Contribuţii la implementarea unei interfeţe creier ... · De-a lungul timpului, oamenii au avut...

UNIVERSITATEA TEHNICĂ

“GHEORGHE ASACHI” DIN IAŞI

Facultatea de Electronică, Telecomunicaţii şi

Tehnologia Informaţiei

Contribuţii la implementarea unei

interfeţe creier - calculator

- REZUMATUL TEZEI DE DOCTORAT -

Conducător de doctorat:

Prof. univ. dr. ing. Daniela Tărniceriu

Doctorandă:

Bioing. Roxana Aldea (Toderean)

IAŞI, 2014

1

Mulțumiri

Adresez sincere mulțumiri stimatei doamne Prof. Univ. Dr. Ing. Daniela

Tărniceriu pentru îndrumarea, sprijinul și ajutorul pe care mi le-a acordat pe

întreaga durată a cercetării și elaborării tezei de doctorat. Îi mulțumesc pentru

răbdarea acordată și îmi cer scuze pentru nopțile nedormite, acordate

corectării rapoartelor și lucrărilor științifice elaborate. Realizările mele și

experiența acumulată nu ar fi fost posibile fără îndrumarea domniei sale.

Alese mulțumiri și doamnei Conf. Dr. Ing Anca Mihaela Lazăr care m-

a îndrumat în activitatea de cercetare încă din primii ani de facultate și

datorită căreia am urmat și studiile doctorale. Îmi exprim aprecierea și

deosebita recunoștiință domniei sale pentru sprijinul, înțelegerea, răbdarea,

bunătatea și dedicarea oferite pe parcursul ultimilor 6 ani de studii

universitare, postuniversitare și doctorale. Vă mulțumesc din suflet pentru tot

și vă voi rămâne recunoscătoare toată viața pentru orientarea frumoasă pe

care ați dat-o carierei mele viitoare.

Mă simt binecuvântată că am întâlnit și am avut onoarea să am ca

mentori două doamne profesor excepționale.

De asemenea, mulțumesc domnului Prof. Univ. Dr. Ing. Valeriu

Munteanu, care a fost prezent la toate prezentările rapoartelor de cercetare

doctorală, pentru sfaturile și îndrumările oferite.

Mulțumesc și doamnei Bioing. Dr. Monica Fira pentru colaborarea

eficientă în elaborarea unor lucrări științifice cu valoare importantă în cadrul

stagiului meu de pregătire și în elaborarea tezei de doctorat.

Dedic această teză familiei mele cu cele mai calde gânduri și sincere

mulțumiri pentru înțelegerea, răbdarea și sprijinul moral și material acordate

în toți acești ani.

2

Cuprins

Introducere ................................................................................................................................. 4

Scopul tezei .................................................................................................................... 4

Organizarea tezei ............................................................................................................ 4

Capitolul I. Context și stadiul actual al cercetărilor ................................................................... 5

1.1. Interfața creier – calculator .......................................................................................... 5

1.2. Structura unei interfețe creier – calculator .................................................................. 6

1.2.1. Achiziția semnalelor .......................................................................................... 6

1.2.2. Fenomene neurofiziologice și trăsături cerebrale .............................................. 6

A. Atenția selectivă ............................................................................................ 6

B. Imaginarea motorie. Ritmurile senzorimotoare ............................................ 7

1.2.3. Prelucrarea semnalelor ...................................................................................... 7

1.2.4. Controlul dispozitivelor exterioare .................................................................... 7

1.3. Concluzii ...................................................................................................................... 8

Capitolul 2. Achiziția semnalelor electroencefalografice .......................................................... 8

2.1. Înregistrarea semnalelor de antrenare .......................................................................... 8

2.2. Analiza Offline folosind coeficientul de determinare r2 ....................................... 9

2.3. Rezultatele analizei offline ce utilizează software-ul BCI2000 versus metoda

propusă de calcul a coeficientului de determinare ....................................................... 9

2.4. Înregistrarea semnalelor de testare ............................................................................. 12

2.5. Concluzii .................................................................................................................... 13

Capitolul 3. Metode de extragere a trăsăturilor din semnalele EEG ........................................ 14

3.1. Analiza pe componente independente - Independent component analysis (ICA).

Noțiuni teoretice ................................................................................................................ 14

3.1.1. Metoda propusă pentru extragerea trăsăturilor ce utilizează ICA și coeficientul

de determinare ........................................................................................................... 14

3.1.2. Rezultate obținute ............................................................................................ 15

3.1.3. Concluzii .......................................................................................................... 15

3.2 Analiza wavelet multirezoluție. Noțiuni teoretice. ..................................................... 16

3.2.1. Transformata wavelet folosită în analiza multirezoluție ................................. 16

3.2.2. Aplicarea analizei multirezoluție pentru extragerea trăsăturilor din semnalele

EEG achiziționate ...................................................................................................... 16

3.2.3. Concluzii .......................................................................................................... 18

3

3.3. Exponentul Hurst. Noțiuni teoretice .......................................................................... 18

3.3.1. Estimarea exponentului Hurst prin metoda Higuchi ....................................... 19

3.3.2. Estimarea exponentului Hurst prin metoda varianței agregate (Aggregate

Variance Method) ...................................................................................................... 19

3.3.3. Estimarea exponentului Hurst prin metoda momentului absolut (Absolute

Moment Method) ....................................................................................................... 19

3.3.4. Metoda propusă de evidențiere a caracteristicilor ritmurilor senzorimotoare ce

utilizează exponentului Hurst și analiza wavelet multirezoluție ............................... 19


3.3.6. Concluzii .......................................................................................................... 20

Capitolul 4. Clasificarea sarcinilor de imaginare motorie din semnalele EEG achiziționate .. 22

4.1. Metoda distanței Euclidiene, utilizată pentru clasificarea sarcinilor de imaginare

motorie .............................................................................................................................. 22


4.1.2. Concluzii .......................................................................................................... 23

4.2. Clasificarea sarcinilor de imaginare motorie cu ajutorul clasificatorului ”cei mai

apropiați K vecini” (k-Neareast Neighbours – k-NN) ...................................................... 23

4.2.1. Metoda de clasificare k-NN utlizată ................................................................ 24

4.2.2. Rezultate .......................................................................................................... 24

4.2.3. Concluzii .......................................................................................................... 25

4.3. Clasificarea cu ajutorul analizei liniar discriminantă - Linear Discriminant Analysis

(LDA) ................................................................................................................................ 25

4.3.1. Clasificarea cu ajutorul LDA când trăsăturile sunt extrase cu ajutorul

trasformatei wavelet .................................................................................................. 26


4.3.3. Clasificarea cu ajutorul LDA când trăsăturile sunt extrase cu ajutorul ICA ... 27

4.3.4. Concluzii .......................................................................................................... 28

4.4. Comparație între clasificatoarele utilizate ................................................................. 29

Capitolul 5. Concluzii și contribuții ......................................................................................... 30

Contribuții personale .................................................................................................... 30

Perspective de viitor ..................................................................................................... 31

Activitate științifică .................................................................................................................. 32

Bibliografie selectivă ................................................................................................................ 33

4

Introducere

De-a lungul timpului, oamenii au avut fantezii despre capacitatea de a comunica şi de

a interacţiona cu maşini doar prin simpla gândire sau de a crea dispozitive care citesc

gândurile. Aceste idei au captat imaginaţia oamenilor sub formă de mituri antice şi poveşti

science fiction. În zilele noastre acest lucru poate deveni realitate cu ajutorul interfeței creier -

calculator (BCI).

Actualitatea temei de cercetare

În ultimii ani controlul dispozitivelor ”prin puterea minții” este un subiect foarte

controversat dar și foarte cercetat atât în domeniul gadgeturilor de ultimă generație, cum ar fi

telefoane mobile inteligente, laptopuri și tablete și chiar televizoare inteligente, dar și în

domeniul medicinei, pentru a fi utilizate de pesoanele cu dizabilități pentru care aceste

tehnologii ar putea reprezenta singura posibilitate de comunicare cu mediul exterior.

Scopul tezei

Lucrarea de față urmărește îmbunătățirea și diversificarea metodelor de procesare de

semnal pentru implementarea unei BCI ce are la bază fenomenele neurologice înregistrate în

timpul sarcinilor motorii.

Scopul acestei teze constă în extragerea, selectarea și clasificarea trăsăturilor

semnalelor EEG, ce au la bază ritmurile senzorimotoare, pentru implementarea sistemelor

BCI. Pentru atingerea scopului propus au fost parcurse trei etape :

Înțelegerea modului de funcționare a sistemelor BCI și a fenomenelor

neurologice implicate.

Achiziția de semnale EEG ce au la bază ritmurile senzorimotoare, înregistrate

în timpul sarcinilor motorii/de imaginare motorie.

Aplicarea și optimizarea metodelor de extragere, selecție și clasificare a

trăsăturilor semnalelor EEG.

Organizarea tezei

Teza de doctorat ”Contribuții la implementarea unei interfețe creier - calculator” este

structurată pe patru capitole de fond la care se adaugă introducerea și un ultim capitol care

sintetizează contribuțiile și concluziile ce se desprind din derularea întregului stagiu de

pregătire doctorală. Teza se desfășoară pe parcursul a 135 de pagini, incluzând 56 de figuri și

16 tabele.

Primul capitol conține o prezentare generală a sistemelor de tipul interfață creier -

calculator și un studiu asupra stadiului actual al cercetărilor în acest domeniu. Acest capitol

oferă un fundament teoretic și o bibliografie adecvată, ambele pentru a putea înțelege celelalte

capitole. Capitolul I cuprinde o scurtă introducere despre sistemul BCI, structura acestuia și

modul în care se realizează achiziția de semnale EEG ce se utilizează în acest domeniu. În

cadrul acestui capitol sunt descrise, succint, cele mai utilizate metode de preprocesare,

extragere de trăsături și de clasificare utilizate până în prezent în domeniul BCI. Este realizat,

de asemenea, un studiu despre dispozitivele ce pot fi controlate cu ajutorul BCI și aplicațiile

realizate în acest domeniu.

Capitolul al doilea prezintă modul și condițiile în care au fost realizate înregistrările

cerebrale. După achiziția de semnal se realizează analiza offline realizată atât cu ajutorul

software-ului BCI2000 cât și cu o metodă propusă de calcul a coeficientului de determinare.

Acest capitol conține și un tabel cu informații despre înregistrările viabile de la 45 de subiecți

analizați. Baza de date realizată conține atât semnale înregistrate în timpul antrenării, cât și

semnale achiziționate în timpul testării.

5

Capitolul al treilea descrie metodele utilizate pentru extragerea trăsăturilor din

semnalele EEG. Prima metodă propusă este analiza pe componente independente (ICA)

implementată împreună cu coeficientul de determinare r2. Cea de-a doua metodă este

descompunerea wavelet multirezoluție. Această metodă permite reducerea dimensiunii datelor

și accesul la semnale subcomponente cu bezile de frecvență de interes. Se determină și cele

mai potrivite tipuri de waveleturi pentru datele achizițonate. Al treilea instrument utilizat

pentru extragerea trăsăturilor semnalelor EEG achiziționate este exponentul Hurst, determinat

prin trei metode diferite, metoda Higuchi, metoda de varianță agregată și metoda momentului

absolut. Aceste metode propuse evidențiază o bună discrimare a ritmurilor senzorimotoare.

Capitolul al patrulea descrie metodele utilizate pentru clasificarea trăsăturilor

semnalelor EEG. Acest capitol își propune îmbunătățirea metodelor de clasificare prin

implementarea a două noi metode și prin optimizarea unora deja existente în literatura din

domeniul BCI. Prima metodă propusă pentru clasificarea sarcinilor motorii a semnalelor

achiziționate este distanța euclidiană. Rata maximă de clasificare obținută prin acestă metodă

propusă este de 82%. În continuare se elaborează programe MATLAB pentru aplicarea

clasificării LDA. Extragerea trăsăturilor pentru clasificare se realizează în trei moduri diferite:

cu ajutorul transformatei wavelet multirezoluție;

prin normalizarea matricei de trăsături obținută din coeficienții wavelet;

cu ajutorul analizei pe componente independente.

Rata maximă de clasificare obținută este de 91% cu primele două metode și de 95% cu

cea de-a treia.

A treia metodă de clasificare utilizată este k-NN. Această metodă se aplică, de

asemenea, pe matricea de trăsături formată din coeficienții wavelet. Rezultatele maxime

obținute în urma aplicării programului de clasificare k-NN, elaborat în MATLAB, sunt de

95%.

Capitolul cinci este dedicat concluziilor și evaluării contribuțiilor autoarei. Acest

capitol este urmat de lista lucrărilor publicate și de bibliografie.

Capitolul I. Context și stadiul actual al cercetărilor

1.1. Interfața creier – calculator

Ideea de bază a unui sistem BCI este aceea de a măsura activitatea electrică, magnetică

sau orice alte manifestări fizice ale activităţii creierului şi de a le transforma în comenzi

pentru un calculator sau orice alt dispozitiv (scaun cu rotile, neuroproteză). Altfel spus, scopul

BCI este acela de a traduce intenţiile umane - reprezentate prin semnale potrivit alese - în

semnale de control pentru un dispozitiv de ieşire [Gra].

O interfaţă creier – calculator este un sistem care permite comunicarea fără mişcare;

informaţia se transmite numai prin gânduri, convertite în semnale generate de creier. O BCI

poate fi caracterizată, pe scurt, ca o cale de comunicaţie directă dintre creier şi un dispozitiv

extern.

În ultimul deceniu, au fost realizate prototipuri BCI de diferite grupuri de cercetători,

[Nic], [Mil1],[Wol], [Wic], [All], [Dor]. Sistemele BCI monitorizează activitatea creierului

utilizatorului și traduce intențiile lui în comenzi, fără a activa mușchi sau nervi periferici. S-au

dezvoltat diferite concepte de sisteme BCI: de control a unui robot sau a unui scaun cu rotile,

[Mil2], [Mil3], [Mil4], [Car], de control al unei neuroproteze, [Mul], [Mul1], [Pfu], de

selecție a literelor dintr-o tastatură virtuală, [Bir], [Don], [Mil2], [Obe], [Wil], de navigare pe

internet, [Kar], [Ben], [Mug], de navigare în realități virtuale, [Bay], [Lee] și pentru diferite

jocuri, [Kre], [Nij], [Tan].

6

1.2. Structura unei interfețe creier – calculator

Interfaţa creier – calculator are nevoie de semnal de reacţie pentru a putea funcţiona în

mod corect. De fapt, aceasta funcţionează prin interacţiunea unor regulatoare adaptive

(adaptive controllers): creierul (privit ca un astfel de regulator care produce semnalele) şi

interfaţa însăşi, cea care traduce semnalele în comenzi.

În Fig. 1.1 sunt reprezentate componentele unui sistem BCI.

Fig. 1.1. Model funcţional pentru un sistem BCI

1.2.1. Achiziția semnalelor

Achiziția semnalelor cerebrale poate fi de două tipuri: invazivă sau noninvazivă.

Se poate spune că EEG este o metodă ușoară, neinvazivă, sigură, rapidă, economică și

în comparație cu alte metode ca MEG sau fMRI, nu necesită o pregătire deosebită a

subiectului. Interpretarea datelor poate fi făcută mai ușor datorită multitudinilor de metode de

analiză și procesare existente. Toate aceste avantaje sunt importante atunci când se dorește

implementarea unei BCI.

1.2.2. Fenomene neurofiziologice și trăsături cerebrale

Achiziția semnalelor cerebrale este un prim pas important pentru comunicarea creier –

calculator. Achiziția de semnale nu este însă de ajuns, pentru că BCI nu poate citi mintea

umană și nu poate descifra gândurile. Un sistem BCI poate doar să detecteze și să clasifice

trăsături specifice, în semnale cerebrale, care sunt asociate cu diferite activități sau sarcini.

Utilizatorul sistemului BCI trebuie să realizeze diferite sarcini și strategii mentale pentru a

produce aceste trăsături. Strategiile mentale stau la baza comunicării creier – calculator și

determină sarcina pe care utilizatorul o are de îndeplinit pentru a produce diferite trăsături pe

care BCI să le poată interpreta. Cele mai întâlnite strategii mentale sunt cele selective (de

concentrare a atenției pe diferite ținte) și cele de imaginare motorie.

A. Atenția selectivă

Sistemele BCI bazate pe atenția selectivă necesită stimuli auditivi, vizuali sau

somatosenzoriali exteriori oferiți de paradigmele BCI. Majoritatea sistemelor utilizează

stimuli vizuali. Paradigmele ce au la bază atenția vizulă pot fi implementate prin două

abordări diferite ale sistemului BCI care se bazează pe stimuli diferiți, sarcini mentale diferite

și, de asemenea, o procesare diferită. Aceste abordări sunt numite după trăsăturile cerebrale pe

7

care le produc și anume potențialul P300 și potenţialul evocat de regim permanent, produs de

stimuli vizuali (Steady - State Visual Evoked Potential - SSVEP).

B. Imaginarea motorie. Ritmurile senzorimotoare

Mișcarea unui membru sau chiar o singură contracție a mușchiului determină

schimbări în activitatea cerebrală. De fapt, și pregătirea unei mișcări sau imaginarea mișcării

modifică ritmurile senzorimotoare. Ritmurile senzorimotoare (SMR) se referă la oscilațiile

înregistrate în activitatea creierului din zonele somatosenzoriale și motorii. Oscilațiile

creierului sunt de obicei clasificate în funcție de benzile de frecvență specifice care sunt

numite după litere grecești (delta: frecvențe mai mici de 4 Hz, teta: 4-7 Hz, alfa: 8-12 Hz,

beta: 12-30 Hz, gama:frecvențe mai mari de 30 Hz). Activitatea ritmului alfa înregistrat în

zonele senzorimotoare mai este numit și ritm mu. Descreșterea activității oscilatorii într-o

bandă de frecvență specifică este numită desincronizare (event related desynchronization -

ERD) [Loo]. Similar, creșterea activității oscilatorii într-o bandă de frecvență specifică este

numită sincronizare (event related syncronization - ERS). Șabloanele de tipul ERD - ERS pot

fi produse de către imaginarea motorie, care reprezintă imaginarea mișcării unui membru fără

a se executa mișcarea propiu-zisă. Benzile de frecvență de interes în semnalul EEG, în acest

caz, sunt cele ale ritmurilor mu și beta. Imaginarea mişcării mâinii stângi produce ERD în

partea dreaptă a creierului. ERD determinat de mişcarea mâinii este localizat în partea

contralaterală a creierului [Dur].

În contrast cu sistemul BCI bazat pe atenţia selectivă, BCI bazat pe imaginarea

mişcării nu depinde de stimulii externi. Imaginarea mişcării este o abilitate ce trebuie învăţată.

1.2.3. Prelucrarea semnalelor

Un sistem BCI înregistrează și procesează semnalele cerebrale în timp real pentru a

detecta trăsături care să reflecte intenția utilizatorului. Procesarea semnalelor cuprinde trei

stadii: preprocesarea, extragerea de trăsături și detecția și clasificarea.

Preprocesarea semnalelor cerebrale se realizează înaintea extragerii de trăsături

pentru a crește raportul semnal zgomot al semnalului. Prin preprocesare ne propunem să

reducem numărul de caracteristici și/sau de canale folosite pentru a lucra cu date cât mai

compacte și fără zgomote. Adesea, pe parcursul preprocesării sunt folosite diferite tehnici de

filtrare spațială sau în domeniul frecvență [Wol], [Kos], [McF].

Cele mai utilizate metode de preprocesare folosite în BCI sunt: referința medie

comună (Common average referencing- CAR), [Che], [Fab], [Kub], [Li], referința Laplaciana,

[Dor] ,[McF1] ,[Mil] ,[Wol2], [Wan], analiza componentelor principale, [Hu], [Thu], [Xu],

[Yoon], [Li1], analiza componentelor independente, [Pet], [Wu], [Ser], [Xu].

Există multe metode de extragere a trăsăturilor, în funcție de tipul sistemului BCI.

Cele mai folosite metode sunt: corelația încrucișată între benzile de putere, reprezentarea

timp-frecvență, analiza spectrală, modelare parametrică, dinamica neliniară, tehnici utilizate

pentru P300, cum ar fi alegerea vârfurilor (Peak picking - PP).

Clasificarea constă în construirea unui model pornind de la date de învățare astfel

încât să poată fi aplicat pe alte date, de exemplu pe date de testare, sau pe alte date de

învățare.

Există mai multe tipuri de clasificatori utilizați pentru sistemele BCI, împărțiți în cinci

categorii: clasificatori liniari, rețele neuronale, clasificatori neliniari bayesieni, clasificatori

care calculează cel mai apropiat vecin și clasificatori combinați.

1.2.4. Controlul dispozitivelor exterioare

Sistemele BCI au o gamă foarte variată de aplicații de la foarte simple la complexe.

Există aplicații BCI de ortografiere, jocuri simple pe calculator, de control al unui scaun cu

rotile, de navigare pe internet sau într-un mediu virtual, [Bla2], [Pfu1], [Sel].

8

De obicei, aplicațiile sunt special construite pentru un anumit tip de BCI fiind parte

integrată a sistemului. Sistemele BCI care se pot conecta și pot controla efectiv alte

dispozitive sunt destul de rare.

Un număr tot mai mare de sisteme permit controlul dispozitivelor mai sofisticate,

inclusiv orteze, proteze, brațe robotice sau chiar roboți mobili, [Gra2], [Lee1], [Pfu5], [Mil3],

[Vel], [Mul2].

Sistemele BCI mai pot fi utilizate pentru neuroreabilitare. Scopul BCI în acest caz este

de tratare a diferitelor deficiențe produse de infarct, ADHD, autism sau diferite deficiențe

emoționale.

1.3. Concluzii

Sistemele BCI reprezintă un domeniu de cercetare relativ nou, în care oameni de

știință cu pregătire diferită lucrează împreună pentru a dezvolta sisteme care interconectează

creierul și calculatorul pentru a oferi persoanelor cu dizabilități, și nu numai, noi canale de

ieșire pentru creier, care nu depind de mușchi sau nervi periferici. Creșterea comunității BCI

este reflectată de numărul tot mai mare de publicații în domeniu, dar și de instituții implicate

în cercetare [Bra].

În concluzie acest capitol cuprinde atât o prezentare generală a sistemului BCI cât și

un studiu asupra stadiului actual al cercetărilor în domeniu. Sunt prezentate echipamentele

principale utilizate pentru achiziția de semnal cerebral, metodele de prelucrare de semnal

utilizate în acest domeniu dar și dispozitivele ce pot fi controlate cu ajutorul BCI, ceea ce a

presupus documentare și cercetare în literatura de specialitate.

Capitolul 2. Achiziția semnalelor electroencefalografice

Achiziția semnalelor reprezintă primul pas în cercetarea BCI.

În cadrul cercetării au participat aproximativ 60 de subiecți voluntari. Din aceștia doar

45 au generat semnale EEG viabile, ce pun în evidență fenomenele neurologice de interes. În

concluzie, 25% din subiecții investigați nu reușesc să discrimineze ritmurile senzorimotoare.

Acest lucru se poate datora în primul rând slabei concentrări a subiectului în timpul

paradigmei, datorită apariției unor factori perturbatori în laboratorul în care s-au realizat

înregistrările sau chiar din cauza oboselii, sau pur și simplu subiecții nu au reușit să realizeze

sarcina de imaginare a mișcării membrelor superioare.

Achiziția semnalelor s-a realizat cu ajutorul sistemul g.GAMMAsys, dezvoltat de g.tec

și a software-ului BCI2000.

2.1. Înregistrarea semnalelor de antrenare

Datele au fost înregistrate cu ajutorul a opt electrozi neinvazivi plasaţi pe scalp

conform standardului internațional 10-20. Canalele alese pentru plasarea elecrozilor sunt:

CP3, CP4, P3, C3, Pz, C4, P4 şi Cz. Aceste canale au fost alese în ambele emisfere, conform

apariţiei ritmurilor senzorimotoare în aceste zone. Electrodul de referinţă se plasează pe

urechea dreaptă. În primă fază se măsoară distanța dintre inion și nasion, iar electrodul de

masă, ce este plasat pe canalul FP1, trebuie să fie amplasat la 10% din distanța măsurată.

Apoi se fixează electrozii pe cască și se realizează contactul cu pielea cu ajutorul unui gel

conductor. După realizarea acestor etape se poate trece la înregistrarea datelor, dar nu înainte

de a informa subiectul asupra sarcinilor pe care va trebui să le îndeplinească în timpul

paradigmei.

Înregistrările sunt realizate pe 60 voluntari sănătoşi, în laboratorul de procesare de

semnale biomedicale din cadrul facultăţii de bioinginerie medicală.

9

Subiecţii sunt aşezaţi în faţa unui monitor pe care ori sunt afişate, succesiv, săgeţi spre

stânga şi spre dreapta ori nu se afişează nimic. Ei trebuie să se uite atent la direcţia indicată de

săgeată şi să-şi imagineze mişcarea mâinii indicate de aceasta, iar în momentul în care pe

monitor nu apare nimic, subiectul trebuie să se relaxeze. Fiecare săgeată spre stânga şi spre

dreapta este afişată de 30 de ori. Frecvența de eșantionare este de 256Hz, iar timpul de

apariţie a stimului vizual este de 2 secunde.

Prima data prelucrăm datele obţinute pentru a putea fi utilizate în experimentele şi

analizele ulterioare, astfel că sunt extrase semnalele corespunzătoare imaginării mişcării

mâinii stângi, respectiv mâinii drepte, şi cele corespunzătoare relaxării, apoi se mediază pe

cele 30 de încercări.

2.2. Analiza Offline folosind coeficientul de determinare r2

Analiza offline se bazează pe calculul coeficientului de determinare r2

şi pe inspecția

vizuală a spectrului EEG.

Indexul statistic r2 are valori între 0 şi 1 şi poate fi considerat ca un indice ce arată cât

de diferite sunt două semnale (la o(un) anumit(ă) frecvență/canal). Diferența dintre semnale

poate fi explicată prin faptul că acestea provin de la diferite surse (în cazul nostru corespund

diferitelor sarcini - de mișcare/imaginare și de relaxare). O valoare a lui r2 apropiată de 1

indică o bună discriminare a ritmurilor senzorimotoare. Coeficientul r2 se calculează după

cum urmează:

∑ ( )

∑ ∑ ( )

(4.1)

2.3. Rezultatele analizei offline ce utilizează software-ul BCI2000 versus metoda

propusă de calcul a coeficientului de determinare

După fiecare paradigmă de antrenare, semnalele achiziționate sunt analizate offline

pentru a putea decide dacă acestea au fost sau nu înregistrate corect din punct de vedere al

discriminării ritmurilor senzorimotoare. Pentru acesta, în primă instanță, se folosește toolbox-

ul pentru analiză offline furnizat de către software-ul BCI2000, care are la bază coeficientul

de determinare, r2, și se compara cu rezultatele obținute cu metoda propusă pentru calculul

acestui indice.

Metoda propusă are avantajul că furnizează direct rezultatele fără a fi nevoie să

utilizăm intrefața de analiza offline, iar rezultatele sunt mult mai edificatoare, fiind

concentrate pe un număr mai redus de canale. Un alt avantaj al metodei propuse este

reprezentat de diferențele de precizie ale lui r2, valorile acestuia obținute cu software-ul

implementat fiind mai mari decât cele obținute cu BCI2000.

În Fig. 2.1 se observă că atunci când se utilizează software-ul BCI2000 valorile cele

mai mari ale lui r2 s-au obținut pentru canalul 6 (C4) dar și pentru canalele 1 (CP3), 2 (CP4),

4 (C3) și 7 (P4). Canalele de interes în cazul imaginării mișcării mâinii stângi sunt C4, CP4 și

P4 iar în cazul semnalului înregistrat de noi cea mai bună valoare a lui r2 s-a obținut pe

canalul C4. În schimb, cu metoda propusă, se obțin cele mai bune valori pe canale de interes,

CP4 și C4. De asemenea se observă că cea mai mare valoare a lui r2 este de aproximativ 0,45

în comparație cu 0,3 obținut cu BCI2000.

10

Fig 2.1. Coeficientul de determinare calculat pentru semnalul corespunzător imaginării

mişcării mâinii stângi vs. relaxare (stânga - BCI2000, dreapta - metoda propusă)

În Fig.2.2 în partea stângă se observă că am obţinut valori mai mari pentru r2 pe

canalele 1 (CP3), 3 (P3) şi 4 (C3) în intervalul de frecvenţă 14-22 Hz. Pe aceleași canale se

obțin cele mai mari valori ale lui r2 și în cazul metodei propuse, însă cu software-ul în

MATLAB valoarea maximă a lui r2 este de aproximativ 0,3 în timp ce cu BCI2000 s-a obținut

aproximativ 0,25.

Fig 2.2. Coeficientul de determinare calculat pentru semnalul corespunzător imaginării

mişcării mâinii drepte vs. relaxare (stânga - BCI2000, dreapta - metoda propusă)

Analizând asfel semnalele de la toţi subiecţii am întocmit TABELUL I. Acest tabel

oferă informaţii pentru 45 subiecţi deoarece doar aceştia discriminează ritmurile

senzorimotoare din cei 60 care au efectuat experimentul. Tabelul I conţine informaţii despre

frecvenţa de apariţie a ritmurilor senzorimotoare şi canalele corespunzătoare, cât şi valoarea

maximă a indexului statistic r2.

0 10 20 30 40 50 60 70

1

2

3

4

5

6

7

8

Frequency (Hz)

r2 Values Between Condtions 1 and 2

Channel

0

0.05

0.1

0.15

0.2

0.25

0.3

0 10 20 30 40 50 60 70

1

2

3

4

5

6

7

8

Frequency (Hz)

r2 Values Between Condtions 1 and 2

Channel

0

0.05

0.1

0.15

0.2

0.25

11

TABEL II.I. INFORMAŢII DESPRE SUBIECŢI

Subiect Imaginare/

Mișcare

Frecvență [Hz] Localizare Max r2 (Canal)

S1 Dreapta 15-24 CP3,P3,C3 0,331 (CP3)

Stânga 15-20 CP4, C4 0,495 (CP4)

S2 Dreapta 18-22 CP3, P3 0,254 (CP3)

Stânga 20-22 C4 0,2295 (C4)

S3 Dreapta 12-22 CP3,C3,P3 0,312 (CP3)

Stânga 14-20 CP4,C4 0,350 (C4)

S4 Dreapta 18-22 P3,Pz,CP3 0,450 (P3)

Stânga 12-20 CP4, C4 0,355 (CP4)

S5 Dreapta 8-10 P4, P3 0,211 (P4)

Stânga 18-20 CP4 0,247 (CP4)

S6 Dreapta 18-20 CP3 0,103 (CP3)

Stânga 22-24;12-14 C4, CP4 0,12 (C4)

S7 Dreapta 12-16 C3, CP3 0,179 (C3)

Stânga 20-22 C4 0,070 (C4)

S8 Dreapta 18-20 C3 0,178 (C3)

Stânga 8-10 C4, CP4 0,311 (C4)

S9 Dreapta 22-24 C3, CP3 0,482 (C3)

Stânga 22-24 C4 0,215 (C4)

S10 Dreapta 18-20 C3, CP3 0,348 (C3)

Stânga 14-16 C4,CP4,Cz 0,341 (C4)

S11 Dreapta 10-12Hz C3, CP3 0,107 (CP3)

Stânga 10-12Hz C4, CP4 0,082 (C4)

S12 Dreapta 10Hz CP3,C3 0,123 (CP3)

Stânga 10-12 Hz CP4, C4 0,189 (CP4)

S13 Dreapta 13-17Hz CP3, C3 0,370 (CP3)

Stânga 17-21Hz CP4, P4 0,404 (CP4)

S14 Dreapta 15-19Hz CP3,P3 0,192 (CP3)

Stânga 15-17Hz Pz 0,072 (Pz)

S15 Dreapta 15-17 Hz CP3, C3 0,262 (CP3)

Stânga 13-19Hz C4, CP4 0,26 (C4)

S16 Dreapta 11-17 Hz C3 0,243 (C3)

Stânga 13-19 Hz CP4, C4 0,221 (CP4)

S17 Dreapta 25Hz P3 0,143 (P3)

Stânga 11-13 Hz CP4 slabut 0,19 (CP4)

S18 Dreapta 9-13Hz P3, CP3 0,149 (P3)

Stânga 9-13 Hz CP4, P4 0,165 (P4)

S19 Dreapta Nu este evident

Stânga 9-11 Hz C4 0,188 (C4)

S20 Dreapta 9-13 Hz F evident pe C3 0,137 (C3)

Stânga 11-13 Hz C4 0,042 (C4)

S21 Dreapta 12-14 Hz C3 0,143 (C3)

Stânga 8-12, 13-15 Hz P4, C4, CP4 0,133 (P4)


Stânga 25 Hz, 15 Hz CP4, C4 0,066 (CP4)

S23 Dreapta 17-19Hz C3 0,143 (C3)

Stânga 15-17 Hz CP4, C4 0,121 (CP4)


Stânga 27-30Hz C4 0,143 (C4)

S25 Dreapta 8-14 Hz C3, CP3, P3 0,181 (Cp3)

Stânga 15-19 Hz C4 0,188 (C4)

S26 Dreapta Nu este evident

Stânga 29 Hz P4 0,09 (P4)

S27 Dreapta 11-13Hz CP3 0,165 (CP3)

Stânga 15-19 Hz CP4, C4 0,136 (CP4)

12

S28 Dreapta 16Hz,22Hz C3,CP3 0,308(C3)

0,347(CP3)

Stânga 17Hz CP4,C4 0,140(C4)

S29 Dreapta 17-21Hz CP3 0,243(CP3)

Stânga 18-22Hz,16Hz C4,P4 0,224(C4)

S30 Dreapta 11Hz, 21Hz P3,C3 0,043(P3)

Stânga 9-10Hz C4 0,059(C4)

S31 Dreapta 8-11Hz, 21Hz P3,Cp3,C3 0,085(P3)

Stânga 11-13Hz CP4 0,073(CP4)

S32 Dreapta 11-13Hz CP3 0,094(CP3)

Stânga 13-15Hz P4 0,166(P4)

S33 Dreapta 21-27Hz C3 0,061(C3)

Stânga Nu e evident

S34 Dreapta 21-27Hz C3 0,0614(C3)

Stânga 7-9Hz Cp4 0,056(CP4)

S35 Dreapta 23-30Hz C3, Cp3 0,126(C3)

Stânga 29-30Hz CP4,C4 0,126 (CP4)

S36 Dreapta 13_17Hz Pz,P4(nu e bine)

Stânga 13-17Hz P4 0,270(P4)

S37 Dreapta 9-11Hz P4 (nu e bine), P3 0,074(P3)

Stânga 11-15Hz P4 0,300(P4)

S38 Dreapta Nu e evident

Stânga 13-17 C4 0,076(C4)

S39 Dreapta 13-17 P3 0,194(P3)

Stânga Nu e evident

S40 Dreapta 21-25 Cp3,P3 0,111(Cp3)

Stânga 17-19 C4 0,075(C4)

S41 Dreapta 8-10Hz C3 0,0495(C3)

Stânga 23-25 CP4 0,0489(CP4)

S42 Dreapta 17-19Hz C3 0,297(C3)

Stânga 21,13 Hz Cp4,C4 0,216(Cp4)

S43 Dreapta 17-21Hz CP3,C3 0,175(CP3)

Stânga 11Hz C4 0,094(C4)

S44 Dreapta 11-15Hz C3,Cp3 0,122(C3)

Stânga 19-21Hz CP4,C4 0,118(CP4)

S45 Dreapta 7-8 Hz C3 ,C4 (nu e bine) 0,146(C3)

Stânga 7-9Hz C4, Cp4 0,199(C4)

2.4. Înregistrarea semnalelor de testare

Pentru clasificare avem nevoie de două tipuri de înregistrări: înregistrările realizate în

paradigma de învățare și înregistrări realizate în timpul testării.

În timpul testării se utilizează imaginarea/mișcarea unei singure mâini, cea pentru care

s-au obținut cele mai bune rezultate la analiza offline, astfel clasificarea se va realiza separat

pentru mâna stângă, respectiv mâna dreaptă. În această paradigmă de testare subiectul trebuie să conducă o bilă astfel încât ea să

atingă ținta, reprezentată de o bară de culoare roz. Când ținta este în partea de sus a ecranului,

subiectul trebuie să miște sau să-și imagineze mișcarea mâinii, iar când ținta este în partea de

jos a monitorului, subiectul trebuie să se relaxeze. În momentul când bila atinge ținta, aceasta

își schimbă culoarea (Fig. 2.3). La finalul experimentului software-ul BCI2000 afișează

procentul de succes al experimentului (având la bază un program de clasificare LDA).

13

A)

B)

C)

D)

Fig. 2.3. Paradigma de testare, de control al cursorului. Bila este cursorul și bara este ținta. A) Înainte ca bila să

atingă ținta (subiectul își imaginează mișcarea mâinii), B) Atingerea țintei aceasta își schimbă culoarea în galben,

C) Înainte ca bila să atingă ținta (subiectul se relaxează), D) Atingerea țintei

2.5. Concluzii

În acest capitol este prezentată prima etapă a implementării interfeței creier-calculator,

achiziția de semnale EEG. Achiziția de semnale reprezintă un pas deosebit de important,

decisiv chiar, în ceea ce privește succesul și rezultatele etapelor următoare, necesitând resurse

importante de timp dar și de voluntari dornici să realizeze experimentele.

Cercetarea pe date achizționate personal este mult mai eficientă, cunoscându-se toate

detaliile și condițiile în care au fost efectuate înregistrările dar și părerile voluntarilor și

declarațiile acestora cu privire la experiment și dacă au reușit sau nu să-și imagineze mișcarea,

acest lucru fiind unul nu tocmai ușor de realizat.

S-a realizat o mică bază de date, viabile, ce conține semnale EEG, înregistrate atât în

timpul mișcării cât și imaginării mișcării mâinilor, de la 45 de subiecți. Această bază de date

conține atât semnale de antrenare (în număr de 45) cât și semnale de testare (în număr de 35),

ceea ce este destul de rar întâlnit în bazele de date disponibile pe internet.

O contribuție importantă o reprezintă realizarea propriului cod de calcul al

coeficientului de determinare și obținerea de rezultate mai clare și valori mai crescute ale lui

r2 cu acesta.

14

Capitolul 3. Metode de extragere a trăsăturilor din semnalele EEG

Semnalele EEG conțin un mix necunoscut de componente care reprezintă procesele

creierului. De aceea este foarte importantă găsirea unor intrumente fiabile de procesare a

semnalului pentru a extrage caracteristici ale semnalelor sistemului BCI.

Pentru extragerea caracteristicilor semnalelor achiziționate s-au folosit trei metode:

analiza pe componente independente, analiza wavelet multirezoluție și exponentul Hurst.

3.1. Analiza pe componente independente - Independent component analysis

(ICA). Noțiuni teoretice

ICA este o metodă statistică care are scopul de a găsi o reprezentare liniară pentru care

componentele sunt independente statistic. În realitate nu se poate găsi o reprezentare cu

componente cu adevărat independente statistic, dar se poate găsi o reprezentare cu

componente independente statistic într-o măsură cât mai mare posibilă, în sensul maximizării

unei funcții care măsoară independența. ICA descompune datele în componente independente,

cu scopul de a estima procese biologice independente.

ICA poate fi definită ca o metodă de descompunere a datelor multivariate în

subcomponente independente statistic. În referința [Hyv], ICA este definită riguros utilizându-

se modelul statistic al ”variabilelor latente”.

3.1.1. Metoda propusă pentru extragerea trăsăturilor ce utilizează ICA și

coeficientul de determinare

Metoda propusă pentru extragerea trăsăturilor din semnalele EEG are la bază metoda

ICA și coeficientul de determinare r2 și presupune următoarele etape:

se importă câte o înregistrare realizată în timpul antrenării;

se extrag semnalele corespunzătoare imaginării/mișcării mâinii drepte

respectiv mâinii stângi și relaxării;

se convertește fiecare semnal (de relaxare sau de mișcare/imaginare mișcare a

mâinii drepte sau stângi) în domeniul frecvență cu ajutorul densității spectrale

de putere;

se filtrează fiecare semnal (de mișcare/imaginare a mișcării mâinii

drepte/stângi și de relaxare) cu un filtru trece bandă de tipul Butterworth între 8

și 30 Hz;

se calculează coeficientului de determinare (conform metodei propuse în

capitolul anterior) pentru semnalul filtrat corespunzător sarcinii de

mișcare/imaginare a mișcării mâinii drepte/stângi versus semnalul filtrat

corespunzător relaxării;

afișarea grafică a rezulatelor în funcție de frecvență și canale;

se aplică algoritmul ICA, ce are la bază algoritmul SOBI, acsobiro [Cic],

obținut din toolbox-ul open source EEGLAB, pentru toate cele trei semnale,

pentru a estima matricea de mixare și sursele;

se normalizează coloanele matricei surselor;

se calculează normele coloanelor matricei de mixare;

se ordonează descrescător aceste coloane după normele corespunzătoare;

se rețin primele trei coloane a matricei de mixare iar restul se egalează cu zero;

se reconstruiește semnalul după primele trei surse;

se calculează coeficientul de determinare pentru semnalele reconstruite după

aplicarea ICA corespunzătore sarcinilor de mișcare/imaginare a mișcării mâinii

drepte/stângi versus semnalul recontruit corespunzător relaxării;

afișarea grafică a rezultatelor în funcție de frecvență și canale.

15

Metoda a fost implementată în mediul software MATLAB.

3.1.2. Rezultate obținute

Rezultatele filtrării sunt afișate tot cu ajutorul coeficientului de determinare în fig

3.1.1. Valori mai mari ale lui r2 pot fi observate pe canalele CP3, C3 și P3 în banda de

frecvență 15-22Hz pentru sarcina de imaginare a mișcării mâinii drepte, iar pentru imaginarea

mișcării mâinii stângi pe canalele C4, CP4 la 15-22 Hz.

Fig. 3.1.1. Coeficientul de determinare calculat pentru semnalul filtrat

Coeficienții de determinare obținuți în urma reconstrucției semnalului după aplicarea

ICA sunt reprezentați în Fig. 3.1.2. Se poate observa că după aplicarea ICA, în cazul

imaginării mișcării mâinii drepte, cele mai mari valori ale lui r2 sunt pentru canalele C3, Cz și

CP3 în banda de frecvență 22-27 Hz, corespunzătoare ritmului beta. Pentru semnalul

corespunzător imaginării motorii a mâinii stângi, cele mai mari valori ale lui r2 s-au obținut

pentru canalul C4 la frecvența de 22-27Hz.

Fig. 3.1.2. Coeficientul de determinare calculat pentru semnalul reconstruit după ce a fost aplicată ICA

3.1.3. Concluzii

ICA este o metodă des utilizată pentru extragerea trăsăturilor din semnalele EEG

achiziționate prin diferite paradigme BCI [Erf], [Pet], [Wu], [Ser], [Li1].

16

În acest paragraf s-a propus o metodă de extragere a trăsăturilor semnalelor EEG ce

combină ICA și coeficientul de determinare. Metoda se aplică pentru semnalele filtrate în

banda 8 - 30Hz.

Se observă că în urma aplicării ICA valorile cele mai mari ale coeficientului de

determinare se concentrează pe cele două canale, C3 și C4, care sunt considerate cele mai

bune pentru discrimarea ritmurilor senzorimotoare, acest lucru constituind un avantaj al

metodei propuse. Deși valoarea acestor coeficienți este mai mică cu aproximativ 40% față de

valorile obținute pentru semnalul filtrat, acest lucru este de înțeles, datorită faptului că r2 se

calculează pentru semnalul reconstruit după primele trei surse iar semnalul este mult redus

dimensional.

În concluzie, ICA este o metodă utilă pentru descompunerea amestecurilor în

subcomponente, ce poate fi utilizată pentru extragerea trăsăturilor din semnalele achiziționate

în cadrul interfețelor creier - calculator care au la bază imaginarea motorie.

3.2 Analiza wavelet multirezoluție. Noțiuni teoretice.

3.2.1. Transformata wavelet folosită în analiza multirezoluție

În cazul transformatei wavelet continue, semnalul este analizat utilizând scalarea și

translarea unei funcții wavelet mamă. În cazul trasnformatei wavelet discrete, este realizată

reprezentarea timp-scală a unui semnal discret printr-o metodă bazată pe filtrare digitală.

Transformata wavelet discretă analizează semnalul la diferite rezoluții (analiză

multirezoluție), prin descompunerea semnalului în benzi de frecvență succesive.

O teorie detaliată a analizei wavelet multirezoluție se găsește în lucrările, [Dau],

[Rao], [Mal], iar algoritmul utilizat pentru calcularea transformatei wavelet multirezoluție,

numit algoritmul Mallat se găsește în lucrarea [Mal].

3.2.2. Aplicarea analizei multirezoluție pentru extragerea trăsăturilor din

semnalele EEG achiziționate

În capitolul precedent s-a pus în evidență faptul că ritmurile senzorimotoare sunt mai

evidente pe canalele C3 şi CP3 pentru semnalele corespunzătoare imaginării mişcării mâinii

drepte şi canalele C4 şi CP4 pentru semnalele înregistrate în timpul imaginării mişcării mâinii

stângi. Aşadar, am aplicat analiza wavelet multirezoluţie doar pentru aceste canale. Ţinând

cont că frecvenţa semnalului EEG înregistrat este între 0-128 Hz, iar spectrul ritmului mu este

între 8 şi 12 Hz iar a ritmului beta între 12 şi 30 Hz, este necesară descompunerea wavelet

multirezoluţie până la nivelul 4. După primul nivel de descompunere semnalul EEG este descompus în coeficientul

detaliului cu frecvenţă înaltă D1 (64-128 Hz) şi coeficientul aproximării de frecvenţă joasă A1

(0-64 Hz). La următorul nivel coeficientul A1 este descompus la rândul său în coeficientul

detaliului D2 (32-64 Hz) şi coeficientul aproximării A2 (0-32 Hz). Urmând acest procedeu se

obţin şi D3 (16-32 Hz), A3 (0-16 Hz), D4 (8-16 Hz) şi A4 (0-8 Hz) (Fig. 3.2.1).

Fig. 3.2.1. Descompunerea multirezoluție pe 4 nivele

17

Am testat descompunerea multirezoluție cu toate ordinele waveleturilor Daubechies,

Coiflet, Symlets, Biorthogonal, dar cele mai potrivite pentru punerea în evidenţă a

desincronizării ritmurilor senzorimotoare, în cazul semnalelor achiziționate, s-au dovedit a fi,

în urma analizei vizuale a formelor de undă, Daubechies2, Coiflet4 şi Symlets4.

Analiza wavelet multirezoluţie este aplicată pe canalele C3, CP3, C4 şi CP4.

Semnalele sub-componente ce sunt reprezentate în continuare sunt cele de interes:

coeficientul detaliului de ordinul 4 cu frecvenţa 8-16 Hz (corespunzătoare ritmului mu) şi

coeficientul detaliului de ordinul 3 cu frecvenţa de 16-32 Hz (ritmul beta). În figurile

următoare trebuie să observăm desincronizarea ritmurilor senzorimotoare, ceea ce în cazul

nostru reprezintă o scădere în amplitudine a semnalului corespunzător mișcării sau imaginării

mișcării față de semnalul corespunzător relaxării.

Pentru exemplificare am ales coeficientul detaliului de ordinul 4 corespunzător

imaginării mișcării mâinii stângi versus relaxare pe canalul C4 și se observă foarte bine, în

Fig. 3.2.1, desincronizarea ritmului mu în benzile de frecvență 8-9Hz și 12-13Hz când se

utilizează waveletul Coiflet4, la 10-11 Hz în cel de-al doilea grafic și la 10 Hz și 12-13 Hz

când descompunerea se realizează cu waveletul Symlet6 (unde se observă foarte bine o

creștere în amplitudine a semnalului corespunzător relaxării față de semnalul corespunzător

imaginării mișcării).

Coif4

Db2

8 9 10 11 12 13 14 15 160

0.5

1

1.5

2

2.5x 10

4 Frecventa pe C4 stanga vs relaxare 8-16Hz

Frecventa (Hz)

Left

Rest

8 9 10 11 12 13 14 15 160

1000

2000

3000

4000

5000

6000

7000

8000Frecventa pe C4 stanga vs relaxare 8-16Hz

Frecventa (Hz)

Left

Rest

18

Sym6

Fig. 3.2.1. Coeficientul detaliului de ordinul 4 pentru semnalul corespunzător imaginării mişcării mâinii stângi şi

pentru semnalul înregistrat în timpul relaxării

3.2.3. Concluzii

Transformata wavelet favorizează detectarea ritmurilor senzorimotoare ce pot fi

folosite pentru o interfaţă creier–calculator utilizată de persoanele cu deficiențe neuromotorii,

dar cu starea sistemului nervos central şi a analizatorului vizual în stare bună. Cu ajutorul

descompunerii multirezoluție pe patru nivele se poate analiza semnalul în benzile de

frecvență 8-16 Hz și 16-32 Hz ceea ce este foarte util deoarece ritmurile senzorimotoare au

frecvențe în aceste intervale. Inspecția vizuală nu poate fi considerată un criteriu viabil de analiză, de aceea

eficiența descompunerii wavelet multirezoluție va fi mai bine pusă în evidență utilizată

împreună cu alte metode de extragere a caracteristicilor (exponentul Hurst) și cu metode de

clasificare (Capitolul 4).

3.3. Exponentul Hurst. Noțiuni teoretice

Coeficientul Hurst apare în mai multe domenii ale matematicii aplicate inclusiv în

teoria haosului, procese de memorie şi analiză spectrală. Estimarea coeficientului Hurst,

iniţial dezvoltată în hidrologie, a fost aplicată în domenii care variază de la biofizică la reţele

de computere. Cu toate acestea, tehnicile moderne folosite pentru estimare provin din

matematică, [Ber].

Coeficientul Hurst şi dimensiunea fractală sunt legate la rândul lor prin formula

2D H (3.3.2)

Dimensiunea fractală ne indică rugozitatea unei suprafeţe [Man1]. Un exponent Hurst

de valoare mică are o dimensiune fractală mare şi o suprafaţa rugoasă în timp ce o valoare

Hurst mare are o dimensiune fractală mică si o suprafaţă mai netedă. În cazul nostru suprafaţa

este reprezentată de distribuţia semnalului, iar o valoare mare a exponentului Hurst indică

desincronizare.

Există mai multe metode care se pot utiliza pentru estimarea coeficientului Hurst:

metoda dispersiei diferenţiale, metoda dispersiei totale şi metoda statisticii domeniului

rescalat, metoda Higuchi, metoda de varianță agregată, metoda momentului absolut etc. În

continuare vor fi prezentate numai metodele folosite pentru punerea în evidență a ritmurilor

senzorimotoare.

8 9 10 11 12 13 14 15 160

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000Frecventa pe C4 stanga vs relaxare 8-16Hz

Frecventa (Hz)

Left

Rest

19

3.3.1. Estimarea exponentului Hurst prin metoda Higuchi

Metoda Higuchi calculează dimensiunea fractală a eşantioanelor [Hig]. Aceasta constă

în formarea de noi forme de undă prin selectarea interactivă a diferitelor eşantioane cu punctul

de pornire m şi factorul de întârziere k.

( ), ( ), ( 2 ),..., ( ( ) /k

mx x m x m k x m k x m N m k k (3.3.7)

unde m este punctul de start pentru fiecare formă de undă şi este variat de la 1 la k, k este

factorul de întârziere dintre eşantioane, iar N dimensiunea ferestrei.

3.3.2. Estimarea exponentului Hurst prin metoda varianței agregate (Aggregate

Variance Method)

Metoda variației agregate este descrisă în [Ber] și se bazează pe proprietatea de

autosimilaritate dintre eșantioanele unui proces. X este considerat a fi o serie de timp de

lungime N, care este împărțit în M subserii de lungime m. Pentru fiecare subserie, seriile

agregate se formeaza prin:

( )

,

1 1

1 1,2, ,

kmm

k i

i k m

X X k Mm

(3.3.10)

3.3.3. Estimarea exponentului Hurst prin metoda momentului absolut (Absolute

Moment Method)

Metoda momentului absolut este o generalizare a metodei de varianță agregată.

Aceasta se bazează pe aceleași principii, ( )mX (finit-dimensional) are aceeași distibuție ca 1Hm X pentru valori mari ale lui .m

1

( ) ( )

0

1 M

i

nm m

m

i

AM X XM

(3.3.13)

3.3.4. Metoda propusă de evidențiere a caracteristicilor ritmurilor

senzorimotoare ce utilizează exponentului Hurst și analiza wavelet multirezoluție

Metoda propusă constă în combinarea metodelor de calcul al exponentului Hurst cu

analiza wavelet multirezoluție.

Metoda propusă urmărește pașii:

se importă în programul MATLAB succesiv câte o înregistrare realizată în

timpul antrenării;

se extrag semnalele corespunzătoare imaginării/mișcării mâinii drepte

respectiv mâinii stângi și relaxării;

se extrag semnalele corespunzătoare canalelor de interes (C3 și CP3 pentru

semnalele corespunzătoare mișcării/imaginării mișcării mâinii drepte și C4,

CP4 pentru semnalele corespunzătoare mișcării/imaginării mișcării mâinii

stângi);

se realizează descompunerea wavelet multirezoluție pentru semnalele de pe

fiecare canal, utilizându-se succesiv waveturile Daubechies2, Coiflet4 și

Symlet6;

se calculează exponentul Hurst, succesiv prin cele trei metode: Higuchi, de

varianță agregată și metoda momentului absolut, pentru semnalele sub-

20

componente: coeficientul detaliului de ordinul 4 cu frecvenţa 8-16 Hz

(corespunzătoare ritmului mu) şi coeficientul detaliului de ordinul 3 cu

frecvenţa de 16-32 Hz (corespunzătoare ritmului beta);

se mediază valorile exponenților Hurst obținuți, pe numărul de încercări (30

execuții a mișcării/imaginări a mișcării fiecărei mâini și 30 de relaxări

(considerându-se perioada de relaxare de după fiecare tip de sarcină);

în final valorile exponenților Hurst obținute sunt mediate pe toate înregistrările,

separat pentru imaginarea mișcării (20) și execuția mișcării (25).


O valoare mare a exponentului Hurst indică desincronizare, de aceea trebuie să

urmărim ca valorile obținute să fie mai mari pentru semnalul corespunzător

mișcării/imaginării mișcării mâinii drepte față de semnalul corespunzător relaxării pe canalele

C3 și CP3 și pentru semnalul corespunzător mișcării/imaginării mișcării mâinii stângi față de

semnalul corespunzător relaxării pe canalele C4 și CP4, ca să avem o bună discriminare a

ritmurilor senzorimotoare. Cele mai multe astfel de valori se obțin cu metoda Higuchi, pentru

ambele sarcini motorii.

În Fig. 3.3.1 sunt reprezentate grafic rezultatele pentru toate metodele și waveleturile

utilizate, separat pentru sarcina de mișcare /imaginarea mișcării a mâinii drepte și cea de de

mișcare /imaginarea mișcării a mâinii stângi. Codul culorilor ce trebuie de umărit este

reprezentat de coloanele albastre (corespunzătoare sarcinii de mișcare/imaginarea mișcării

mâinii pentru semnalul cu bandă de frecvență 8-16Hz) care trebuie să fie mai înalte decât cele

roșii (corespunzătoare relaxării pentru semnalul cu bandă de frecvență 8-16Hz) și coloanele

galbene (corespunzătoare sarcinii de mișcare/imaginarea mișcării mâinii pentru semnalul cu

banda de frecvență 16-32Hz) care trebuie să fie mai înalte decât cele verzi (corespunzătoare

relaxării pentru semnalul cu banda de frecvență 16-32Hz). Se observă în ambele figuri că

toate coloanele albastre, în toate situațiile, sunt mai înalte decât cele roșii. Astfel putem

concluziona că subiecții care au participat la studiu și au realizat sarcina de mișcare sau de

imaginare a mișcării mâinii drepte/stângi discriminează mai bine ritmul mu și beta de joasă

frecvență (8-16Hz). În ceea ce privește coloanele galbene, acestea sunt mai înalte în special

pentru exponentul Hurst calculat prin metoda Higuchi, care se dovedește, astfel, a fi cea mai

bună metodă pentru calculul exponetului Hurst.

3.3.6. Concluzii

În concluzie, extragerea trăsăturilor cu ajutorul exponetului Hurst, este o metodă de

luat în seamă atunci când se lucrează cu semnale EEG înregistrate în timpul sarcinilor

motorii. Cea mai bună metodă folosită pentru calculul exponetului Hurst este metoda Higuchi.

Utilizarea exponetului Hurst, calculat cu cele trei metode, pentru a pune în evidență

caracteristicile semnalelor EEG înregistrate în timpul sarcinilor motorii, reprezintă o

contribuție importantă a acestei teze. Aceste metode nu au mai fost folosite până acum în

domeniul BCI, pentru a pune în evidență ritmurile senzorimotoare.

21

F

ig.

3.3

.1.

Rep

reze

nta

rea

gra

fică

a r

ezult

atel

or

ob

ținute

cu t

oat

e ce

le t

rei

met

od

e p

entr

u s

em

nale

le c

ore

spunză

toar

e m

ișcăr

ii/i

magin

ării

miș

cări

i m

âin

ii d

rep

te (

a) r

esp

ecti

v

stân

gi

(b)

ver

sus

rela

xar

e (N

ota

ții:

H -

met

od

a H

iguchi

pen

tru s

arci

na

de

miș

care

, H

i -

Met

od

a H

iguchi

pen

tru i

magin

area

miș

cări

i, M

- M

eto

da

mo

mentu

lui

abso

lut

pen

tru

sarc

ina

de

miș

care

, M

i -

Met

od

a m

om

entu

lui

abso

lut

pen

tru i

magin

are

a m

ișcă

rii,

V-

Met

od

a d

e var

ian

ță a

gre

gat

ă p

entr

u s

arci

na

de

miș

care

, V

i- M

eto

da

de

var

ianță

agre

gat

ă

pen

tru i

mag

inar

ea m

ișcă

rii)

0

0,1

0,2

0,3

0,4

0,5

0,6

Coif4 H C3

Db2 H C3

Sym6 H C3

Coif4 H CP3

Db2 H CP3

Sym6 H CP3

Coif4 Hi C3

Db2 Hi C3

Sym6 Hi C3

Coif4 Hi CP3

Db2 Hi CP3

Sym6 Hi CP3

Coif4 M C3

Db2 M C3

Sym6 M C3

Coif4 M CP3

Db2 M CP3

Sym6 M CP3

Coif4 Mi C3

Db2 Mi C3

Sym6 Mi C3

Coif4 Mi CP3

Db2 Mi CP3

Sym6 Mi CP3

Coif4 V C3

Db2 V C3

Sym6 V C3

Coif4 V CP3

Db2 V CP3

Sym6 V CP3

Coif4 Vi C3

Db2 Vi C3

Sym6 Vi C3

Coif4 Vi CP3

Db2 Vi CP3

Sym6 Vi CP3

8-1

6H

z D

reap

ta

8-1

6H

z R

ela

xare

16

-32

Hz

Dre

apta

16

-32

Hz

Re

laxa

re

0

0,1

0,2

0,3

0,4

0,5

0,6

Coif4 H C4

Db2 H C4

Sym6 H C4

Coif4 H CP4

Db2 H CP4

Sym6 H CP4

Coif4 Hi C4

Db2 Hi C4

Sym6 Hi C4

Coif4 Hi CP4

Db2 Hi CP4

Sym6 Hi CP4

Coif4 M C4

Db2 M C4

Sym6 M C4

Coif4 M CP4

Db2 M CP4

Sym6 M CP4

Coif4 Mi C4

Db2 Mi C4

Sym6 Mi C4

Coif4 Hi CP4

Db2 Mi CP4

Sym6 Mi CP4

Coif4 V C4

Db2 V C4

Sym6 V C4

Coif4 V CP4

Db2 V CP4

Sym6 V CP4

Coif4 Vi C4

Db2 Vi C4

Sym6 Vi C4

Coif4 Vi CP4

Db2 Vi CP4

Sym6 Vi CP4

8-1

6H

z St

ânga

8-1

6H

z R

ela

xare

16

-32

Hz

Stân

ga

16

-32

Hz

Re

laxa

re

22

Capitolul 4. Clasificarea sarcinilor de imaginare motorie din

semnalele EEG achiziționate

4.1. Metoda distanței Euclidiene, utilizată pentru clasificarea sarcinilor de

imaginare motorie

În continuare se propune o metodă de clasificare a sarcinilor de imaginare motorie ce

se bazează pe trăsăturile spectrale și pe distanța Euclidiană. Acestă metodă propusă este

simplă, rapidă, dar depinde foarte mult de selecția frecvențelor pentru clasificare.

Definiția distanței Euclidiene dintre două puncte a și b este:

2

1

( , ) ( )n

i i

i

d a b a b

(4.1.1)

S-a utilizat densitatea spectrală de putere pentru a extrage informații relevante din

semnalele utilizate. În continuare sunt descriși pașii de procesare pentru metoda propusă:

se segmentează, se normalizează și se notează seriile de timp;

se calculează densitatea spectrală de putere cu ajutorul transformatei Fourier

pentru fiecare segment și pentru fiecare canal EEG (pentru 2s din semnalul EEG,

eșantionat cu frecvența de eșantionare de 256Hz, avem 512 eșantioane și în același

timp 512 coeficienți FFT, astfel încât, fiecărei frecvențe îi corespund doi

coeficienți FFT);

se calculează paternurile de relaxare și cele de imaginare a mișcării respectiv

mișcare pentru fiecare canal, pentru semnalele EEG de antrenare (notate Pmișcare

sau Pimaginare și Prelaxare) (paternurile reprezintă de fapt media densităților spectrale

de putere calculate la pasul anterior);

se calculează diferența dintre paternul de mișcare/imaginare și paternul de relaxare

pentru fiecare canal (Dmr = Pmișcare - Prelaxare);

se setează frecvența de interes, în acest caz 8 - 30 Hz;

se găsește ordinului celor mai importante trăsături conform mărimii diferenței

dintre cele două paternuri (cele mai importante trăsături/frecvențe corespund celor

mai mari diferențe între cele două paternuri);

se alege numărul de trăsături utilizate pentru clasificare în funcție de relevanța

amplitudinilor liniilor spectrale și poziția lor în spectru;

se compară fiecare serie de timp a puterii spectrale de testare cu paternul de

relaxare și respectiv paternul de mișcare/imaginare. Comparația este realizată

pentru frecvențele determinate în etapele anterioare, folosind distanța Euclidiană;

se determină clasa de apartenență pe baza distanței Euclidiene;

se stabilește canalul de decizie (C3 sau CP3 sau P3) pe baza diferenței dintre cele

două paternuri. Canalul decisiv este canalul cu cea mai mare distanță Euclidiană

dintre cele două paternuri.


Metoda de clasificare propusă s-a aplicat pe înregistrările achiziționate.

Rezultatele obținute cu metoda propusă sunt pentru 75% din subiecți mai bune decât

cele obținute cu BCI2000. Cea mai bună clasificare obținută cu metode propusă este de 82%,

pentru subiectul 17_t2 și 10_t în cazul mișcării/imaginării mișcării mâinii drepte. În cazul

imaginării mișcării mâinii stângi se obțin rezultate mai bune când se utilizează metoda

propusă, pentru majoritatea subiecților cu excepția subiectului ”15_t”. În cazul mișcării

23

propiu-zise a mâinii stângi se obțin rezultate mai bune doar pentru 4 din 7 subiecți. Cea mai

mare rată de clasificare obținută este de 77% pentru ambele sarcini motorii.

TABEL V.I. REZULTATELE OPTIME OBȚINUTE CU DISTANȚA EUCLIDIANĂ ÎN COMPARAȚIE CU REZULATELE

OBȚINUTE CU BCI2000

Subiect BCI2000 Max. clasifc

cu DE

Nr. de

trăsă-

turi

IMAGINAREA MIȘCĂRII MÂINII DREPTE C3,

CP3, P3

4_t 72% 68% (C3) 28

9_t 54% 68% (C3) 5

11_t 36% 73% (CP3) 20

17_t 72% 77% (P3) 31

17_t1 68% 77% (CP3) 2

17_t2 77% 82% (CP3) 24

19_t 45% 68% (CP3) 45

23_t 77% 77% (C3) 25

33_t 77% 68% (C3) 2

33_t 63% 68% (C3) 22

MIȘCAREA MÂINII DREPTE C3, CP3, P3

6_t 81% 82% (CP3) 3

6_t1 50% 68% (C3) 2

6_t2 63% 77% (CP3) 26

10_t 81% 82% (C3) 4

12_t 90% 64% (CP3) 5

13_t 67% 67,5% (CP3) 44

25_t 68% 64% (P3) 33

32_t 59% 59% (C3, CP3) 4

34_t 81% 68% (C3, CP3) 3

Media

rezultate

lor

67.42% 71.44%

Subiect BCI2000 Max. clasifc

cu DE

Nr. de

trăsă-

turi

IMAGINAREA MIȘCĂRII MÂINII STÂNGI

C4, CP4, P4

1_t 63% 68% (C4) 4

15_t 86% 77% (CP4) 15

21_t 59% 68% (C4, P4) 45

21_t1 63% 73% (P4) 41

27_t 36% 68% (P4) 8

28_t 40% 64% (P4) 7

30_t 59% 64% (C4) 23

30_t1 68% 73% (P4) 43

35_t 77% 68% (P4) 43

35_t1 77% 77% (CP4) 2

MIȘCAREA MÂINII STÂNGI C4, CP4, P4

2_t 63% 64% (C4, P4) 3

3_t1 77% 65% (C4,

CP4) 38

8_t 77% 77% (P4) 12

18_t 45% 73% (CP4) 16

22_t 86% 77% (C4) 43

23_t 77% 77% (C4) 9

26_t 68% 64% (C4) 3

Media

rezultate

lor

65.94% 70.41%

4.1.2. Concluzii

O contribuție importantă a tezei este reprezentată de implementarea acestei noi metode

de clasificare ce se bazează pe distanța Euclidiană calculată între paternurile de

mișcare/imaginare a mișcării și relaxare, determinate din datele de antrenare și datele de

testare.

Deși metoda utilizată pentru clasificare este destul de simplă și ușor de aplicat,

rezultatele obținute sunt unele destul de satisfăcătoare, obținându-se rezultate mai bune cu

clasificatorul ce utilizează distanța Euclidiană fața de BCI2000 pentru un procent de

aproximativ 70% din subiecți.

4.2. Clasificarea sarcinilor de imaginare motorie cu ajutorul clasificatorului ”cei

mai apropiați K vecini” (k-Neareast Neighbours – k-NN)

KNN este o metodă non-paramentrică utilizată pentru clasificare. Algoritmul k-NN

este printre cei mai simpli dintre toți algoritmii de învățare de tipul mașină.

Clasificarea datelor cu ajutorul k-NN presupune parcurgerea a 5 pași:

1. determinarea lui k;

2. determinarea distanței (Euclidiene) dintre noul eșantion și datele de antrenare;

3. sortarea distanțelor și determinarea celui mai apropiat k vecin;

4. selectarea claselor acestor vecini;

5. determinarea clasei majoritare.

24

4.2.1. Metoda de clasificare k-NN utlizată

Primul pas în clasificare este crearea matricei de trăsături. Pentru antrenarea, dar și

testarea clasificatorului k-NN vom utiliza trăsături obținute cu ajutorul transformatei wavelet

multirezoluție. Descompunerea multirezoluție este realizată cu ajutorul a două tipuri de

waveleturi, Coiflet4 și Daubechies2 pe canalele C3, CP3 și P3 pentru semnalele

corespunzătoare mișcării/ imaginării mișcării mâinii drepte și pe canalele C4, CP4 și P4

pentru semnalele corespunzătoare mișcării/ imaginării mișcării mâinii stângi.

Trăsăturile de clasificare vor fi alese dintre coeficienții detaliului de ordinul 3 și

ordinul 4, ritmurile senzorimotoare având frecvența cuprinsă în intervalul de frecvență a

acestor coeficienți. Algoritmul k-NN se aplică pentru valorile lui k alese între 1 și 5.

Clasificarea se realizează între două clase: de relaxare și de mișcare/imaginare mișcare.

Numărul de trăsături pentru care se obțin ratele de clasificare maxime diferă de la un subiect

la altul și pentru același subiect de la un canal la altul ca și în cazul clasificării cu distanța

euclidiană.

4.2.2. Rezultate

În Tabelul IV.II.I sunt reprezentate rezultatele optime obținute cu clasificatorul k-NN

pentru semnalele corespunzătoare imaginării mișcării/mișcării mâinii drepte, pe canalul C3.

Rezultatele obținute sunt mai bune, pentru toți subiecții, față de ratele de clasificare obținute

de BCI2000. Cel mai mare procent de clasificare obținut este de 95% pentru trei subiecți,

”12_t1” (k=1), ”25_t” (k=1) și ”34_t” (k=3), care au realizat sarcina de mișcare a mâinii

drepte. Dacă analizăm mediile aritmetice calculate pentru toți subiecții se observă că cea mai

mare medie s-a obținut pentru k=1 în cazul ambelor waveleturi utilizate pentru descompunere.

Media maximă obținută este de 82,5% față de 67,65%, media cu software-ul BCI2000.

TABEL IV.II.I REZULTATELE OPTIME OBȚINUTE CU K - NN (K=1:5) PE CANALUL C3 ÎN COMPARAȚIE CU

REZULTATELE OBȚINUTE CU BCI2000 PENTRU IMAGINAREA MIȘCĂRII/MIȘCAREA MÂINII DREPTE

Subiect

BCI2000

Imaginare mișcare C3

k=1 k=2 k=3 k=4 k=5

Coif4 Db2 Coif4 Db2 Coif4 Db2 Coif4 Db2 Coif4 Db2

9_t 54% 86% 77% 86% 77% 91% 77% 86% 77% 82% 82%

9_t1 77% 82% 82% 77% 77% 82% 77% 72% 77% 82% 77%

17_t 72% 82% 77% 73% 82% 77% 82% 73% 82% 82% 77%

17_t1 68% 77% 82% 73% 77% 82% 82% 77% 77% 77% 86%

17_t2 77% 82% 86% 86% 73% 82% 77% 82% 82% 82% 82%

19_t 45% 82% 82% 77% 77% 82% 77% 77% 73% 82% 82%

4_t 72% 82% 82% 77% 73% 82% 82% 77% 77% 86% 77%

23_t 77% 82% 82% 77% 73% 82% 82% 77% 73% 86% 82%

33_t 72% 86% 82% 82% 86% 91% 82% 77% 82% 77% 82%

33_t1 63% 82% 86% 77% 73% 82% 82% 77% 73% 82% 77%

11_t 36% 77% 86% 77% 82% 82% 86% 77% 82% 82% 82%

Miscare C3

6_t 81% 82% 82% 77% 77% 82% 77% 77% 77% 77% 77%

6_t1 50% 82% 77% 77% 82% 77% 82% 77% 82% 77% 82%

6_t2 63% 82% 86% 77% 77% 82% 77% 77% 77% 77% 77%

10_t 81% 82% 82% 82% 73% 77% 82% 77% 77% 82% 82%

12_t1 90% 86% 95% 82% 77% 86% 86% 82% 82% 86% 86%

13_t 67% 73% 75% 67% 75% 73% 77% 70% 73% 70% 70%

25_t 68% 95% 86% 91% 77% 86% 82% 82% 77% 82% 82%

32_t 59% 86% 77% 77% 73% 82% 82% 68% 73% 77% 82%

34_t 81% 82% 86% 73% 77% 82% 95% 82% 82% 82% 82%

Medie 67,65% 82,5% 82,5% 78,2% 76,9% 82,1% 81,3% 77,2

%

77,2% 80,5% 80,3%

25

În Tabelul IV.II.II sunt reprezentate rezultatele optime obținute cu clasificatorul k-NN

pentru semnalele corespunzătoare imaginării mișcării/mișcării mâinii stângi, pe canalul C4. În

cazul sarcinii de imaginare motorie, se observă că rezultatele clasificării sunt mai bune decât

rezultatele obținute cu BCI2000, pentru toți subiecții, cu excepția lui ”15_t” pentru care s-a

obținut un procent mai mic cu 4% fața de BCI2000. Rata maximă de clasificare este de 91%.

În cazul sarcinii de mișcare a mâinii stângi cea mai bună rată de clasificare este de 86%.

TABEL IV.II.II REZULTATELE OPTIME OBȚINUTE CU K-NN (K=1:5) PE CANALUL C4, ÎN COMPARAȚIE CU

REZULATELE OBȚINUTE CU BCI2000 PENTRU IMAGINAREA MIȘCĂRII/MIȘCAREA MÂINII STÂNGI

Subject

BCI200

0

Imaginare mișcare C4

k=1 k=2 k=3 k=4 k=5

Coif4 Db2 Coif4 Db2 Coif4 Db2 Coif4 Db2 Coif4 Db2

1_t 63% 91% 73% 77% 68% 86% 77% 73% 77% 82% 77%

15_t 86% 82% 77% 77% 77% 82% 77% 77% 68% 77% 77%

21_t 59% 77% 82% 77% 77% 77% 82% 77% 82% 77% 82%

21_t1 63% 82% 86% 72% 77% 86% 77% 68% 73% 77% 77%

27_t 45% 82% 86% 77% 77% 86% 77% 77% 73% 82% 77%

28_t 50% 82% 91% 77% 73% 86% 82% 77% 73% 86% 82%

30_t 59% 77% 77% 68% 68% 82% 77% 73% 73% 77% 77%

30_t1 68% 74% 82% 71% 73% 76% 77% 73% 68% 76% 77%

35_t 77% 77% 77% 68% 68% 77% 77% 77% 73% 77% 77%

35_t1 77% 86% 86% 82% 82% 86% 82% 82% 86% 82% 82%

Mișcare C4

2_t 63% 82% 82% 77% 77% 86% 86% 73% 77% 77% 82%

3_t1 86% 77% 82% 73% 77% 82% 86% 77% 77% 77% 82%

8_t 77% 77% 82% 73% 68% 82% 73% 77% 73% 77% 77%

18_t 45% 82% 82% 82% 68% 77% 77% 77% 73% 82% 86%

18_t1 86% 82% 82% 77% 73% 77% 77% 77% 73% 82% 82%

22_t 77% 82% 82% 73% 77% 82% 86% 73% 77% 77% 82%

26_t 68% 82% 86% 73% 73% 82% 86% 73% 82% 77% 86%

Medie 67,58% 80,82

% 82,05

%

74,94

%

73,7

%

81,88

%

79,76

%

75,35

%

75,17

%

78,94

%

80,11

%

4.2.3. Concluzii

K-NN este o metodă de clasificare simplă, precisă și destul de sigură pentru a fi

folosită în implementarea interfețelor creier - calculator, ce face posibilă analiza semnalelor

EEG înregistrate în timpul sarcinilor motorii.

Se obțin rate de clasificare mai bune cu clasificatorul k-NN decât cu clasificatorul

utilizat de BCI2000 pentru un procent de 90% din subiecți. Cea mai mare rată de clasificare

obținută este de 95% când subiecții realizează sarcina de imaginare a mișcării mâinii drepte

pe canalul P3, sarcina de mișcare a mâinii drepte pe canalul C3 și CP3, sarcina de imaginare a

mișcării mâinii stângi pe canalul P4 și sarcina de mișcare a mâinii stângi pe canalul CP4. Un

procent mai mic de clasificare, de 86%, se obține pentru canalul C4 când se realizează sarcina

de mișcare a mâinii stângi.

4.3. Clasificarea cu ajutorul analizei liniar discriminantă - Linear Discriminant

Analysis (LDA)

LDA este folosită pentru a găsi o combinație liniară de caracteristici care pot separa

cel mai bine două sau mai multe clase. Obiectivul LDA este de a reduce dimeniunile datelor

în timp ce se păstrează cât mai mult posibil din informațiile discriminatorii ale claselor.

Apoi se definește funcția LDA ca distanța dintre mediile proiectate:

Analiza liniar discriminantă Fisher se efectuează prin calculul relației:

26

1 2

2

1 2

2 2( )J w

s s

, (4.3.5)

unde J(w) este o funcție de maximizare, 1 2 reprezintă distanța dintre mediile proiectate

și 1 2

2 2( )s s reprezintă împrăștierea proiecțiilor în cadrul clasei.

4.3.1. Clasificarea cu ajutorul LDA când trăsăturile sunt extrase cu ajutorul

trasformatei wavelet

În cadrul aceastei metode matricea de trăsături se formează la fel ca în paragraful

4.2.1, însă descompunerea multirezoluție se realizează de această dată doar cu waveletul

Coiflet4. Clasificarea se va face pentru cele trei canale C3, CP3 și P3, corespunzătoare

imaginării motorii/ mișcării mâinii drepte și respectiv C4, CP4 și P4, corespunzătoare

imaginării motorii/ mișcării mâinii stângi.

Componentele matricei de trăsături se selectează din coeficienții detaliului de ordinul

4 cu frecvența de 8-16Hz și coeficienții detaliului de ordinul 3 cu banda de frecvență 16-

32Hz.

Metoda propusă pentru clasificarea LDA constă în normalizarea matricii de trăsături

formată din coeficienții wavelet, ai detaliului, de ordinul 3 și 4.


Tabelul IV.III.I conține ratele de clasificare obținute cu LDA și LDA cu matricea de

trăsături normalizată pentru toate cele trei canale, în comparație cu rezultatele obținute cu

LDA cu software-ul BCI2000. În ceea ce privește semnalele înregistrate când subiecții au

realizat sarcina de imaginare a mișcării mâinii drepte, obținem prin metodele LDA

implementate, pentru toți subiecții, rezultate mai bune decât cele obținute cu BCI2000. Cel

mai mare procent de clasificare este de 86%, obținut de cele mai multe ori când se folosește

LDA cu matricea de trăsături normalizată. Realizând mediile aritmetice pentru toți subiecții,

pe fiecare canal și pentru fiecare metodă, cel mai mare procent este de 78,94% și este obținut

cu LDA-ul normalizat pe canalul C3. Pentru ambele metode implementate și pentru toate

canalele s-au obținut medii mai mari decât pentru media ratelor de clasificare cu LDA-ul

folosit de BCI2000.

TABEL IV.III.I REZULTATELE CLASIFICATORULUI LDA PENTRU SEMNALELE CORESPUNZĂTOARE IMAGINĂRII

MIȘCĂRII/MIȘCĂRII MÂINII DREPTE VS RELAXARE

Subiect

BCI2000

C3 CP3 P3

LDA LDA

norm

LDA LDA

norm

LDA LDA

norm

IMAGINARE MIȘCARE MÂNA DREAPTĂ

9_t 54% 77% 82% 77% 77% 82% 86%

9_t1 77% 77% 82% 77% 82% 82% 77%

17_t 72% 77% 73% 68% 77% 77% 77%

17_t1 68% 82% 82% 82% 73% 77% 73%

17_t2 77% 77% 82% 68% 73% 77% 73%

19_t 45% 68% 86% 82% 86% 77% 86%

4_t 72% 73% 68% 73% 73% 73% 73%

23_t 77% 68% 82% 86% 82% 77% 82%

33_t 72% 86% 77% 82% 73% 77% 68%

33_t1 63% 77% 77% 77% 82% 82% 77%

11_t 36% 73% 82% 77% 86% 77% 73%

MIȘCARE MÂNA DREAPTĂ

27

6_t 81% 77% 73% 82% 82% 77% 82%

6_t1 50% 68% 68% 68% 68% 68% 82%

6_t2 63% 77% 86% 73% 82% 82% 86%

10_t 81% 82% 82% 82% 86% 82% 82%

12_t1 90% 82% 86% 82% 77% 68% 73%

25_t 68% 77% 73% 73% 73% 73% 68%

32_t 59% 86% 82% 82% 86% 86% 82%

34_t 81% 77% 77% 77% 77% 86% 82%

Medie 67,68% 76,89% 78,94% 77,26% 78,68% 77,89% 78%

Tabelul IV.III.II conține ratele de clasificare obținute cu LDA și LDA cu matricea de

trăsături normalizată pentru toate cele trei canale, în comparație cu rezultatele obținute cu

LDA cu software-ul BCI2000, pentru subiecții ce realizează sarcini de imaginare

motorie/mișcare a mâinii stângi. Dintre toți subiecții doar pentru unul singur, ”15_t”, se obțin

rezultate mai slabe cu LDA-urile implementate decât cu LDA-ul folosit de BCI2000. Cea mai

mare rată de clasificare obținută este de 91%. Realizând mediile aritmetice pentru toți

subiecții, pe fiecare canal și pentru fiecare metodă, cel mai mare procent este de 79,52% și

este obținut cu LDA-ul implementat pe canalul P4 fața de BCI2000 (67,58%).

TABEL IV.III.II REZULTATELE CLASIFICATORULUI LDA PENTRU SEMNALELE CORESPUNZĂTOARE IMAGINĂRII

MIȘCĂRII/MIȘCĂRII MÂINII STÂNGI VS RELAXARE

Subiect

BCI2000

C4 CP4 P4

LDA LDA

norm

LDA LDA

norm

LDA LDA

norm

IMAGINARE MIȘCARE MÂNA STÂNGĂ

1_t 63% 91% 86% 86% 86% 86% 91%

15_t 86% 73% 82% 77% 82% 82% 77%

21_t 59% 77% 77% 82% 73% 73% 77%

21_t1 63% 68% 82% 73% 77% 68% 73%

27_t 45% 68% 82% 68% 77% 77% 82%

28_t 50% 82% 77% 82% 77% 86% 82%

30_t 59% 86% 77% 77% 82% 77% 77%

30_t1 68% 86% 77% 77% 68% 77% 77%

35_t 77% 77% 77% 73% 73% 77% 82%

35_t1 77% 77% 82% 73% 82% 77% 73%

MIȘCARE MÂNA STÂNGĂ

2_t 63% 77% 82% 77% 86% 73% 86%

3_t1 86% 77% 73% 86% 86% 77% 86%

8_t 77% 86% 77% 86% 77% 91% 77%

18_t 45% 77% 77% 86% 91% 86% 82%

18_t1 86% 82% 82% 77% 73% 86% 68%

22_t 77% 73% 77% 82% 77% 77% 77%

26_t 68% 73% 73% 77% 77% 82% 82%

Medie 67,58% 78,23% 78,82% 78,76% 79,05% 79,52% 79,35%

4.3.3. Clasificarea cu ajutorul LDA când trăsăturile sunt extrase cu ajutorul ICA

Pentru obținerea matricei de trăsături se urmează pașii descriși și în Capitolul 3.1.

Semnalul se filtrează cu un filtru trece bandă de tipul Butterwotrh între 8 și 30 Hz. Am

ales această bandă de interes pentru că ritmurile mu și beta au frecvențele în acestă bandă.

28

După filtrare, se aplică algoritmul ICA descris în capitolul 2. (2.1.3)

Matricea trăsăturilor se formează din semnalul recontruit după aplicarea ICA, pe

canalele C3, CP3, P3 pentru semnalele înregistrate în timpul mișcării/imaginării mișcării

mâinii drepte și C4, CP4, P4 pentru semnalele înregistrate în timpul mișcării/imaginării

mișcării mâinii stângi. Se urmează aceiași pași atât pentru semnalele de antrenare cât și pentru

cele de testare, apoi se clasifică cu ajutorul LDA.

Tabelul IV.III.III conține ratele de clasificare obținute cu LDA pentru toate cele trei

canale, în comparație cu rezultatele obținute cu LDA cu software-ul BCI2000. Analizând

aceste tabele putem concluziona că acestă metodă de clasificare ne oferă rezultate foarte bune

în comparație cu procentele de clasificare obținute cu BCI2000, pentru aproximativ 70% din

subiecți, dar și unele foarte slabe, cum ar fi subiectul ”19_t” pentru care se obține 45% cu

BCI2000 și 41% cu LDA pe canalul C3 și doar 36% pe canalele CP3 și P3. Cea mai mare rată

de clasificare obținută este de 95% pentru toate sarcinile.

TABEL IV.III.III REZULTATELE CLASIFICATORULUI LDA (ICA)

Subiect BCI2000 LDA ICA

C3 CP3 P3

IMAGINARE MIȘCARE MÂNA DREAPTĂ

9_t 54% 54% 50% 73%

9_t1 77% 63% 45% 41%

17_t 72% 68% 73% 73%

17_t1 68% 86% 59% 73%

17_t2 77% 73% 50% 73%

19_t 45% 41% 36% 36%

4_t 72% 95% 91% 54%

23_t 77% 95% 50% 73%

33_t 72% 82% 86% 95%

33_t1 63% 91% 95% 95%

11_t 36% 86% 77% 73%

MIȘCARE MÂNA DREAPTĂ

10_t 81% 73% 77% 77%

12_t1 90% 86% 91% 95%

13_t 67% 77% 68% 68%

20_t 59% 59% 54% 50%

25_t 68% 73% 64% 73%

32_t 59% 95% 95% 95%

34_t 81% 64% 73% 77%

Medie 68% 76% 69% 72%

Sub. BCI

2000

LDA ICA

C4 CP4 P4

IMAGINARE MIȘCARE MÂNA STÂNGĂ

1_t 63% 95% 50% 45%

15_t 86% 90% 95% 95%

21_t 59% 95% 86% 68%

21_t1 63% 91% 91% 77%

27_t 45% 95% 95% 95%

28_t 50% 68% 59% 73%

30_t 59% 64% 68% 59%

30_t1 68% 68% 73% 64%

35_t 77% 64% 64% 77%

35_t1 77% 59% 73% 73%

MIȘCARE MÂNA STÂNGĂ

2_t 63% 73% 59% 68%

3_t1 86% 77% 64% 64%

8_t 77% 68% 50% 82%

18_t 45% 95% 95% 91%

18_t1 86% 95% 91% 91%

22_t 77% 32% 95% 91%

26_t 68% 64% 68% 82%

14_t 81% 73% 95% 73%

16_t 72% 95% 95% 95%

31_t 54% 59% 82% 82%

Medie 68% 76% 77% 77%

4.3.4. Concluzii

Se utilizează clasificatorul LDA pentru că este una din cele mai eficiente metode de

clasificare ce se folosește în domeniul BCI. Am ales această metodă datorită simplității, a

preciziei de aplicare dar și pentru că se folosește pentru software-ul BCI2000 în paradigma de

testare.

Metoda de clasificare LDA am aplicat-o în trei moduri diferite. Pentru primele două

metode, extragerea trăsăturilor se realizează cu ajutorul analizei wavelet multirezoluție.

Această metodă ne permite descompunerea semnalului în subcomponente de interes cu

29

benzile de frecvență corespunzătoare ritmurilor senzorimotoare. Metoda permite reducerea

dimensiunii datelor și extragerea trăsăturilor de interes.

Cele mai mari rate de clasificare obținute sunt de 91% cu primele două metode și de

95% cu cea de-a treia metodă. Deși am putea concluziona că metoda de clasificare care are la

bază ICA este mai eficientă decât cele ce au la bază descompunerea multirezoluție, media

aritmetică a procentelor de clasificare pentru toți subiecții ne contrazice. Astfel că, pentru

sarcina de mișcare/imaginare a mișcării mâinii drepte, media maximă pentru LDA este de

78,68% (pe canalul CP3), pentru LDA cu matrice normalizată este de 78,94% (pe canalul

C3), iar pentru LDA cu ICA este de 76%, în timp ce pentru sarcina de mișcare/imaginare a

mișcării mâinii stângi media maximă pentru LDA este de 79,52% (pe canalul P4), pentru

LDA cu matricea normalizată este de 79,35% (pe canalul P4), iar pentru LDA cu ICA este de

77% (pe canalele CP4 și P4).

În concluzie, ratele de clasificare obținute cu LDA prin toate cele trei metode sunt în

general mai mari decât procentele obținute cu LDA-ul implementat de software-ul BCI2000,

care, după cum s-a demonstrat în acest capitol, poate fi îmbunătățit.

4.4. Comparație între clasificatoarele utilizate

Pentru a putea compara rezultatele clasificatoarelor utilizate în acest studiu, am

realizat graficele din Fig. 4.3.5 și 4.3.6 corespunzătoare subiecților ce realizează sarcini de

mișcare/imaginare a mișcării mâinii drepte, respectiv sarcini de mișcare/imaginare a mișcării

mâinii stângi.

În Fig. 4.3.5 se poate observa că cele mai multe valori maxime ale clasificării, de 95%,

se obțin cu clasificatorul LDA ce are la bază ICA, dar tot cu acest clasificator, pentru 6 situații

se obțin și cele mai scăzute valori ale clasificării, mai mici chiar decât cele obținute cu

BCI2000. De aici putem concluziona că această metodă este una destul de sensibilă pentru a fi

folosită pentru implementarea unei interfețe creier - calculator.

De asemenea, 95%, se mai obține când se folosește clasificatorul k-NN în două

situații. Cu această metodă de clasificare se obțin rezultate foarte bune pentru majoritatea

subiecților. Rezultate destul de bune, pentru toți subiecții se obțin și cu LDA ce are la bază

matricea trăsăturilor normalizată.

Se observă că pentru majoritatea subiecților se obțin rate de clasificare mai mari cu

metodele propuse și implementate decât cu cea a software-ului BCI2000.

Fig. 4.3.5. Reprezentarea grafică a rezultatelor cu toate metodele de clasificare folosite pentru subiecții ce

realizează sarcina de mișcare/imaginare a mișcării mâinii drepte

În Fig. 4.3.6 se observă că cele mai multe rate maxime de clasificare de 95% (6

subiecți), se obțin, de asemenea, cu clasificatorul LDA ce are la bază metoda ICA. Cu aceeași

0

10

20

30

40

50

60

70

80

90

100

BCI2000

DE

KNN K=1 Coif4

KNN K=1 Db2

LDA C3

LDA norm C3

LDA ICA C3

30

metodă de clasificare se obțin, însă, și cele mai multe rate de clasificare minime (5 subiecți).

Metode de clasificare stabile, cu care se obțin rezultate bune pentru toți subiecții, sunt k-NN și

LDA ce utilizează trăsături din descompunerea multirezoluție.

Figura 4.3.6. Reprezentarea grafică a rezultalelor cu toate metodele de clasificare folosite pentru subiecții ce

realizează sarcina de mișcare/imaginare a mișcării mâinii stângi

În concluzie, clasificatorul cel mai sigur, precis și cu care se obțin cele mai multe rate

de clasificare mai mari decât cele obținute cu BCI2000, este clasificatorul k-NN. Cea mai

mare rată de clasificare obținută cu acest clasificator este de 95%. Deși cele mai multe

rezultate maxime de 95% se obțin cu clasificatorul LDA ce are la bază metoda ICA, tot cu

acesta se obțin și cele mai slabe rezultate. Acest clasificator este unul foarte instabil și de o

acuratețe foarte slabă. Un alt clasificator cu care se obțin cele mai multe rezultate mai mici

decât cele obținute cu BCI2000, în proporție de aproximativ 30% din totalul subiecților, este

clasificatorul ce utilizează distanța euclidiană.

Capitolul 5. Concluzii și contribuții

În acestă teză sunt prezentate și tratate cele trei componente ale interfeței creier -

calculator: achiziția de semnale, procesarea acestor semnale și controlul unui dispozitiv

exterior. Controlul calculatorului se realizează doar cu ajutorul sistemul BCI2000, în timpul

înregistrării semnalelor de testare, când subiecții controlează o bilă pe monitorul unui

calculator doar mișcând sau imaginând mișcarea unei mâini. Achiziția de semnale EEG și

procesarea acestora a reprezentat, în schimb, principala preocupare.

Contribuții personale

În concluzie, autoarea a propus câteva idei noi, apoi, folosind programul MATLAB, a

probat măsura în care ele dovedesc performanțe notabile:

În capitolul III se propune o metodă de extragere a trăsăturilor semnalelor

EEG, ce utilizează ICA și coeficientul de determinare.

Tot în capitolul III se propune o altă metodă de evidențiere a ritmurilor

senzorimotoare ce calculează exponentul Hurst cu ajutorul analizei wavelet

multirezoluție. Exponentul Hurst este calculat pentru senmalele sub-componete

cu benzile de frecvență corespunzătoare ritmurilor senzorimotoare, cu ajutorul

a trei metode : Higuchi, de varianță agregată și a momentului absolut.

Pentru realizarea clasificării sarcinilor motorii, din semnalele EEG

achiziționate, se propune, în capitolul IV, metoda distanței euclidiene. Rata

maximă de clasificare obținută prin acestă metodă este de 82%.

0

10

20

30

40

50

60

70

80

90

100

1_t 15_t 21_t 21_t1 27_t 28_t 30_t 30_t1 35_t 35_t1 2_t 3_t1 8_t 18_t 22_t 26_t

BCI2000

DE

KNN K=1 Coif4

KNN K=1 Db2

LDA C3

LDA norm C3

LDA ICA C3

31

Continuând cu implementarea de metode de clasificare, se analizează

performanța clasificatorului LDA ce utilizează trăsături extrase cu ajutorul

analizei wavelet multirezoluție și cu ajutorul ICA. Ca o modificare a primei

metode, autoarea propune normalizarea matricei de trăsături formate din

coeficienții wavelet. Rata maximă de clasificare obținută prin această metodă

este de 91%, iar media maximă pentru toți subiecții este de aproximativ 80%

față de 67% cât s-a obținut cu software-ul BCI2000.

Alte contribuții personale ale autoarei aduse prin această teză pot fi rezumate astfel:

realizarea unui studiu asupra stadiului actual al cercetărilor în domeniul BCI;

realizarea unei baze de date cu semnale EEG ce au la bază sarcini motorii,

înregistrate atât în perioada de antrenare cât și în cea de testare;

implementarea propriului software, în mediul de lucru MATLAB, pentru

analiza offline ce are la bază coeficientul de determinare;

elaborarea de programe MATLAB pentru determinarea celor mai potrivite

tipuri de waveleturi pentru descompunerea multirezoluție a semnalelor

achiziționate;

implementarea unui cod de clasificare ce utilizează algoritmul k-NN cu valori

ale lui k alese între 1 și 5 și obținerea unei rate de clasificare maxime de 95%;

elaborarea unui studiu comparativ pentru clasificatoarele utilizate.

Perspective de viitor

Semnalele achiziționate, metodele de extragere a trăsăturilor și cele de clasificare,

constituie un suport adecvat pentru elaborarea planurilor şi deciziilor imediat următoare.

Rezultatele obținute susțin continuarea acestor cercetări din punct de vedere al controlului

dispozitivelor exterioare.

Astfel că, pe viitor îmi doresc să obțin un proiect de finanțare pentru implementarea

unei BCI care să controleze un scaun cu rotile sau un braț robotic, în care să fie implicați

medici, bioingineri, ingineri în robotică, informaticieni, matematicieni. Numai împreună cu o

echipă mai mare de specialiști se poate duce la îndeplinire un astfel de proiect.

32

Activitate științifică

R. Aldea, M. Fira, A. Lazăr, „Classifications of motor imagery tasks using k-nearest

neighbors”, Proceedings of the 12th Symposium on Neural Network Applications in

Electrical Engineering (NEUREL), 25-27 November 2014, Belgrade, Serbia, Piscataway:

IEEE Service Center.- Lucrare acceptată spre publicare.

M. Fira, R. Aldea, A. Lazăr, L. Goraș, „Classifications of motor imagery tasks in

brain computer interface using euclidian distance”, Proceedings of the 12th Symposium on

Neural Network Applications in Electrical Engineering (NEUREL), 25-27 November 2014,

Belgrade, Serbia, Piscataway: IEEE Service Center.- Lucrare acceptată spre publicare.

O. D. Eva, R. Aldea, A. Lazar, „Detection and Classification of Mu Rhythm for the

EEG MOTOR MOVEMENT/IMAGERY DATASET”, Buletinul Institutului Politehnic Iași”,

Lucrare acceptată spre publicare în Vol. LX (LXIV), Fasc. 2, 2014.

R. Aldea, M. Fira, “Classifications of Motor Imagery Tasks in Brain Computer

Interface Using Linear Discriminant Analysis” International Journal of Advanced Research in

Artificial Intelligence (IJARAI), 3(7), 2014. http://dx.doi.org/10.14569/IJARAI.2014.030702.

R. Aldea, „Wavelet – based EEG subbands decomposition to hightlight sensorimotor

rhythms”, Buletinul Institutului Politehnic Iasi”, Vol. LIX (LXIII), Fasc. 3, pp. 49-58, 2013.

R. Aldea, D. Tărniceriu, ” Estimating Hurst exponent in motor imagery-based Brain

Computer Interface”, The 7th

International conference- Speech technology and human-

computer dialogue-SpeD, Cluj-Napoca, 16-19 Octombrie, 2013.

R. Aldea, O. Eva, “Detecting sensorimotor rhythms from the EEG signals using the

independent component analysis and the coefficient of determination”, International

Symposium on Signals, Circuits and Systems- ISSCS 2013, pp. 13–16, Iași, 11-12 Iulie, 2013.

R. Aldea, “Multiresolution wavelet analysis and Hurst estimation used for

highlighting sensorimotor rhythms”, Buletinul Institutului Politehnic Iași”, Vol. LIX (LXIII),

pp. 63-71, 2013.

R. Aldea, A.M. Lazăr, O posibilitate de detecție a potențialului P300 cu ajutorul

transformatei wavelet multirezoluție, Revista Medico Chirurgicală, Ianuarie-Martie 2012,

Vol. 116, ISSN: 0048-7848.

R. Aldea, Analiza potențialului P300 cu ajutorul platformei BCI2000, Conferința

Națională de Bioinginerie pentru studenți și tineri cercetători, Editia a XIV-a, Iași, 2011

R. Aldea, Utilizarea potențialului P300 pentru implementarea unei interfete creier-

calculator, Simpozionul de Bioinginerie Medicală pentru studenți și tineri cercetători , Editia

a XIII-a, Iași, 2010

N. Adochiei, R. Aldea, Determinarea variabiliății ritmului inimii, Simpozionul de

Bioinginerie Medicală pentru studenți și tineri cercetători , Editia a XIII-a, Iași, 2010

R. Aldea, Detectia crizei de epilepsie utilizând transformata wavelet și dinamica

neliniară, Simpozionul de Bioinginerie Medicală pentru studenti și tineri cercetători, Editia

a XII-a, Iași, 2009

http://dx.doi.org/10.14569/IJARAI.2014.030702

33

Bibliografie selectivă

[All] Allison, B. Z., Wolpaw, E. W., and Wolpaw, J. R. (2007). Brain–computer interface systems: progress

and prospects. Expert Rev. Med. Devices 4, 463–474.

[Bay] Bayliss, J. D. (2003). Use of the evoked potential P3 component for control in a virtual apartment.

IEEE Trans. Neural Syst. Rehabil. Eng. 11, 113–116.

[Bay1] Bayliss J.D., Ballard D. H., A Virtual Reality Testbed for Brain Computer Interface Research, IEEE

Transactions on Rehabilitation Engineering, vol 8, no 2, 188-190, 2000.

[Bay2] Bayliss J.D., A Flexible Brain-Computer Interface, PhD thesis, Department of Computer Science

University of Rochester, 2001.

[Bay3] Bayliss J.D., Use of the Evoked Potenţial P3 Component for Control în a Virtual Apartment, IEEE

Transactions Rehabilitation Engineering, vol. 11, no. 2, 113–116, 2003.

[Bay4] Bayliss, J. D. & Ballard, D. H. (1999). Single trial P300 recognition in a virtual environment. Proc.

Int. ICSC Symp. on Soft Computing in Biomedicine, (Genova, Italy).

[Ben] Bensch, M., Karim, A. A., Mellinger, J., Hinterberger, T., Tangermann, M., Bogdan, M., Rosenstiel,

W., and Birbaumer, N. (2007). Nessi: an EEGcontrolled web browser for severely paralyzed patients. Comput.

Intell. Neurosci. 2007, 5, Article ID 71863.doi:10.1155/2007/71863.

[Ber] Beran J., Statistic for long memory processes. New York, NY, 1994.

[Bir] Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I., Kotchoubey, B., Kübler, A., Perelmouter, J.,

Taub, E., and Flor, H. (1999). A spelling device for the paralysed. Nature 398, 297–298.

[Bla] Blankertz, B.; Dornhege, G.; Krauledat, M.; Müller, K. R.; Kunzmann, V.; Losch, F. & Curio, G.

(2006). The Berlin brain-computer interface: EEG-based communication without subject training. IEEE Trans.

on Rehabilitation Engineering, Vol. 14, No. 2., pp. 147- 152.

[Bla2] Blankertz B., G. Dornhege, M. Krauledat, K. Müller, and G. Curio, The non-invasive Berlin Brain-

Computer Interface: fast acquisition of effective performance in untrained subjects. NeuroImage, 37, Aug., 539–

550, (2007).

[Bra] Brahim H., „Brain-Computer Interface BCI literature - a bibliometric study”, ISSPA, page 626-629.

IEEE, (2010)

[Bra1] BrainMaster Technologies, Inc Web site. http://www.brainmaster.com/. Accessed September 5, 2012.

[Car] Carlson T., Robert Leeb, Ricardo Chavarriaga, and José del R. Millán, The birth of the brain-controlled

wheelchair, IROS, page 5444-5445. IEEE, (2012)

[Cic] Cichocki, S. Amari, Adaptive Blind Signal and Image Processing, Wiley, 2003 [Che] Cheng M, Jia W, Gao X, Gao S and Yang F 2004 Mu rhythm-based cursor control: an offline analysis

Clin. Neurophysiol. 115 745–51

[Dau] Daubechies I., Ten Lectures on Wavelets, SIAM, Philadelphia, 1992

[Dor] Dornhege, G., Millán, J. d. R., Hinterberger, T., McFarland, D. J., and Müller, K. -R. (eds). (2007).

Towards Brain– Computer Interfacing. Cambridge, MA: MIT Press.-s-a modificat

[Don] Donchin E., Spencer K., Wijesinghe R., The mental prosthesis: assessing the speed of a P300-based

brain-computer interface, IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 8, no. 2,

174-179, 2000.

[Dud] Duda R., Hart P. and Stork D., 2000 Pattern Classification (2nd Edition), Wiley-Interscience.

[Dur] Durka P. J., J. Zygierewicz, H. Klekowicz, J. Ginter, and K. J. Blinowska, “On the statistical

significance of event-related EEG desynchronization and synchronization in the time-frequency plane.,” IEEE

transactions on bio-medical engineering, vol. 51, no. 7, pp. 1167–75, Jul. 2004.

[Edw] Edward RD, Seungchan K, Yidong C. Coefficient of determination in nonlinear signal processing.

Signal Processing 2000; 80(10): 2219-2235

[Erf] Erfanian A, Erfani A „ICA-based classification scheme for EEG-based brain–computer interface: the

role of mental practice and concentration skills” Proc. 26th Annual Int. Conf. of the IEEE Engineering in

Medicine and Biology Society (San Francisco, CA) pp 235–8, 2004

[Fab] Fabiani G E, McFarland D J, Wolpaw J R and Pfurtscheller G 2004 Conversion of EEG activity into

cursor movement by a brain–computer interface (BCI) IEEE Trans. Neural Syst. Rehabil. Eng. 12 331–8

[Far] Farwell L. A., Donchin E., Talking off the top of your head: a mental prosthesis utilizing event-related

brain potentials, Electroencephalography and Clinical Neurophysiology 70 510–513, 1988.

[Fis] Fisher R. A. The use of multiple measurements in taxonomic problems.Annals of Eugenics, 7:179-188,

1936

[Gla] Glassman E L 2005 A wavelet-like filter based on neuron action potentials for analysis of human scalp

electroencephalographsIEEE Trans. Biomed. Eng. 52 1851–62

[Gra] Graimann B., Allison B. Pfurtscheller G., BRAIN–COMPUTER INTERFACES Revolutionizing

Human–Computer Interaction., Springer ,Graz, Austria, April 2010

http://www.bibsonomy.org/author/Carlson

http://www.bibsonomy.org/author/Leeb

http://www.bibsonomy.org/author/Chavarriaga

http://www.bibsonomy.org/author/del%20R.%20Mill%C3%A1n

http://www.sciencedirect.com/science/article/pii/S0165168400000797?_alid=1819978425&_rdoc=1&_fmt=high&_origin=search&_docanchor=&_ct=12547&_zone=rslt_list_item&md5=e3b7b1827ce09bcbfe30768f69db4264

34

[Gra2] B. Graimann, B. Allison, C. Mandel, T. Lüth, D. Valbuena, and A. Gräser, Non-invasive

braincomputer interfaces for semi-autonomous assistive devices. Robust Intell Syst, 113–138,(2009).

[Gug] Guger TechnologiesWeb site. http://www.gtec.at/. Accessed September 5, 2012.

[Gug1] Guger C, Edlinger G and Pfurtscheller G 2003b How many people are able to operate an EEG-based

brain–computer interface (BCI)? Presented at the 2nd Int. Meeting on Brain–Computer Interfaces for

Communication and Control (Albany, NY)

[Haz] Hazrati, M. K., Erfanian, A., and Hofmann, U. G.: Fractal Components from Electroencephalogram

Provide Features for Brain Computer Interface. Proceedings of Biosignal 2010: Analysis of Biomedical Signals

and Images, Brno University of Technology, vol. 20, pp. 387-393, 2010

[Hig] Higuchi T., Approach to an irregular time series on the basis of the fractal theory, vol. 31, no. 2, pp.

277–283, 1988.

[Hu] Hu J, Si J, Olson B P and He J 2004 Principle component feature detector for motor cortical control

Proc. 26th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society (San Francisco, CA) pp

4021–4

[Hyv] Hyvärinen A., Oja E. “Independent component analysis: algorithms and application”,Neural Networks

13, 2000, pp. 411-430.

[Kar] Karim, A. A., Hinterberger, T., Richter, J., Mellinger, J., Neumann, N., Flor, H., Kübler, A., and

Birbaumer, N. (2006). Neural internet: web surfing with brain potentials for the completely paralyzed.

Neurorehabil. Neural Repair 20, 508–515.

[Kos] Kostov A. and M. Polak, Parallel man-machine training in development of EEG-based cursor control.

IEEE Trans Rehabil Eng, 8(2), 203–205, (2000).

[Kub] Kubler A, Nijboer F, Mellinger J, Vaughan T M, Pawelzik H, Schalk G, McFarland D J, Birbaumer N

and Wolpaw J R 2005 Patients with ALS can use sensorimotor rhythms

[Laz] Lazăr Anca Mihaela, Prelucrarea discreta a semnalelor medicale unidimesionale, Vol. 2, Ed.

“Gh.Asachi” Iasi,2005

[Li] Li Y, Gao X, Liu H and Gao S 2004b Classification of single-trial electroencephalogram during finger

movement IEEE Trans. Biomed. Eng. 51 1019–25

[Li1] Li Y, Cichocki A, Guan C and Qin J 2004a Sparse factorization preprocessing-based offline analysis

for a cursor control experiment Proc. IEEE Int. Workshop on Biomedical Circuits and Systems (Singapore) pp

S3/5/INV-S3/5/5–8

[Lee] Leeb, R., Friedman, D., Müller-Putz, G. R., Scherer, R., Slater, M., and Pfurtscheller, G. (2007a). Self-

paced (asynchronous) BCI control of a wheelchair in virtual environments: a case study with a tetraplegics.

Comput. Intell. Neurosci, 2007, 8, Article ID 79642. doi:10.1155/2007/79642.

[Lee1] Leeb R., D. Friedman, G.R. Müller-Putz, R. Scherer, M. Slater, and G. Pfurtscheller, Self- Paced

(Asynchronous) BCI control of a wheelchair in virtual environments: A case study with a Tetraplegic. Comput

Intell Neurosci, 79642, (2007).

[Loo] Loo C. K, A. Samraj, and G. C. Lee, “Evaluation of Methods for Estimating Fractal Dimension in

Motor Imagery-Based Brain Computer Interface,” Discrete Dynamics in Nature and Society, vol. 2011, pp. 1–8,

2011.

[Mal] Mallat S., “A Wavelet Tour of Signal Processing,” 1999.

[Man] Mandel C., K. Huebner, and T. Vierhuff, “Towards an autonomous wheelchair: Cognitive aspects in

service robotics,” in Proceedings of Towards Autonomous Robotic Systems, 2005.

[McF] McFarland D.J., L.M. McCane, S.V. David, and J.R. Wolpaw, Spatial filter selection for EEG-based

communication. Electroencephalogr Clin Neurophysiol, 103(3), 386–394, (1997).

[McF1] McFarland D J, Anderson C W, Muller K R, Schlogl A and Krusienski D J 2006 BCI meeting

2005—workshop on BCI signal processing: feature extraction and translation IEEE Trans. Neural Syst. Rehabil.

Eng. 14 135–8

[Mil] Millett, D. (2001), "Hans Berger: From Psychic Energy to the EEG", Perspectives in Biology and

Medicine 44 (4): 522–42

[Mil1]Millán, J. d. R. (2002). “Brain–computer interfaces,” in Handbook of Brain Theory and Neural

Networks, 2nd Edn,ed. M. A. Arbib (Cambridge, MA: The MIT Press), 178–181.

[Mil2] Millán, J. d. R., Renkens, F., Mourińo, J., and Gerstner, W. (2004a). Brainactuated interaction. Artif.

Intell. 159, 241–259.

[Mil3] Millán, J. d. R., Renkens, F., Mourińo, J., and Gerstner, W. (2004b). Noninvasive brain-actuated

control of a mobile robot by human EEG. IEEE Trans. Biomed. Eng. 51, 1026–1033.

[Mil4] Millán, J. d. R., Galán, F., Vanhooydonck, D., Lew, E., Philips, J., and Nuttin, M. (2009).

“Asynchronous non-invasive brain-actuated control of an intelligent wheelchair,” in Proceedings of the 31st

Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Minneapolis, MN:

IEEE.

35

[Mel] Mellinger J., G. Schalk: BCI2000: A General-Purpose Software Platform for BCI Research, In: G.

Dornhege, J. del R. Millán, T. Hinterberger, D.J. McFarland, K.-R. Müller (eds.), Toward Brain-Computer

Interfacing, MIT Press, 2007.

[Mul] Müller-Putz, G. R., Scherer, R., Pfurtscheller, G., and Rupp, R. (2005). EEG-based neuroprosthesis

control: a step towards clinical practice. Neurosci. Lett. 382, 169–174.

[Mul1] Müller-Putz, G. R., Scherer, R., Pfurtscheller, G., and Rupp, R. (2006). Brain–computer interfaces for

control of neuroprostheses: from synchronous to asynchronous mode of operation. Biomed. Tech. 51, 57–63.

[Mul2] Müller-Putz G.R. and G. Pfurtscheller, Control of an Electrical Prosthesis With an SSVEPBased BCI,

IEEE Trans Biomed Eng, 55, 361–364, (2008).

[Nic] Nicolelis, M. A. L. (2001). Actions from thoughts. Nature 409, 403–407.

[Obe] Obermaier, B., Müller, G. R., and Pfurtscheller, G. (2003). “Virtual keyboard” controlled by

spontaneous EEG activity. IEEE Trans. Neural Syst. Rehabil. Eng. 11, 422–426

[Pet] Peterson D A, Knight J N, Kirby M J, Anderson C W and Thaut M H 2005 Feature selection and blind

source separation in an EEG-based brain–computer interface EURASIP J. Appl. Signal Process. 19 3128–40

[Pfu] Pfurtscheller, G., Guger, C., Müller, G., Krausz, G., and Neuper, C. (2000). Brain oscillations control

hand orthosis in a tetraplegic. Neurosci. Lett. 292, 211–214.

[Pfu1] Pfurtscheller G, Neuper C, Flotzinger D and Pregenzer M 1997 EEG-based discrimination between

imagination of right and left hand movement Electroencephalogr. Clin. Neurophysiol. 103 642–51

[Pfu5] Pfurtscheller G., C. Neuper, G.R. Müller, B. Obermaier, G. Krausz, A. Schlögl, R. Scherer, B.

Graimann, C. Keinrath, D. Skliris,M.Wörtz, G. Supp, and C. Schrank, Graz-BCI: state of the art and clinical

applications. IEEE Trans Neural Syst Rehabil Eng, 11, Jun., 177–180, (2003).

[Rao] Rao R., Bopardikar A., Wavelet Transforms- Introduction to Theory and Applications, Addison-

Wesley Longman, 1998.

[Ser] Serby H, Yom-Tov E and Inbar G F 2005 An improved P300-based brain–computer interface IEEE

Trans. Neural Syst. Rehabil. Eng. 13 89–98

[Sel] Sellers et al., A P300 event-related potential brain–computer interface (BCI): The effects of matrix size

and inter stimulus interval on performance, Biological Psychology 70(2006):242-252. April 2006

[Tar] Tărniceriu D., Bazele prelucrării numerice a semnalelor, Ed. Politehnium, Iași, 2008.

[Thu] Thulasidas M, Guan C, Ranganatha S, Wu J K, Zhu X and Xu W 2004 Effect of ocular artifact

removal in brain–computer interface accuracy Proc. 26th Annual Int. Conf. of the IEEE Engineering in Medicine

and Biology Society (San Francisco, CA) pp 4385–8

[Vel] M. Velliste, S. Perel, M.C. Spalding, A.S. Whitford, and A.B. Schwartz, Cortical control of a prosthetic

arm for self-feeding. Nature, 453, 1098–1101, (2008).

[Wan] Wang T, Deng J and He B 2004a Classifying EEG-based motor imagery tasks by means of time-

frequency synthesized spatial patterns Clin. Neurophysiol. 115 2744–53

[Wil] Williamson, J., Murray-Smith, R., Blankertz, B., Krauledat, M., and Müller, K.-R. (2009). Designing

for uncertain, asymmetric control: interaction design for brain–computer interfaces. Int. J. Hum. Comput. Stud.

67, 827–841.

[Wol] Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., and Vaughan, T. M. (2002). Brain–

computer interfaces for communication and control. Clin.Neurophysiol. 113, 767–791.

[Wol1] Wolpaw JR. et.al., Brain-Computer Interface Technology: A Review of the First International

Meeting, IEEE Transactions on Rehabilitation Engineering., vol. 8, no. 2, 164-173, 2000

[Wol2] Wolpaw J R and McFarland D J 2004 Control of a two-dimensional movement signal by a

noninvasive brain–computer interface in humans Proc. Natl Acad. Sci. USA 101 17849–54

[Wu] Wu R C, Liang S F, Lin C T and Hsu C F 2004 Applications of event-related-potential-based brain–

computer interface to intelligent transportation systems Proc. IEEE Int. Conf. On Networking, Sensing and

Control (Taipei, Taiwan) pp 813–8

[Yoo] Yoon H, Yang K and Shahabi C 2005 Feature subset selection and feature ranking for multivariate

time series IEEE Trans. Knowl. Data Eng. 17 1186–98

[Xu] Xu N, Gao X, Hong B, Miao X, Gao S and Yang F 2004a BCI competition 2003–data set IIb:

enhancing P300 wave detection using ICA-based subspace projections for BCI applications IEEE Trans.

Biomed. Eng. 51 1067–72

[Xu1] Xu, B-G. & Song, A-G. (2008). Pattern recognition of motor imagery EEG using wavelet transform. J.

Biomedical Science and Engineering, Vol. 1, pp. 64-67

Date post:	07-Sep-2019
Category:	Documents
Upload:	others
View:	1 times
Download:	0 times

Contribuţii la implementarea unei interfeţe creier ... · De-a lungul timpului, oamenii au avut...

Documents