احتیاج بود که بتونن به صورت تفکیکی الگوی مطمینی از سیگنال حاصل از حرکت ها و تصورات در EEG رو ارائه بدن. در جهت این مطالعات از افراد در حین تصور یک حرکتی در دست راست یا چپ و یا پاها دیتای EEG گرفته می شه و با توجه به اهمیت الکترود ها برای کلاس بندی، به اون ها وزن خاصی داده می شه که همون طور که گفتیم به فیلتر مکانی موسوم هستند و از لحاظ محاسباتی نسبتا ساده هستن و طی الگوریتم های مختلفی محاسبه می شوند که در ادامه به تعدادی از اونها اشاره خواهیم کرد.
BCI مبتنی بر EEGدر 4 مرحله اصلی انجام میشود. بلوک استخراج ویژگی و طبقه بندی نقش بسیار مهمی در این سیستم ها دارند و موفقیت این سیستم ها به میزان زیادی به توانایی استخراج ویژگی های مناسب وکلاس بندی موثر ویژگی ها وابسته است. یکی از روش های کارآمد برای استخراج ویژگی استفاده از فیلتر های مکانی است. البته فیلتر مکانی غیر از این باعث بهبود سیگنال به نویز و بالا رفتن رزولوشن مکانی هم می شود.
فرمول کلی فیلترهای مکانی که به سیگنال اعمال میشود به فرم زیر است:
𝑥 تیلدا سیگنال فیلتر مکانی شده، ix سیگنال EEG کانال iام، iw وزن کانال iام در فیلتر مکانی و Xماتریسی است که iامین ردیف آن ix است، یعنی X ماتریسی است که عناصر آن EEG های همه
کانالهاست.
وزن کانال ها یعنی wi به طرق مختلفی تعریف می شن و همین باعث تفاوت در فیلتر های مکانی مختلف می شه. این وزن ها یا ثابت اند و یا غیر ثابت هستند که از روی دادههای یادگیری
برای هرفرد مورد آزمایش به دست میآید. این خودش یه نوع دسته بندی برای فیلتر های مکانی هست.
یک دسته بندی می تونه به این صورت باشه که وزن ها یا ثابت اند و یا غیر ثابت هستند. وزن های غیرثابت از روی دادههای یادگیری برای هرفرد مورد آزمایش به دست میآید, دیتا درایون هستند که خودشون به دو دسته نظارت شده و نظارت نشده تقسیم می شن یعنی در آنها بدون توجه به اینکه کدام داده یادگیری به کدام کلاس تعلق دارد، وزنهای iw تخمین زده میشوند و یا وزنها از روی دادههای یادگیری که برچسب کلاس دارند بهدست میآیند
بخاییم چند تا نمونه از هر کدوم نام ببریم به فیلتر های مکانی با وزن ثابت میشه به دوقطبی لاپلاسین بزرگ و کوچک، و حل معکوس اشاره می شه کرد و برای دیتا درایون به آنالیز مولفه های مستقل، آنالیز مولفه های اصلی و الگوی مشترک مکانی اشاره کرد که CSP نظارت شده است که به علت ضیق وقت فقط ازشون نام میبریم
تاثیر دو نوع فیلتر مکانی بر روی کلاس بندی های مختلف مشاهده می کنید. در مقالاتی که مطالعه شد از CSP بیشتر از هر روش دیگری استفاده شده بود که نتایج قابل قبولی داشتند و به عنوان یک روش مرسوم مقبولیت پیدا کرده
در این نمودار هم مقایسه الگوریتم های مختلف برای 9 تا سابجکت رو ملاحظه می کنید که CSP بهترین نتایج رو داشته. نتایج مقایسه شده خیلی زیاد بودند که بررسی شون خارج از وقته.
با اینکه الکترودها از هم جدا هستند اما مستقل از هم نیستند و فعالیتهای مغز به صورت مخلوط چندین منبع الکتریکی به هر الکترود میرسد. این اختلاط منبعها باعث میشود که بررسی هر تک
الکترود برای جداسازی و مشخص کردن تولید کنندههای سیگنال عصبی کافی نباشد. خوشبختانه منبعهای مختلف، مشخصههای مکانی فرکانسی زمانی خاص خودشان را دارندبنابراین ایده اصلی فیلترهای مکانی این است که سیگنال فعالیتهای الکترود به صورت وزندار باهم ترکیب شوند تا مشاهده الگوی داده امکانپذیر گردد. این وزنها با توجه به معیارهای آماری و )یا(آناتومیکی و با هدف مشخص کردن واریانس منبعها در دادهی چندکاناله تعریف میشوند. همچنین هدف از این ترکیب وزندار، حذف نویز از داده در مرحله پیش پردازش نیز میتواند باشد. اگرچه تعداد بسیار
زیادی الگوریتم فیلتر مکانی وجود دارد، اما پرکاربردترین آنها شامل آنالیز مولفههای مستقل یاICA ،)لاپلاسین سطح، و روشهای مکان یابی منبع شامل دوقطبی سازگار، لورتا و شکلدهی پرتو میباشند.