CONTRIBUȚII PRIVIND DETECȚIA ȘI CLASIFICAREA ......Contribuții privind detecția și...

Universitatea Tehnică “Gheorghe Asachi” din Iaşi

Facultatea de Electronică, Telecomunicaţii şi Tehnologii Informaţionale

CONTRIBUȚII

PRIVIND DETECȚIA ȘI CLASIFICAREA

RITMURILOR SENZORIOMOTORII ÎN REALIZAREA

UNEI INTERFEȚE CREIER CALCULATOR

- TEZĂ DE DOCTORAT –

Coordonator:

Prof. dr. ing. Daniela Tărniceriu

Doctorand:

Bioinginer Oana Diana Eva

- Iaşi, 2017 –

2

MULȚUMIRI

Doresc să mulţumesc, în mod deosebit, stimatei doamne Prof. Univ. Dr. Ing. Daniela

TĂRNICERIU, conducătorul ştiinţific al tezei de doctorat, pentru îndrumare, susţinere şi pentru

flexibilitatea dovedită de-a lungul anilor de doctorat. Implicarea, generozitatea, răbdarea

domniei sale mi-au călăuzit paşii şi au făcut posibilă dezvoltarea mea profesională.

Distinse mulțumiri adresez stimatei doamne Prof. Univ. Dr. Ing. Anca Mihaela LAZĂR

pentru sprijinul constant oferit în ultimii 10 ani.

Mulțumiri adresez membrilor comisiei de doctorat pentru amabilitatea de a participa la

susținerea și analiza tezei, pentru sugestii și pentru sfaturi.

Mulțumesc părinților mei, Aleodor și Carmen, pentru iubire, grijă și sprijin

necondiționat. Mulţumesc pentru că sunteţi mereu alături de mine și pentru sacrificiile pe care

le-ați făcut pentru mine.

Mulțumesc, Radu, pentru implicare, răbdare și susținere fără de care nu aş fi reuşit să

parcurg această etapă.

De asemenea, mulțumesc d-nului Bogdan Constantin GĂMAN, pentru întelegere,

încredere și sprijin moral.

Nu în ultimul rând, mulţumesc pe această cale tuturor celor care m-au susținut de-a

lungul studiilor de doctorat!

Dedic această teză de doctorat surorii mele Camelia Ana.

Autoarea,

Iași, 2017

Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator

3

CUPRINS

Introducere .................................................................................................................................... 6

Scopul cercetării .......................................................................................................................... 6

Structura și conținutul tezei de doctorat ...................................................................................... 6

Capitolul I ...................................................................................................................................... 8

Interfaţa creier-calculator ............................................................................................................ 8

1.1. Introducere ............................................................................................................................ 8

1.2. Arhitectura unei interfețe creier calculator ........................................................................... 8

1.3. Stadiul actual al interfeţelor creier calculator ..................................................................... 10

1.4. Concluzii ............................................................................................................................. 10

Capitolul II .................................................................................................................................. 11

Înregistrarea și achiziția semnalului electroencefalografic .................................................... 11

2.1. Introducere .......................................................................................................................... 11

2.2. Metode de monitorizare ale activităţii cerebrale................................................................. 11

2.3. Fenomene neurofiziologice utilizate de interfețele creier calculator .................................. 12

2.4. Ritmul Mu – legătura dintre mişcare şi imaginare ............................................................. 12

2.5. Concluzii ............................................................................................................................. 12

Capitolul III ................................................................................................................................. 13

Utilizarea ritmurilor senzoriomotorii pentru implementarea sistemelor BCI ..................... 13

3.1. Desincronizări/sincronizări produse de evenimente ........................................................... 13

3.2. Metode de extragere de trăsături......................................................................................... 14

3.3. Metode de clasificare .......................................................................................................... 14

3.3.1. Clasificatori liniari....................................................................................................... 15

3.3.1.1. Analiza discriminantă liniară (Linear Discriminant Classifier - LDA)................ 15

3.3.1.2. Clasificatorul vector suport (Suport Vector Machine - SVM) ............................. 15

3.3.2. Clasificatori care se bazează pe cel mai apropiat vecin .............................................. 16

3.3.2.1. Clasificatorul “cei mai apropiaţi k vecini” (k-Neareast Neighbours – kNN) ...... 16

3.3.2.2. Clasificator pe baza distanței Mahalanobis .......................................................... 16

3.3.3 Clasificatori Bayes ....................................................................................................... 17

3.3.3.1. Analiza discriminantă pătratică (Quadratic Discriminant Analysis - QDA) ....... 17

3.4. Concluzii ............................................................................................................................. 17


4

Capitolul IV ................................................................................................................................. 17

Înregistrări electroencefalografice utilizate ............................................................................. 17

4.1. Baza de date EEG Motor movement/Imagery Dataset EEGMIDB .................................... 17

4.2. Baza de date BCI Competition 2002 - OSMAN ................................................................ 18

4.3. Baza de date proprie ........................................................................................................... 19

4.4. Concluzii ............................................................................................................................. 20

Capitolul V ................................................................................................................................... 21

Clasificarea sarcinilor motorii reale și imaginate pe baza periodogramei ............................ 21

5.1. Introducere .......................................................................................................................... 21

5.2. Aplicarea metodelor bazate pe periodogramă pentru punerea în evidență a sincronizărilor

și desincronizărilor ................................................................................................................................. 22

5.3. Rezultate ............................................................................................................................. 23

5.4. Analiză statistică ................................................................................................................. 24

5.5. Concluzii ............................................................................................................................. 26

Capitolul VI ................................................................................................................................. 27

Clasificarea sarcinilor motorii folosind analiza pe componente independente ..................... 27

6.1. Introducere .......................................................................................................................... 27

6.2. Algoritmul INFOMAX ....................................................................................................... 27

6.3. Algoritmul SOBI ................................................................................................................ 27

6.4. Algoritmul JADE ................................................................................................................ 28

6.5. Testul t pentru eşantioane perechi ...................................................................................... 28

6.6. Discriminarea sarcinilor motorii pe baza analizei pe componente independente pentru

substituția filtrelor spațiale ..................................................................................................................... 28

6.7. Rezultate obținute pentru baza de date proprie ................................................................... 31

6.8. Analiza statistică aplicată rezultatelor obținute pentru baza de date proprie ...................... 32

6.9. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN ....................... 33

6.10. Analiza statistică aplicată rezultatelor obținute pentru baza de date BCI Competition

2002 – OSMAN ...................................................................................................................................... 33

6.11. Concluzii ........................................................................................................................... 34

Capitolul VII ............................................................................................................................... 35

Clasificarea sarcinilor motorii utilizând distanța Itakura ...................................................... 35

7.1. Modelarea autoregresivă..................................................................................................... 35

7.2. Distanţa Itakura................................................................................................................... 36

7.3. Distanţa Itakura simetrică ................................................................................................... 37


5

7.4. Distanţa Itakura normalizată ............................................................................................... 37

7.5. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura și distanța

Itakura simetrică ..................................................................................................................................... 38


7.7. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura normalizată

................................................................................................................................................................ 41


7.9. Concluzii ............................................................................................................................. 42

Capitolul VIII .............................................................................................................................. 43

Clasificarea sarcinilor motorii folosind indici care măsoară sincronizarea de fază ............. 43

8.1. Introducere .......................................................................................................................... 43

8.2. Indicele de blocare a fazei .................................................................................................. 44

8.3. Indicele de decalaj al fazei .................................................................................................. 44

8.4. Indicele ponderat de decalaj al fazei ................................................................................... 45

8.5. Utilizarea indicilor PLV, PLI și wPLI ca trăsături ce măsoară sincronizarea de fază ........ 45



8.8. Concluzii ............................................................................................................................. 48

Capitolul IX ................................................................................................................................. 49

Analiză comparativă a metodelor de extragere de trăsături și a metodelor de clasificare . 49

9.1. Analiza comparativă a metodelor de extragere de trăsături și a metodelor de clasificare

pentru baza de date proprie ..................................................................................................................... 49

9.2. Analiza comparativă a metodelor de extragere de trăsături și a metodelor de clasificare

pentru baza de date BCI Competition 2002 - OSMAN .......................................................................... 52

Capitolul X ................................................................................................................................... 55

Concluzii finale, contribuții proprii, valorificarea rezultatelor și noi direcții de cercetare 55

10.1. Concluzii finale................................................................................................................. 55

10.2. Contribuții personale ........................................................................................................ 57

10.3. Direcții de cercetare viitoare ............................................................................................. 58

10.4. Valorificarea rezultatelor cercetării .................................................................................. 58

Bibliografie .................................................................................................................................. 60


6

Introducere

Scopul cercetării

“Sănătatea reprezintă o stare favorabilă din punct de vedere fizic, mental și social și nu

constă numai în absența bolii sau a infirmității”. Definiția a fost propusă de Organizația

Mondială a Sănătății în anul 1946.

Starea de sănătate şi activitatea organismului uman sunt evaluate prin semnale biologice

culese de la anumite organe ale corpului uman, semnale care, prelucrate adecvat, pot oferi

informaţii despre funcţionarea organului respectiv.

Aproape 45 milioane de oameni din întrega lume suferă de boli degenerative care

afectează căile neuronale. Cei mai afectaţi dintre aceştia îşi pierd controlul asupra muşchilor și,

prin urmare, nu mai pot comunica cu mediul exterior.

O interfaţă creier-calculator (Brain Computer Interface - BCI) poate oferi o cale de

comunicare între creier şi calculator cu beneficii pentru pacienţi cu deficiente neuromotorii

severe (stadii finale ale Sclerozei Amiotrofice Laterale – ALS, paralizii cerebrale severe, traume

la nivelul capului, leziuni medulare). Pe baza activităţii cerebrale, pacienţii pot comunica cu un

echipament extern (scaun cu rotile, neuroproteză), care la rândul lui poate genera scrierea unor

caractere sau poate comanda unele dispozitive mecatonice. Utilizând aceste sisteme, pacienţii îşi

pot îmbunătăţi calitatea vieţii, reuşind să întreprindă activităţi pe care în mod uzual nu ar reuşi să

le realizeze.

În ultimele decenii, s-au înfiinţat şi s-au dezvoltat numeroase laboratoare de cercetare în

întreaga lume, desfăşurându-se conferinţe şi workshop-uri dedicate acestui subiect. Există o

preocupare permanentă pentru propunerea şi dezvoltarea de metode de prelucrare şi clasificare

ale semnalelor biologice.

Cercetări bazate pe electroencefalogramă ce utilizează ritmurile senzoriomotorii stau la

baza unor sisteme BCI propuse de diferiţi cercetători sau grupuri de cercetare.

Scopul cercetării prezentate în această teză constă în extragerea, selectarea și clasificarea

trăsăturilor semnalelor cerebrale, ce au la bază ritmurile senzoriomotorii, pentru o paradigmă

creier-calculator bazată pe imaginarea mişcării membrelor.

Structura și conținutul tezei de doctorat

Teza este structurată pe zece capitole la care se adaugă partea introductivă, concluziile și

contribuțiile care se desprind din rezultatele experimentale obținute.

În primul şi al doilea capitol se face o prezentare a domeniului, a noțiunilor şi conceptelor

ce vor fi utilizate în cadrul tezei.

În primul capitol sunt prezentate aspectele generale privind interfețele creier calculator.

Sunt descrise sistemele BCI bazate pe electroencefalogramă și modul de funcționare al acestora.

Este realizată clasificarea sistemelor BCI și etapele din evoluția interfețelor BCI. Capitolul se

încheie cu aplicațiile sistemelor BCI, stadiul actual al cercetărilor din domeniu, evidențierea

realizărilor, precum și provocările apărute în proiectarea interfețelor creier-calculator.


7

În capitolul al doilea sunt abordate aspecte referitoare la înregistrarea și achiziția

semnalului electroencefalografic, metodele invazive și neinvazive de monitorizare a activității

cerebrale din perspectiva utilizării lor de către interfețele BCI.

În capitolul al treilea sunt descrise cele mai folosite metode de extragere de trăsături și de

clasificare a semnalelor electroencefalografice.

În capitolul al patrulea sunt prezentate bazele de date folosite pentru testarea metodelor

propuse. Bazele de date utilizate provin din surse diferite: baza de date EEG Motor

movement/Imagery Dataset și baza de date BCI Competition 2002 – OSMAN au fost descărcate

de pe internet, iar baza de date proprie a fost formată din semnale electroencefalografice

înregistrate în execuției sarcinilor motorii reale și imaginate. În condiții ambientale și tehnice

cunoscute, 40 de voluntari sănătoși și-au mișcat sau și-au imaginat mișcarea mâinii indicată de

direcția unei săgeți pe ecranul unui calculator. Opiniile voluntarilor după încheierea

experimentelor sunt cunoscute și sunt relevante în evaluarea metodelor propuse.

În următoarele capitole vor fi testate aplicabilitatea şi eficienţa metodelor propuse.

În cel de-al cincilea capitol este abordată clasificarea sarcinilor motorii reale și imaginate

pe baza periodogramei. Periodograma este aplicată pentru punerea în evidență a desincronizărilor

și sincronizărilor ce apar în timpul execuției sarcinilor motorii reale sau imaginate. Testul

ANOVA și testele Tukey și Scheffe sunt folosite pentru a se realiza comparația clasificatorilor

utilizați.

În cel de al șaselea capitol este investigată clasificarea sarcinilor motorii utilizând analiza

pe componente independente. Metoda propusă constă în folosirea aceluiaşi filtru spaţial obţinut

în urma aplicării analizei pe componente independente pentru starea de relaxare şi pentru

imaginarea motorie. Algoritmii INFOMAX, SOBI și JADE sunt aplicați pentru baza de date

proprie și pentru baza de date BCI Competition 2002 – OSMAN. Clasificarea sarcinilor motorii

este realizată cu ajutorul a cinci clasificatori, iar testul t pentru eșantioane perechi nu identifică

diferenţă statistică între filtrele spaţiale originale şi filtrele spaţiale substituite și prin urmare

înlocuirea filtrelor este posibilă.

În cel de al șaptelea capitol este analizată clasificarea sarcinilor motorii pe baza distanței

Itakura. Metoda propusă constă în calculul distanței Itakura și a distanței Itakura simetrice pentru

baza de date proprie și mai apoi selecția canalelor care au îndeplinit condițiile statistice impuse

pentru formare vectorului de trăsături. Metoda bazată pe distanța Itakura normalizata a fost

aplicată pentru baza de date BCI Competition 2002 – OSMAN. Clasificarea sarcinilor motorii

imaginate a fost realizată cu cinci clasificatori.

În capitolul al optulea este realizată clasificarea sarcinilor motorii folosind indici ce

măsoară sincronizarea de fază. Indicele de blocare a fazei, indicele de decalaj al fazei, indicele

ponderat de decalaj al fazei sunt calculați pentru perechi de canale din zona motorie. Se

selectează perechi de canale care satisfac condițiile impuse de testele statistice și se formează

vectorul de trăsături. Discriminarea sarcinilor motorii s-a efectuat prin aplicarea a cinci

clasificatori.

În capitolul al nouălea este realizată o comparație pentru bazele de date, metodele de

extragere de trăsături și metodele de clasificare utilizate.


8

În capitolul zece sunt prezentate concluziile finale, contribuţiile personale, diseminarea

rezultatelor ştiinţifice obţinute ca urmare a cercetării efectuate pe parcursul elaborării tezei,

precum şi direcţiile viitoare de cercetare.

Capitolul I

Interfaţa creier-calculator

Capitolul cuprinde prezentarea generală a unei interfețe creier-calculator, descrierea

componentelor unei interfeţe creier calculator bazată pe semnale electroencefalografice, stadiul

actual şi provocările apărute în proiectarea înterfeţelor creier calculator.

1.1. Introducere

Interfaţa creier-calculator (Brain Computer Interface - BCI) reprezină un sistem de

comunicare prin care mesajele transmise lumii exterioare de către creier nu depind de căile

constituite din nervi periferici și muşchi [Wol00]. Definiţia a fost enunţată de către Wolpow la

prima conferinţă internaţională dedicată cercetării BCI în anul 1999, iar ulterior această definiţie

a fost acceptată de către majoritatea cercetătorilor din domeniu.

Orice formă de comunicare și de control necesită implicarea nervilor periferici și a

muşchilor. Controlul este declanşat de intenţia utilizatorului. Această intenţie determină un

proces complex în care sunt activate anumite zone ale creierului şi mai apoi semnalele cerebrale

sunt transmise prin intermediul sistemului nervos periferic (în special prin căile motorii)

muşchilor corespondenţi. La rândul lor, aceştia efectuează mişcarea necesară comunicării sau

controlului sarcinilor. Activitatea care rezultă din acest proces este adesea numită motorie. Calea

motorie se referă la trecerea impulsurilor de la sistemul nervos periferic la muşchi. Pentru

controlul mişcării calea motorie este esenţială.

1.2. Arhitectura unei interfețe creier calculator

Sistemul BCI este format dintr-un set de senzori şi componente de procesare de semnal

care permit obţinerea şi analizarea activităţii cerebrale cu scopul de a stabili un canal de

comunicare între creier şi un dispozitiv extern reprezentat de un computer, un scaun cu rotile sau

de o neuroproteză. Persoanele afectate de scleroză amiotrofică laterală (Amyotrophic Lateral

Sclerosis - ALS), de leziuni ale măduvii spinării sau de accidente vasculare cerebrale au nevoie

de metode alternative pentru comunicare şi control, iar cu ajutorul unui sistem BCI acestea au

posibilitatea de a oferi răspunsuri la întrebări simple, de a comunica cu mediul înconjurător, de a

procesa unele cuvinte sau chiar de a controla o neuroproteză.

O interfaţă BCI bazată pe semnalele electroencefalografice (EEG) este compusă din patru

sisteme principale: un sistem de achiziție care culege semnalele cerebrale, un sistem care le

prelucrează, un sistem de recunoaştere a trăsăturilor şi un sistem de control.

Sistemul de achiziţie preia informaţiile generate de creierul uman prin intermediul

electrozilor plasaţi pe scalp.


9

Sistemul de prelucrare filtrează semnalele achiziționate pentru a se elimina diverse

caracteristici de semnal nedorite, le amplifică la nivele adecvate, apoi transformă semnalele

analogice în semnale digitale şi le transmite către calculator.

Sistemul de recunoaștere a trăsăturilor este responsabil de analiza semnalelor digitale

pentru a se pune în evidenţă şi extrage trăsăturile caracteristice unui anumit tip de activitate

cerebrală (de exemplu, caracteristicile semnalului legate de intenţia persoanei de a mişca un

membru). Deoarece o mare parte din activitatea cerebrală este tranzitorie sau oscilatorie, cele

mai importante trăsături ale semnalului se disting la anumite intervale de timp. Artefactele

fiziologice, cum sunt semnalele electromiografice trebuie evitate sau eliminate, pentru a se putea

asigura măsurarea precisă a caracteristicilor semnalului.

Semnalele rezultate în urma extragerii trăsăturilor sunt prelucrate de algoritmi care au

rolul de a converti caracteristicile în comenzi pentru dispozitivul de ieşire. De exemplu, o

scădere a puterii în banda de frecvenţă 8 – 12 Hz (corespunzătoare ritmului Mu) sau 12 – 30 Hz

(corespunzătoare ritmului Beta) ar putea fi tradusă într-o deplasare a unui cursor. Algoritmul de

traducere trebuie să fie dinamic pentru a se adapta la schimbări şi pentru a putea asigura

utilizatorului controlul dispozitivului.

Comenzile din dispozitivul de traducere sunt transmise dispozitivului extern, care oferă

funcţii precum: selectarea unor litere, controlul unui cursor, operarea unui braţ robotizat.

Funcțiile oferă un răspuns (feedback), închizând astfel bucla de control [Wol02].

Prin urmare, sistemul de achiziţie a semnalului EEG preia informaţiile generate de

creierul uman prin intermediul electrozilor plasaţi pe scalp. Apoi semnalele sunt preprocesate și

sunt extrase informaţiile relevante conţinute în semnal, clasificate şi transformate în comenzi

utilizate în controlul dispozitivelor externe (proteză, calculator, etc).

În Fig. 1.2.1 sunt reprezentate componentele unui sistem BCI bazat pe semnalele

electroencefalografice.

Fig. 1.2.1 Arhitectura unei interfeţe creier calculator bazată pe semnale electroencefalografice

Preprocesarea

Achiziţia

semnalului

Semnal

cerebral

Extragerea

trăsăturilor Clasificarea

Aplicaţii

interfaţă

Dispozitiv de scriere

Control cursor

Control braţ robotic

Navigare pe internet

Joc

Neuroproteză

Feedback


10

În domeniul medical există o varietate de aplicaţii ale sistemelor BCI, precum: prevenția

[Ziy13], [Lin13], detecţia [Pou12], [Fad11], diagnosticarea [Wei10], reabilitarea [Bi13],

[Con12]. Alte aplicații ale sistemelor BCI sunt: neurotehnologia [Lin12], [Kim11], aplicații de

neuromarketing și publicitate [Vec09], aplicații educaționale [Bir13], aplicații multimedia

[Bon13], aplicații de securitate și autentificare [Rev10].

1.3. Stadiul actual al interfeţelor creier calculator

Interfeţele BCI realizează o comunicare directă între creierul uman şi un dispozitiv extern

electronic. BCI joacă un rol important în domeniul medical adresându-se în special persoanelor

care prezintă dizabilităţi motorii. Cu toate că BCI este un domeniu relativ nou de cercetare, s-au

obţinut progrese semnificative în mai puţin de două decenii. Numeroase studii au evaluat

precizia sistemelor BCI şi au oferit informaţii relevante în ciuda dificultăţilor majore inerente în

procesarea semnalelor provenite de la creier. Prin urmare, timpul de pregătire și antrenare al

subiecţilor a fost redus semnificativ, fapt ce a condus la răspândirea aplicaţiilor BCI curente

pentru persoanele cu dizabilităţi, cum ar fi scrierea cuvintelor, scrierea email-urilor, controlul

unui scaunul cu rotile sau a unei neuroproteze [Abd15].

Sistemele BCI se confruntă cu provocări atât de natură tehnică cât şi cu provocări privind

gradul de utilizare. Provocările tehnice sunt legate de extragerea trăsăturilor relevante din

semnalele EEG, iar provocările legate de gradul de utilizare se referă la limitările care afectează

nivelul de acceptare a interfeţelor. În această categorie se înscriu procesul de învăţare şi rata de

transfer a informaţiei. Procesul de învăţare reprezintă o activitate consumatoare de timp, fie prin

ghidarea utilizatorului, fie prin numărul de sesiuni care trebuie înregistrate. Acestea pot fi făcute

fie într-o fază preliminară, fie în faza de calibrare a clasificatorului. Utilizatorul este învăţat să

interacționeze cu sistemul şi să controleze semnalele provenite de la creier în faza preliminară, în

timp ce în faza de calibrare, semnalul EEG al subiectul antrenat este folosit pentru clasificatorul

utilizat [Pan10].

Cercetările şi dezvoltarea privind interfețele creier-calculator generează entuziasm

extraordinar pentru oamenii de ştiinţă şi pentru publicul larg. Acest entuziasm reflectă

importanța pe care o au interfețele creier calculator prin potențialul de aplicații pe care îl oferă.

În cele din urmă, acestea ar putea fi utilizate constant pentru a înlocui sau a restabili funcţii utile

pentru persoanele cu tulburări neuromusculare și ar putea îmbunătăţi, de asemenea, reabilitarea

persoanelor care au suferit accidente vasculare cerebrale, traumatisme craniene.

În acelaşi timp, acest viitor interesant poate veni numai în cazul în care cercetătorii şi

dezvoltatorii BCI reușesc rezolvarea problemelor în trei zone critice: modulul hardware al

achiziției de semnal, validarea și utilizarea efectivă a sistemelor BCI precum şi fiabilitatea

acestora.

1.4. Concluzii

Interfața creier-calculator este un sistem de comunicare ce permite controlul unui

calculator sau al unor dispozitive externe (proteză, scaun cu rotile) prin intermediul activității

cerebrale. Dezvoltarea unei tehnologii bazate pe sisteme de tip BCI conduce la îmbunătățirea

calității vieții pentru persoanele cu dizabilități neuromotorii severe. Numărul instituțiilor (private


11

sau publice) din domeniul cercetării, precum și numărul mare de publicații sugerează implicarea

comunității științifice în dezvoltarea interfețelor BCI și că potențialul de dezvoltare este imens.

Cu un hardware mai bun de achiziţie a semnalului, cu o validare clinică clară, şi,

probabil, cel mai important, cu creşterea fiabilităţii, sistemele BCI pot deveni o tehnologie

majoră de comunicare şi control pentru persoanele cu handicap și pentru populaţie în general.

Capitolul II

Înregistrarea și achiziția semnalului electroencefalografic

În acest capitol sunt abordate metodele de monitorizare ale activității cerebrale invazive

și neinvazive din perspectiva utilizării de către interfețele BCI, tipurile de activități mentale

utilizate pentru controlul BCI și ritmul Mu.

2.1. Introducere

Semnalul electroencefalografic (EEG - cuvântul grecesc “enzephalon” înseamnă “creier”)

reprezintă variaţia la nivelul scalpului, a activităţii bioelectrice cerebrale măsurată prin

intermediul electrozilor plasaţi pe scalp.

Prima înregistrare EEG a fost realizată de către pshiatrul german Hans Berger în 1924. El

denumeşte metoda de înregistrare electroencefalografie. Experimentele lui Berger implicau

folosirea unui “elektrenkephalograph” și s-au identificat tipare electrice oscilante, asociate cu

activitatea vizuală, cu stările de veghe şi chiar cu anumite sarcini mentale simple.

În România, G. Marinescu a apelat la acest procedeu în scopuri clinice în anul 1930, fiind

unul dintre primii cercetători din lume care a utilizat electroencefalografia în studiul patologiilor

cerebrale.

2.2. Metode de monitorizare ale activităţii cerebrale

Metodele de monitorizare ale activităţii cerebrale sunt împărțite în două categorii:

proceduri invazive şi proceduri neinvazive.

În procedurile invazive, microelectrozi intracranieni sunt implantaţi direct în materia

cenuşie printr-o intervenţie chirurgicală. Calitatea semnalului cules este foarte bună deoarece

plasarea electrozilor este focalizată pe zone de interes, fiind eliminate astfel artefactele.

Procedurile implică un grad ridicat de risc pentru pacient. Abordările invazive sunt

electrocorticografia (EcoG) [Lev99], [Sch07] şi metoda de achiziţie intracorticală [Wal09],

[Ken04]. Metodele de achiziţie invazive sunt folosite în general în cercetare.

Procedurile neinvazive sunt cele mai utilizate, deoarece nu prezintă riscuri pentru pacient,

electrozii sunt plasaţi pe scalp, nefiind necesară nici un fel de intervenţie chirurgicală, însă

semnalul achiziționat prezintă artefacte. Metodele de achiziţie neinvazive sunt:

electroencefalografia, magnetoencefalografia (MEG), imagistica funcțională prin rezonanță

magnetică (fMRI) [Wei07], [Moe08], spectroscopia în infraroșu (NIRS) [Ken02].


12

2.3. Fenomene neurofiziologice utilizate de interfețele creier calculator

Sistemele BCI se bazează pe măsurări care pun în evidență fenomene neurologice

precum:

potenţiale corticale lente (Slow Cortical Potentials - SCP) [Hin04];

potenţiale vizual evocate (Visual Evoked Potentials - VEP) [Alo12];

potenţiale evocate de regim permanent (Steady - State Visual Evoked Potential -

SSVEP);

potențialul P300 [Far88], [Bru10];

ritmurile cerebrale precum Mu și Beta [Wol00], [Bla08], [Pfu03].

2.4. Ritmul Mu – legătura dintre mişcare şi imaginare

S-a aratat ca ritmurile electrofiziologice puse în evidență de Hans Berger reflectă

activitatea cerebrală. Electroencefalografia, magnetoencefalografia şi tehnologiile de

neuroimaginare actuale au devenit importante pentru înţelegerea funcţională a ritmurilor

cerebrale şi modul în care acestea sunt generate.

Ritmul Mu (localizat în regiunea centrală, rolandică) a fost descoperit în anii 1950 şi nu a

prezentat interes ca şi celelalte ritmuri EEG, cel mai probabil deoarece până de curând se credea

că nu apare în mod frecvent şi este detectat doar la o mică parte a populaţiei. Metode noi şi

complexe de analiză a semnalelor au demonstrat faptul că ritmul Mu se regăseşte în toate

înregistrările EEG şi la aproape toţi subiecţii sănătoşi.

Ritmul Mu reprezintă o oscilaţie a semnalului EEG în banda de frecvenţă 8-12 Hz.

Oscilaţiile sunt limitate la perioade mici de timp cuprinse între 0.5 - 2 secunde şi sunt localizate

în cortexul senzoriomotor în absenţa mişcării. În absenţa informaţiei senzoriale procesate, ritmul

Mu a fost la început înţeles ca o reflectare a activităţii corticale într-o fază de relaxare, similară

ritmului Alpha [Pfu99]. Stările de relaxare ale creierului implică procese senzitive, motorii,

cognitive. În prezent, a crescut interesul pentru asocierea ritmurilor EEG cu procesele cognitive.

Desincronizarea care rezultă din stimularea thalamocorticală este o corelație a reţelelor

neuronale excitate sau a zonelor corticale activate. Modificările în activitatea ritmică a

semnalelor EEG pot fi induse și de evenimente externe. Aceste oscilaţii legate de evenimente

reprezintă o punte între activitatea unui singur neuron și activitatea mai multor neuroni.

Desincronizările produse la frecvența de 10 Hz sunt legate de evenimente (procesarea

informaţiei, atenţia selectivă şi de pregătirea motorie).

Înregistrările realizate pe subiecți sănătoşi au demonstrat faptul că ritmul Mu apare cu

câteva milisecunde înainte de mişcare, iar amplitudinea efectului de desincronizare se reflectă în

reţeua neuronală implicată în performanţa realizării sarcinilor. Acest lucru este susţinut de faptul

că sarcinile mai complexe antrenează mai multe celule, desincronizarea fiind mai mare. Factorii

care afectează apariţia şi menţinerea ritmului Mu sunt inactivitatea motorie şi nivelul atenţiei.

ERD reflectă activarea ţesuturilor corticale, iar ERS reflectă inhibare, inactivarea reţelei.

2.5. Concluzii

Înregistrarea și achiziția semnalelor electroencefalografice presupune un lanț de măsurare

și prelucrare a semnalului electric care trebuie să țină cont de caracteristicile acestuia, metoda de


13

culegere, de prezența altor semnale biologice și a artefactelor din mediul înconjurător. Avantajele

electroencefalogramei sunt: lipsa de nocivitate, uşurinţa tehnică de efectuare, posibilitatea de a fi

repetată în funcţie de scopul urmărit, în condiţii de veghe şi somn, urmărirea eficienţei

terapeutice a unui medicament care influenţează activitatea electrică cerebrală, costul redus. EEG

este metoda cea mai utilizată în implementarea BCI. Un sistem BCI trebuie să distingă trăsături

precum forma de undă, frecvența și amplitudinea unor componente din semnalul EEG.

Capitolul III

Utilizarea ritmurilor senzoriomotorii pentru implementarea sistemelor BCI

Se vor prezenta fenomenele neurofiziologice folosite de interfețele creier calculator,

precum și cele mai utilizate metode de extragere de trăsături și de clasificare a semnalelor

electroencefalografice.

3.1. Desincronizări/sincronizări produse de evenimente

Stimularea senzorială, comportamentul motor, mișcarea unui membru sau imaginarea

mişcării unui membru pot modifica legăturile funcţionale din cortex şi determină o scădere de

amplitudine a semnalului electroencefalografic, numită desincronizare, pusă în legătură cu un

eveniment (Event Related Desynchronization - ERD) sau o creştere de amplitudine a semnalului,

numită sincronizare, pusă în legătură cu un eveniment (Event Related Synchronization - ERS) a

ritmului Mu.

Topografic, trăsăturile ERD-ERS urmează o organizare homunculară. Activitatea care

implică imaginarea mişcării mâinii drepte este mai intensă în zona în care este localizat

electrodul C3. Imaginarea mişcării mâinii stângi este mai bine reflectată în zona în care este

localizat electrodul C4. Acest lucru se datorează faptului că imaginarea mişcării mâinii este

localizată în partea contralaterală sau opusă. Imaginarea mişcării piciorului se reflectă în zona

electrodului CZ. O distincţie între mişcarea piciorului drept sau stâng nu este posibilă în EEG

deoarece ariile corticale corespondente sunt foarte apropiate.

ERD-ERS produse de imaginarea motorie sunt similare în topografie şi spectru cu un

pattern produs de mişcarea unui membru. Din moment ce aceste caracteristici semnificative

provin din zonele motorii şi somatomotorii interconectate cu ieşirile neuromusculare normale,

imaginarea motorie este în mod particular adecvată pentru sistemele BCI. Pe parcursul unor

şedinţe de pregătire cu un BCI, oamenii îşi pot dezvolta propria strategie de imaginare motorie.

Spre exemplu, în timpul mişcării unui cursor, oamenii învaţă care tipuri de mişcări imaginate

sunt adecvate pentru controlul BCI prin deplasarea cursorului în sus sau în jos.

Sistemele BCI bazate pe imaginarea motorie nu prezintă rezultate satisfăcătoare din

prima sesiune de lucru. Este necesară o pregătirea de lungă durată pentru obţinerea unui control

satisfăcător. În timp ce performanţa şi timpul de pregătire variază de la un subiect la altul,

majoritatea subiecţilor pot obţine un control satisfăcător după câteva ore de antrenament.

Antrenamentul este o componentă importantă a sistemelor BCI. Oamenii învaţă să asocieze o

anumită acţiune cu un răspuns. De exemplu, oamenii învaţă că atingerea unei plite fierbinţi


14

produce durere şi nu trebuie să mai facă acest lucru. Învăţarea BCI reprezintă un tip de răspuns

denumit neurofeedback. Reacţia indică dacă subiectul a îndeplinit sau nu sarcinile prin

intermediul sistemului BCI. Utilizatorii pot folosi acest tip de răspuns pentru optimizarea

sarcinilor mentale şi îmbunătăţirea performanţelor BCI. Răspunsul poate fi tactil sau auditiv, dar

cel mai adesea este vizual [Pfu99].

3.2. Metode de extragere de trăsături

Pentru a obține performanțe adecvate, un sistem BCI trebuie să lucreze cu mărimi ce

descriu proprietăți relevante ale semnalelor. Aceste mărimi sunt cunoscute drept trăsături.

Identificarea și extragerea trasăturilor reprezintă o etapă importantă a unui sistem BCI.

Trăsăturile extrase trebuie să fie relevante și să descrie foarte bine semnalele neurofiziologice

folosite, în caz contrar, algoritmul de clasificare va furniza informații eronate.

Algoritmii de extragere a trăsăturilor sunt responsabili de punerea în evidență a

caracteristicilor unui anumit tip de activitate cerebrală. Rezultatul aplicării lor este reprezentat

de un vector de semnale adesea numit și vector de trăsături. Algoritmii de extragere transformă

semnalele EEG în valori ce corespund mecanismului neurologic caracteristic aplicației de

control. Este recomandat să se selecteze și să se extragă trăsături relevante pentru maximizarea

performanțelor sistemului făcând mai ușoară etapa de clasificare a trăsăturilor. Într-un sistem

BCI, scopul extragerii de trăsături este acela de a găsi o reprezentare potrivită a datelor

achiziționate. În [Mcf06] se realizează o clasificare a metodelor de prelucrare a semnalelor EEG

pentru extragerea de trăsături:

în timp: metode de corelație, metoda autoregresivă, distanța Itakura, filtrarea

Kalman, detecția vârfurilor;

în frecvență: Transformata Fourier;

în spațiu: Filtrarea Laplaciană, analiza pe componente principale (Principal

component analysis – PCA), analiza pe componente independente (Independent

Component Analysis – ICA);

timp-frecvență: transformata Wavelet [Laz09].

3.3. Metode de clasificare

După etapa de extragere a trăsăturilor, următoarea etapă este reprezentată de convertirea

trăsăturilor în comenzi. În cadrul cercetării BCI, o direcție importantă este reprezentată de

dezvoltarea de metode de clasificare eficiente care să nu implice proceduri lungi de antrenare.

Modelele activității cerebrale sunt considerate procese stochastice dinamice datorate atât

factorilor biologici cât și factorilor tehnici. Din punct de vedere biologic, schimbarea poate

interveni datorită oboselii și atenției utilizatorului, datorită progresiei bolii sau datorită procesului

de învățare. Din punct de vedere tehnic, modificările se datorează zgomotelor amplificatoarelor,

zgomotelor ambientale sau impedanței electrozilor [Wol02]. Prin urmare, în etapa de extragere și

de clasificare a trăsăturilor trebuie să se țină cont de evoluția în timp a semnalului EEG.

Scopul etapei de antrenare este de a atribui, automat, o clasă vectorului trăsătură extras

anterior. Clasificarea se realizează folosind algoritmi care sunt capabili să recunoască clasa unui

vector trăsătură.


15

Clasificatorii pot fi împărțiți în cinci categorii principale: clasificatori liniari, rețele

neurale, clasificatori Bayes liniari, clasificatori care calculează cel mai apropiat vecin și

combinații de clasificatori.

3.3.1. Clasificatori liniari

Clasificatorii liniari sunt algoritmi discriminanți care folosesc funcții liniare pentru a

distinge clasele și sunt cei mai utilizați în aplicațiile BCI. Două tipuri principale de clasificatori

liniari se folosesc pentru un sistem BCI: analiza discriminantă liniară și clasificatorul vector

suport.

3.3.1.1. Analiza discriminantă liniară (Linear Discriminant Classifier - LDA)

Analiza discriminantă liniară este o metodă statistică de selecţie a caracteristicilor

conținute în semnalul EEG, propusă în anul 1936 de către R.A. Fisher. Clasificatorul LDA mai

este cunoscut sub numele de clasificator LDA Fisher. Cerințele computaționale cerute sunt

minime, este simplu de aplicat și oferă rezultate satisfăcătoare ale clasificării. Obiectivul LDA

este de a obţine o reducere a dimensiunilor datelor păstrând cât mai mult din informaţia

discriminantă conținută de acestea.

LDA proiectează datele într-un nou spațiu minimizând împrăștierea din interiorul unei

clase și maximizând împrăștierea dintre clase. Clasificatorul liniar presupune că distribuția

datelor este normală și matricea de covarianță egală pentru ambele clase (dreapta/stânga).

LDA este un clasificator stabil utilizat în foarte multe sisteme BCI (s-a demonstrat că

prezintă stabilitate la variațiile mici ale semnalului care apar în timpul perioadelor de învățare și

nu sunt afectate performanțele clasificatorului). Clasificatorul LDA a fost aplicat cu succes în

paradigme BCI bazate pe imaginarea motorie [Pfu99], aplicații P300.

3.3.1.2. Clasificatorul vector suport (Suport Vector Machine - SVM)

Algoritmul SVM se bazează pe plane de decizie care definesc anumite “limite”. Un plan

de decizie reprezintă un plan care separă un set de obiecte din clase diferite. Cu o mapare

(rearanjare) neliniară adecvată, datele din clase diferite pot fi separate de un hiperplan. SVM

caută hiperplanul folosind vectori suport (seturile de antrenare) și zona de separare (definită de

vectorii suport).

Ca și clasificatorul LDA, clasificatorul SVM folosește un parametru de regularizare. Un

astfel de clasificator SVM permite clasificarea utilizând limite liniare de decizie și se numește

clasificator SVM liniar.

Clasificatorul SVM este un algoritm care foloseşte învăţarea supervizată pentru a separa

două clase de date. Acesta valorifică un hiperplan discriminant pentru a identifica clasele

asemănător clasificatorului LDA. În cazul clasificatorului SVM, hiperplanul selectat

maximizează distanţa dintre punctele de antrenare cele mai apropiate. Hiperplanul optim este

descris de vectorii care se află pe margine şi care se numesc vectori suport. SVM are proprietăţi

de generalizare bune, iar dimensiunea datelor nu influenţează rezultatele clasificării.

Clasificatorii de tip SVM au fost aplicați cu succes în sistemele BCI sincrone [Bla02].


16

3.3.2. Clasificatori care se bazează pe cel mai apropiat vecin

Clasificatorii care se bazează pe cel mai apropiat vecin reprezintă clasificatori neliniari

discriminanți. Se bazează pe atribuirea vectorului de trăsături unei clase în funcție de cel mai

apropiat vecin. Acest vecin poate fi un vector de trăsături din setul de antrenare ca în cazul

clasificatorului “celor mai apropiaţi k vecini” sau o clasă prototip ca în cazul distanței

Mahalanobis.

3.3.2.1. Clasificatorul “cei mai apropiaţi k vecini” (k-Neareast Neighbours – kNN)

Clasificatorul “cei mai apropiaţi k vecini” (k Neareast Neighbours – kNN) reprezintă o

metodă de clasificare a claselor utilizându-se cele mai apropiate k clase din setul de antrenare.

kNN este unul dintre cei mai simpli algoritmi de învățare, deoarece un obiect este clasificat în

funcție de votul majoritar al vecinilor săi, de cele mai multe ori fiind clasat în categoria din care

fac parte cei mai mulți dintre cei k vecini. Se caută date în setul de antrenare care sunt similare

sau apropiate înregistrării care urmează a fi clasificată.

Clasificarea datelor cu ajutorul kNN presupune parcurgerea următorilor pași:

se calculează distanțele dintre noul eșantion și datele de antrenare care au fost

clasificate deja în clase;

se sortează distanțele în ordine crescătoare și se selectează cei mai apropiaţi k

vecini;

se aplică principiul clasei majoritare.

Alegerea valorii lui k se realizează în funcție de date. Cu un număr suficient de vecini și

cu suficiente eșantioane de învățare, algoritmul oferă rezultate foarte bune.

Principalul avantaj al clasificatorului este simplitatea (nu construiește un model pentru

setul de antrenare) și faptul că poate caracteriza o clasă prin multiple combinații de atribute.

Algoritmii kNN nu sunt foarte populari în comunitatea BCI deoarece sunt sensibili la

seturile de antrenare de dimensiuni mari (se impune o etapă suplimentară de preprocesare – din

setul inițial de date se selectează un subset de dimensiuni medii). Cu toate acestea, utilizați în

sistemele BCI cu vectori de dimensiuni mici s-au dovedit eficienți și au oferit rezultate

satisfăcătoare ale clasificării [Bor04].

3.3.2.2. Clasificator pe baza distanței Mahalanobis

O modalitate de evaluare a eficacităţii discriminării între două grupuri de date este bazată

pe calculul distanţei Mahalanobis (MD).

Clasficatorul bazat pe distanța Mahalanobis prezintă un prototip pentru fiecare sarcină

mentală calculat ca medie a acelei clase (dreapta sau stânga) utilizând datele din perioada de

antrenare. Decizia clasificatorului pentru eșantionul curent din setul de date de testare constă în

clasa ce are cel mai apropiat prototip calculat pe baza distanței Mahalanobis [Cin03].

Clasificatorul bazat pe distanța Mahalanobis este simplu și robust. A fost aplicat pentru sisteme

BCI asincrone [Sch05] și multiclasă [Cin03] . În ciuda performanțelor bune a fost puțin utilizat

de sistemele BCI.


17

3.3.3 Clasificatori Bayes

Clasificatorii Bayes utilizați de sistemele BCI se împart în clasificatori Bayes pătratici și

clasificatorul bazat pe modelul Markov. Acești clasificatori induc planuri de decizie neliniare și

permit o rejecție mai eficientă decât ceilalți clasificatori.

3.3.3.1. Analiza discriminantă pătratică (Quadratic Discriminant Analysis - QDA)

Analiza discriminantă pătratică [Has05] a fost propusă în anul 1964 de către Geisser.

QDA este adecvată pentru separarea a două sau mai multe clase de obiecte, fiind o versiune mai

generală a clasificatorului liniar. Diferenţa dintre clasificatorul QDA şi LDA este dată de

matricele de covarianţă care trebuie estimate pentru fiecare clasă în parte. Pentru implementare

este folosită regula lui Bayes care determină probabilitatea apartenenței evenimentelor și a

obiectelor la o anumită grupă. Utilizând tehnica “maximum a posteriori” poate fi estimată clasa

din care face parte vectorul de trăsături. Cu toate că metoda este simplă, surclasează de cele mai

multe ori metodele mai complexe de clasificare.

Clasificatorul QDA a fost aplicat cu succes în paradigme BCI bazate pe imaginare

motorie [Bar04].

3.4. Concluzii

Un sistem BCI utilizează ritmurile senzoriomotorii pentru paradigme ce implică

imaginarea motorie. S-a explicat modul în care se pot folosi aceste ritmuri, bazându-se pe

apariția sincronizării și desincronizării ritmului Mu în cortexul motor. Pentru extragerea de

trăsături s-a realizat o sinteză a metodelor de prelucrare a semnalului EEG ce conduc la obținerea

unui vector de trăsături care să permită o clasificare cu performanțe superioare. S-au prezentat

categoriile principale de clasificatori folosiți de sistemele BCI.

Capitolul IV

Înregistrări electroencefalografice utilizate

În cadrul acestui capitol se vor prezenta bazele de date folosite în cercetare pe care au fost

aplicate metodele propuse în teză pentru detecția și clasificarea ritmurilor senzoriomotorii. S-au

folosit trei baze de date, două descărcate de pe internet și o bază de date proprie.

4.1. Baza de date EEG Motor movement/Imagery Dataset EEGMIDB

Baza de date EEG Motor Movement/ Imagery Dataset (EEGMIDB) conţine 109 subiecţi

și a fost descărcată de pe website-ul http://www.physionet.org.

Subiecţii au executat diferite sarcini motorii reale sau imaginare care au fost înregistrate

cu ajutorul a 64 de electrozi folosind sistemul BCI2000 (http://bci2000.org). Fiecare subiect a

executat 14 sarcini experimentale: 2 sarcini de bază cu durata de un minut (una cu ochii deschiși

şi cealaltă cu ochii închişi) şi alte trei sarcini de câte două minute pentru fiecare din următoarele:

1. O săgeată apare în partea dreaptă sau în partea stângă a ecranului. Subiectul

deschide şi închide pumnul corespunzător direcției indicate de săgeata până când aceasta dispare

de pe ecran. Apoi subiectul se relaxează.


18

2. Subiectul îşi imaginează deschiderea sau închiderea pumnului drept sau stâng

atunci când săgeata apare în partea dreaptă, respectiv în partea stângă a ecranului. După

executarea acestor sarcini subiectul se relaxează.

3. O săgeată apare fie în partea superioară, fie în partea inferioară a ecranului.

Subiectul deschide sau închide ambii pumni dacă săgeata este localizată în partea de sus a

ecranului sau își mișcă degetele de la ambele picioare dacă săgeata este localizată în partea

inferioară până când săgeata dispare, apoi subiectul se relaxează.

4. O săgeată urmează a fi vizualizată în partea superioară sau inferioară a ecranului.

Subiectul îşi imaginează deschiderea sau închiderea ambilor pumni (dacă săgeata se găsește

localizată în partea de sus a ecranului) sau strângerea degetelor de la ambele picioare (dacă

săgeata este localizată în partea de jos a ecranului) până când săgeata dispare de pe ecran.

Urmează apoi perioada de relaxare a subiectului

Au fost formate trei adnotări cu momentele de timp la care apar săgețile stânga/dreapta,

iar fiecare adnotare a inclus următoarele coduri (T0, T1 sau T2): T0 corespunde activităţii de

relaxare, T1 corespunde mişcării/ imaginării mișcării pumnului stâng (încercările 3, 4, 7, 8, 11,

12) sau a ambilor pumni(încercările 5, 6, 9, 10, 13, 14), T2 corespunde mişcării/ imaginării

mișcării pumnului drept (încercările 3, 4, 7, 8, 11, 12) sau a degetelor de la ambele picioare

(încercările 5, 6, 9, 10, 13, 14).

Electroencefalogramele au fost înregistrate de pe 64 de electrozi plasați pe scalp conform

sistemului internațional 10-20 (excluzând electrozii Nz, F9, F10, FT9, FT10, A1,A2, TP9, P9 şi P10).

Canalele alese pentru aplicarea metodelor sunt: FC1, FC2, FC3, FC4, CP3, CP4, CP1, CP2, C3, C4,

C1, C2. Fiecare semnal a fost eşantionat cu frecvenţa de 160 Hz.

Subiecţii 43, 84, 88, 89, 92 şi 100 au fost excluşi din studiu, deoarece înregistrările EEG

nu erau viabile prelucrării ulterioare, prezentând erori de înregistrare.

Fiecare subiect a executat 14 sarcini experimentale: 2 sarcini de bază cu durata de un

minut (una cu ochii deschiși şi cealaltă cu ochii închişi) şi alte patru sarcini mentale de câte două

minute: deschiderea sau închiderea pumnului stâng sau drept, imaginarea deschiderii sau

închiderii pumnului stâng sau drept, deschiderea sau închiderea ambilor pumni şi imaginarea

deschiderii sau închiderii ambilor pumni. Pentru testarea metodelor s-a considerat numai sarcina

care se referă la imaginarea mişcării pumnului.

4.2. Baza de date BCI Competition 2002 - OSMAN

Al doilea set de date EEG constă în experimente de imaginare a mişcării, sincronizate.

Înregistrările au fost puse la dispoziţie de Dr. Allen Osman de la Universitatea din Pennsylvania

în cadrul competiției BCI Competition 2002. Datele au fost preluate de la 59 de electrozi plasaţi

în concordanţă cu Sistemul Internaţional 10-20, cu o frecvenţă de eşantionare de 100 Hz. Pentru

procesare ulterioară s-au ales numai 12 canale: FC1, FC2, FC3, FC4, CP3, CP4, CP1, CP2, C3, C4,

C1, C2. Canalele sunt considerate semnificative pentru a pune în evidență activitatea motorie

reală sau imaginată.

Baza de date este formată din înregistrări electroencefalografice achiziționate de la 9

subiecți antrenați. Sarcina subiecţilor a fost sincronizarea unui răspuns indicat cu o precizie bine

determinată în timp. Subiecţii au fost foarte bine antrenaţi până când răspunsurile lor s-au


19

încadrat în 0,1 s din semnalul de sincronizare. Răspunsul a fost atât explicit, prin apăsarea unui

buton corespunzător fiecărei mâini, cât şi imaginar, prin mişcarea degetelor index a celor două

mâini, atât separat, cât şi împreună.

Subiecții au fost rugaţi să-şi imagineze mişcarea mâinii drepte sau mişcarea mâinii stângi,

alternativ (45 dreapta, 45 stânga) în corelaţie cu un timp predictibil de comandă. Fiecare

încercare (6 s) începe cu un ecran alb. Se consideră două semnale de sincronizare importante:

unul la 3,75 s (semnul de pregătire cu durată de 0,25 s) la vederea literei L sau R care indică care

mână urmează a fi mişcată imaginar şi al doilea semn la 4 s (semnul de execuţie cu durată de

0,05 s).

La începutul fiecărei încercări ecranul este alb. În această perioadă subiectul poate să

clipească. Acest ecran alb se menţine 2 s, după care apare o săgeată pe ecran care indică

subiectului începutul încercării. Săgeata este menţinută 0,5 s. Apoi, aceasta este înlocuită cu

litera “E” sau “I”, litere care corespund celor două tipuri de răspunsuri pe care subiectul trebuie

să le dea (explicit sau imaginar). Această literă rămâne pe ecran 0.25 s şi este înlocuită de o altă

săgeată. După 1,25 s de la abordarea literei “E” sau “I”, săgeata este înlocuită cu litera “L” , “R”,

“B”, “N”, care indică subiectului să mişte, respectiv, indexul mâinii stângi, indexul mâinii

drepte, ambii indecşi sau niciunul. Această literă rămâne pe ecran timp de 0,25 s, după care este

înlocuită cu o altă săgeată. La un interval de 1,25 s după litera care indică mişcarea ce trebuie

făcută, apare semnul “X” timp de 0,05 s şi reprezintă timpul de sincronizare care indică

subiectului că răspunsul trebuie efectuat. După ce “X” dispare, o săgeată apare timp de 0,95 s şi

apoi este înlocuită de un ecran alb, indicând începerea unei noi încercări. Se disting opt sarcini

mentale diferite în 7 minute şi 12 secunde. Fiecare bloc conţine 72 de încercări. Prin urmare, în

fiecare bloc s-au efectuat 9 încercări din fiecare categorie.

S-au luat în considerare numai încercările corespunzătoare imaginării mişcării mâinii

drepte sau imaginării mișcării mâinii stângi.

4.3. Baza de date proprie

Sistemul de achiziţie utilizat pentru înregistrarea semnalelor EEG a fost realizat cu

ajutorul componentelor furnizate de firma g.tec Guger Technologies din Austria. Sistemul,

g.GAMMAsys, este format din amplificator, g.GAMMAcap cu electrozi şi din sistemul de

achiziţie g.MOBIlab. g.GAMMAsys oferă un sistem de cercetare/dezvoltare complet, sub mediul

de programare MATLAB, incluzând toate componentele hardware şi software necesare

achiziţiei, analizei online/offline, clasificării semnalelor, precum şi furnizării de neurofeedback.

Modulul g.MOBIlab+ este un instrument pentru achiziţia biosemnalelor cu un dispozitiv

portabil şi permite procesarea datelor pe PC sau notebook. El permite investigarea biosemnalelor

provenind de la creier, inimă, în urma activităţii musculare, a mişcărilor ochilor, a respiraţiei, a

răspunsului galvanic al pielii precum şi a altor semnale din organism. Dispozitivul are o

autonomie mare de funcţionare, până la aproape o săptămână. g.USBamp este prevăzut cu

interfaţă USB 2.0 şi 8 canale (selectabile prin software) pentru achiziţia simultană a

biosemnalelor.

Casca g.GAMMAcap se plasează pe scalpul subiectului, împreună cu electrozii. Gelul

conductor g.GAMMAgel se introduce cu ajutorul unei seringi în orificiile electrozilor.


20

Cu ajutorul sistemului de achiziţie g.tec prezentat anterior, a modulului g.MOBIlab+ şi a

platformei software BCI 2000 au fost înregistrate semnalele EEG. Acestea au fost achiziționate

cu ajutorul a 8 electrozi plasaţi pe scalp conform sistemului internațional de referinţă 10 – 20.

Canalele alese pentru plasarea electrozilor sunt: CP3, CP4, P3, C3, PZ, C4, P4 şi CZ. Aceste

canalele au fost selectate din zone de pe emisfera stângă şi dreaptă datorită apariţiei ritmurilor

senzoriomotorii în aceste zone. Electrodul de referinţă este plasat pe urechea dreaptă.

Înainte de începerea experimentului subiectul este instruit să nu vorbească, să nu se mişte

și să nu clipească pe parcursul experimentului. Voluntarii sunt aşezaţi confortabil pe un scaun în

faţa unui monitor care afişează succesiv săgeţi în partea stângă sau în partea dreaptă a ecranului.

Aceştia trebuie să privească cu atenţie săgeţile şi să încerce să îşi imagineze mişcarea mâinii

indicată de către săgeată. Atunci cand ecranul este alb, subiectul trebuie să se relaxeze. Fiecare

săgeată apare de 30 de ori. Intervalul de timp dintre stimulii vizuali a fost de 2 secunde, iar

frecvența de eșantionare utilizată este de 256 Hz. Voluntarului îi este măsurată distanţa între

inion şi nasion şi se plasează casca cu electrodul de masă (plasat pe Fpz) la 10% din această

distanţă faţă de nasion conform sistemului internaţional 10-20. Se aplică gel pe electrozi prin

orificiul prevăzut pentru aceştia. Se fixează casca foarte bine pentru a nu se mişca pe parcursul

înregistrărilor.

Înregistrările au fost realizate pe 40 voluntari sănătoşi, în laboratorul de procesare de

semnale biomedicale din cadrul Facultăţii de Bioinginerie Medicală.

Înregistrările s-au desfășurat în zile diferite, în condiții de luminozitate alese de către

voluntari. Toți voluntarii au semnat un formular de consimțământ informat. Având în vedere că

se cunosc condițiile în care s-au desfășurat experimentele precum și opiniile voluntarilor

cercetarea efectuată a fost mai eficientă.

4.4. Concluzii

Bazele de date utilizate provin din surse diferite: baza de date date EEG Motor

movement/Imagery Dataset și Baza de date BCI Competition 2002 – OSMAN au fost descărcate

de pe internet, iar baza de date proprie a fost formată din înregistrările electroencefalografice ale

voluntarilor în cadrul laboratorului de procesare a semnalelor din cadrul Facultăţii de

Bioinginerie Medicală.

Baza de EEG Motor movement/Imagery Dataset cuprinde 109 subiecți , 6 subiecți au fost

excluși din studiu deoarece înregistrările electroencefalografice nu erau viabile pentru cercetarea

ulterioară. Subiecții excluși sunt menționați și în alte lucrări de specialitate. Baza EEGMIDB

conține cel mai mare număr de înregistrări electroencefalografice pentru paradigma BCI studiată

disponibilă pe internet.

Baza de date BCI Competition 2002 – OSMAN conține 9 subiecți foarte bine antrenați,

acest lucru reliefându-se în rezultatele obținute.

Baza de date proprie conține 40 de înregistrări de semnale EEG, toate viabile, înregistrate

în timpul imaginării mișcării mâinii. Cercetarea pe datele achiziționate personal a fost mai

eficientă deoarece toate detaliile și condițiile în care au fost realizate înregistrările sunt

cunoscute. Opiniile voluntarilor, precum și informațiile privind experimentele sunt cunoscute.


21

Voluntarii au efectuat mai întâi experimente ce au implicat mișcarea mâinii stângi/drepte și mai

apoi imaginarea mișcării mâinii drepte/stângi.

Pentru celalalte seturi de date utilizate nu sunt disponibile informații despre sistemul de

achiziție (nu este descris sau menționat), nu este specificat dacă înregistrările au avut loc în

aceeași zi sau în zile diferite, iar vârsta voluntarilor nu este specificată.

Detaliile tehnice și sociale sunt foarte importante în dezvoltarea unei interfețe creier

calculator.

Capitolul V

Clasificarea sarcinilor motorii reale și imaginate pe baza periodogramei

În cadrul acestui capitol este realizată o introducere despre periodogramă, este descrisă

metoda propusă, rezultatele experimentale obținute în urma aplicării acesteia, precum și analiza

statistică încrucișată efectuată.

5.1. Introducere

Datorită fluctuaţiilor aleatoare ale semnalelor EEG, analiza ce are la bază transformata

Fourier nu poate fi aplicată direct, ci trebuie adoptat un punct de vedere statistic. În particular, în

domeniul timp, se foloseşte estimatul funcţiei de autocorelaţie, iar în domeniul frecvenţă,

transformata Fourier a funcției de autocorelație, care reprezintă densitatea spectrală de putere

(Power Spectral Density - PSD). PSD este importantă pentru analiza proceselor aleatoare

staționare, cuantificând distribuția totală a puterii în funcție de frecvență.

Metodele clasice de estimare a spectrului de putere (metode neparametrice) nu fac nici o

presupunere despre modul cum au fost generate datele. Metodele neparametrice au la bază

periodograma introdusă de Schuster (1898) și urmăresc obţinerea unor estimaţi ai spectrului

puterii.

Estimatul densității spectrale de putere (periodograma), �̂�𝑥𝑥(𝑓), a unei secvențe 𝑥(𝑛) de

lungime N, este dat de relaţia, [Pro07]:

�̂�𝑥𝑥(𝑓) =1

𝑁|∑ 𝑥(𝑛)𝑒−𝑗2𝜋𝑓𝑛𝑁−1

𝑛=0 |2

=1

𝑁|𝑋(𝑓)|2 (5.1.1)

unde 𝑋(𝑓) este transformata Fourier discretă a secvenței 𝑥(𝑛).

Periodograma este un estimat neconsistent al densităţii spectrale de putere reale. Pentru o

secvenţă finită, valoarea medie a lui �̂�𝑥𝑥(𝑓) este transformata Fourier a funcţiei de autocorelaţie a

semnalului 𝑥(𝑛) înmulţită cu o fereastră triunghiulară (Bartlett) ce conduce la o distorsiune a

spectrului densităţii de putere. Spectrul este influenţat de efectele de netezire şi de împrăştiere

determinate de înmulţirea cu fereastra Bartlett, ceea ce face ca estimarea componentelor

spectrale apropiate să fie limitată sau compromisă. În cazul periodogramei, dispersia nu se

anulează nici în cazul prelucrării unei secvenţe de date de lungime mare [Pro07].

Metoda Welch [Wel67] este un estimat îmbunătăţit al densităţii spectrale de putere ce are

la bază tot periodograma. Metoda constă în împărţirea datelor în segmente ce se suprapun,

calculul unei periodograme modificate pentru fiecare segment (pentru că secvenţa de date este

ponderată cu o fereastră diferită de cea dreptunghiulară) şi apoi medierea estimaţilor densităţii


22

spectrale de putere. Rezultatul este estimatul Welch al densităţii spectrale de putere, �̂�𝑥𝑥𝑊(𝑓),

dat de relația:

�̂�𝑥𝑥𝑊(𝑓) =1

𝑘∑ �̂�𝑥𝑥𝑀

𝑖 (𝑓)𝑘−1𝑖=0 (5.1.2)

unde �̂�𝑥𝑥𝑀𝑖 (𝑓) este periodograma modificată calculată pentru fiecare segment.

�̂�𝑥𝑥𝑀𝑖 (𝑓) =

1

𝑀|∑ 𝑤(𝑛)𝑥𝑖(𝑛)𝑒−𝑗2𝜋𝑓𝑛𝑀−1

𝑛=0 |2 (5.1.3)

unde 𝑤(𝑛) este o fereastră diferită de cea dreptunghiulară. Se poate folosi una din ferestrele

Hamming, Hanning, Blackman etc pentru calculul periodogramei modificate pe fiecare segment

[Ife93].

5.2. Aplicarea metodelor bazate pe periodogramă pentru punerea în evidență a

sincronizărilor și desincronizărilor

Pentru punerea în evidență a desincronizărilor/sincronizărilor au fost selectate canalele:

FC3, FC4, FC1, FC2, C3, C4, C1, C2, CP3, CP4, CP1, CP2.

Fiecare semnal electroencefalografic a fost eşantionat cu frecvenţa de 160 Hz, iar

fişierele de adnotări au inclus următoarele etichete (T0, T1 și T2): T0 corespunde activităţii de

relaxare, T1 corespunde mişcării reale/imaginate a pumnului stâng, iar T2 corespunde mişcării

mişcării reale/imaginate a pumnului drept. Din seturile de date puse la dispoziție, s-au ales trei

seturi de date pentru mișcarea pumnului (încercările 3, 7, 11) și trei seturi de date pentru

imaginarea mișcării (încercările 4, 8, 12). S-au folosit adnotările pentru a împărți fiecare

înregistrare în segmente de date care conțin porțiunile corespunzătoare segmentelor T1, T2 și T0

din fișierul de adnotări. Pentru discriminarea sarcinilor motorii, se aplică un filtru trece banda cu

bandă de trecere în intervalul 8-12 Hz pentru fiecare încercare, corespunzător domeniului de

frecvenţă a ritmului Mu. Se selectează porţiuni din semnale (2 s după apariţia stimulului) în

funcţie de adnotările pentru fiecare sarcină mentală (T2, T1), extrăgându-se datele pentru

mişcarea pumnului drept, respectiv, a pumnului stâng. Similar, pentru relaxare (T0) s-au extras

secvenţe cu durata de 2 s ce urmează mişcării pumnului drept/stâng, moment în care subiectul

este relaxat. Se returnează patru matrice tridimensionale (numărul de încercări, numărul de

eșantioane, numărul de canale) corespunzătoare mișcării pumnului stâng, mișcării pumnului

drept, relaxării după mișcarea pumnului drept și relaxare după mișcarea pumnului stâng. Se obțin

7 sau 8 segmente (depinde de subiect) pentru fiecare tip de mișcare și 7 sau 8 încercări pentru

perioadele de relaxare. Rezultă 320 de eșantioane în fiecare segment al fiecărei înregistrări pe

cele 12 canale.

Pentru a putea evalua existenţa desincronizării (ERD) pe perioada efectuării mişcării s-au

calculat densităţile spectrale de putere (PSD) pentru toate canalele utile și pentru toate încercările

aferente mişcării pumnului drept/stâng. S-a calculat media pentru aceste încercări. Funcţia

MATLAB utilizată este pwelch cu o fereastră Hanning. Funcţia returnează componente de

frecvenţă până la 80 Hz (adică Fs/2), dar s-au extras numai acele componente care au frecvenţa

cuprinsă între 8 şi 12 Hz. Aceeaşi procedură s-a aplicat şi pentru calcularea densităţilor spectrale

de putere pentru perioada de relaxare ce urmează mişcării pumnului drept, respectiv, stâng. Se


23

calculează o mărime, pe care am notat-o ERD, pentru a evalua desincronizările care apar pe

perechile de electrozi de pe emisfera stângă şi de pe emisfera dreaptă în cazul mişcării pumnului

drept/stâng.

𝐸𝑅𝐷 = 𝑃𝑆𝐷 𝑟𝑒𝑙𝑎𝑥𝑎𝑟𝑒−𝑃𝑆𝐷 𝑚𝑖ș𝑐𝑎𝑟𝑒

𝑃𝑆𝐷 𝑟𝑒𝑙𝑎𝑥𝑎𝑟𝑒 (5.2.1)

Vectorul de trăsături s-a format pentru fiecare pereche de electrozi de pe emisfera

stângă/dreaptă în următorul mod: ERD calculat pentru mișcarea pumnului drept pentru semnal

înregistrat de la un electrod de pe emisfera stângă (FC1, FC3, C1, C3, CP1 și CP3), ERD calculat

pentru mișcarea pumnului drept pentru semnal înregistrat de la electrodul pereche aflat pe

emisfera dreaptă (FC2, FC4, C2, C4, CP2 respectiv CP4), ERD calculat pentru mișcarea pumnului

stâng pentru semnal achiziționat de la electrodul de pe emisfera stângă și ERD calculat pentru

mișcarea pumnului stâng pentru semnal achiziționat de la electrodul de pe emisfera dreaptă.

Pentru evaluarea și compararea algoritmilor de învățare se folosește metoda de validare

încrucișată (“cross-validation”) aplicată pe toți clasificatorii pentru fiecare subiect. Metoda de

validare încrucișată este o metodă statistică prin care datele sunt împărțite în două seturi. Un set

este utilizat pentru antrenarea/învățarea modelului și cel de-al doilea set pentru validarea

modelului. Seturile de antrenare și de testare trebuie să fie în cicluri succesive astfel încât fiecare

element de date să fie validat. Metoda de validare încrucișată folosită este de tipul “k fold cross-

validation”. S-a folosit metoda “10 fold cross-validation”. Setul de date s-a împărțit pentru

fiecare subiect în k subseturi de aceeași dimensiune. Prin urmare, se disting k iterații de antrenare

și validare, astfel încât în fiecare iterație, un set diferit este păstrat pentru test, în timp ce k-1

iterații sunt folosite pentru antrenare. S-a folosit clasificatorul LDA, clasificatorul QDA şi

clasificarea pe baza distanţei Mahalanobis prezentați în Capitolul 3. Aceleaşi etape descrise

anterior s-au parcurs şi pentru înregistrările efectuate pentru imaginarea mişcării pumnului

drept/stâng.

5.3. Rezultate

S-au aplicat clasificatorii LDA, QDA și MD și s-a urmărit eroarea de clasificare obţinută

pe setul de test pentru: mişcare/imaginare, pereche de electrozi şi tip de clasificator –TABELUL

5.3.1. S-a calculat eroarea de clasificare pentru fiecare încercare (3, 7, 11 – mișcarea pumnului și

4, 8, 12 – imaginarea mișcării pumnului), pereche de electrozi și pentru fiecare subiect în parte

(pentru mișcare și pentru imaginarea mișcării), iar în final s-au mediat erorile de clasificare

pentru fiecare clasificator în parte.


24

TABELUL 5.3.1. MEDIILE ERORILOR DE CLASIFICARE PENTRU TIP DE SARCINĂ MOTORIE,

CLASIFICATOR ŞI PERECHI DE ELECTROZI

Eroare clasificare (%)

Sarcină

Motorie

Clasificator

Perechi de electrozi

FC

3-F

C4

FC

1-F

C2

C3-C

4

C1-C

2

CP

3-C

P4

CP

1-C

P2

Mişcare

LDA 14,96 % 15,50% 15,59% 16,18% 17,12% 17,44%

QDA 11,31 % 12,62% 11,92% 12,26% 11,81% 13,32%

MD 15,05 % 15,91% 15,12% 17,26% 16,38% 17,62%

Imaginarea

mişcării

LDA 13,63 % 15,19% 19,85% 17,17% 18,02% 17,46%

QDA 12,82 % 12,80% 15,12% 14,29% 14,15% 15,05%

MD 15,16 % 15,19% 18,48% 16,49% 17,75% 17,76%

Pentru mişcare cea mai mică eroare de clasificare, de 11,31%, a fost obţinută cu

clasificatorul pătratic pentru perechea de electrozi FC3 - FC4, iar cea mai mare eroare 17,62% a

fost obţinută pentru clasificatorul bazat pe distanța Mahalanobis pe perechea C3-C4. Erorile de

clasificare sub 15% s-au considerat a fi mici. Acest prag a fost stabilit după consultarea literaturii

de specialitate.

Pentru imaginare s-au obţinut următoarele erori de clasificare: 19,85% (valoarea cea mai

mare pentru perechea de electrozi C3-C4 cu clasificatorul liniar) şi 10,74% (valoarea cea mai

mică cu clasificatorul pătratic pentru perechea de electrozi FC1 - FC2).

Din cei 103 subiecţi analizaţi, la 58% dintre aceştia erorile de clasificare cele mai mici au

fost obţinute pentru mişcarea pumnului, iar 27% din subiecţi au reuşit să efectueze mai bine

sarcinile motorii impuse de imaginarea mişcării decât sarcinile care implicau mișcarea pumnului.

Erori de clasificare mici au fost înregistrate atât pentru mişcare, cât şi pentru imaginarea mişcării

la 15% din subiecţi [Eva15]. Deoarece imaginarea mișcării implică efort mental susținut erorile

de clasificare obținute pentru imaginarea mișcării pumnului sunt mai mari.

Mediile erorilor de clasificare obţinute după aplicarea clasificatorului pătratic au fost mai

mici decât cele obţinute cu ajutorul clasificatorului liniar şi clasificatorului pe baza distanţei

Mahalanobis atât la sarcina motorie reală cât şi imaginată. Diferenţele erorilor medii de

clasificare între clasificatorul LDA şi clasificatorul QDA sunt mici. Unii subiecți nu s-au putut

concentra suficient în îndeplinirea sarcinilor. Alteori pot apărea artefacte oculare sau musculare.

Este importantă precizarea că înregistrările au fost efectuate pe subiecți sănătoși, iar studiile au

demonstrat faptul că persoanele care suferă de diferite dizabilități pot dezvolta mai bine ritmul

Mu decât cei sănătoși.

5.4. Analiză statistică

Analiza dispersională (Analysis Of Variance - ANOVA) este o metodă ce permite

compararea a două sau mai multe populaţii statistice.

Analiza dispersională bifactorială a fost aplicată folosind Statistical Package for the

Social Sciences (SPSS) [Wal12] pentru erorile de clasificare obținute pentru mișcare și pentru


25

imaginarea mișcării. Primul factor folosit este variabila Clasificatori cu clasificatorii LDA, QDA

și MD. Cel de-al doilea factor este Perechi de electrozi cu nivelele FC3-FC4, FC1-FC2, C3-C4, C1-

C2, CP3-CP4, CP1-CP2. Testul Levene a fost utilizat pentru testarea omogenității varianțelor, iar

testul Tukey a fost aplicat ca procedură de comparație post-hoc la un nivel de semnificație de 2%.

Indicatorul testului statistic a fost pragul de semnificație p.

Testul ANOVA a demonstrat că utilizarea mai multor clasificatori îmbunătățește ratele de

clasificare. Valoarea p obținută pentru Clasficatori este 0,001 pentru mișcare și 0,002 pentru

imaginarea mișcării. Pentru factorul Perechi de electrozi valoarea p=0,001 a fost aceeași pentru

ambele sarcini motorii. Pentru nivel de semnificație de 2% și pentru valorile pragurilor de

semnificație obținute, nu există suficiente dovezi pentru a concluziona faptul că perechile de

electrozi utilizate au un efect semnificativ de interacțiune asupra erorilor obținute pentru ambele

sarcini.

Între factorii Clasificatori și Perechi de electrozi nu s-au evidențiat interacțiuni (p=0,815

pentru mișcare și p=0,649 pentru imaginarea mișcării).

Deoarece rezultate clasificării diferă între clasificatori, s-a efectuat analiza comparativă

de tip Turkey (testul Turkey) pentru a putea determina care clasificator oferă cele mai bune

rezultate. Rezultatele demonstrează faptul că ratele de clasificare obținute pentru mișcarea

pumnului/ imaginarea mișcării pumnului sunt mai mari pentru clasificatorul QDA decât cu

clasificatorii LDA și MD.

În TABELUL 5.3.2. sunt evidențiate nivelele de semnificație obținute cu ajutorul testelor

post-hoc pentru clasificatorii LDA, QDA, respectiv MD. Diferențele între nivelele de

semnificație Tukey/Scheffe obținute sunt destul de mici. Pentru mișcare raportul Tukey/Scheffe

este 0,836/0,850, iar pentru imaginarea mișcării raportul Tukey/Scheffe este 0,965/0,968. Prin

urmare, se poate afirma că în 98% din cazuri, ratele de clasificare obținute cu clasificatorul QDA

sunt mai mari decât ratele de clasificare obținute cu clasificatorii LDA și MD. Utilizarea

clasificatorului LDA și a clasificatorului MD va genera erori de clasificare mai mari. Testul

Scheffe conduce la erori de tip II (nu există diferență statistică semnificativă și metoda oferă

rezultate satisfăcătoare), iar testul Tukey este cel mai utilizat și produce erori de tipul I ( diferența

statistică este datorată întâmplării) [Eva15].

TABELUL 5.3.2. COMPARAȚIA CLASIFICATORILOR CU AJUTORUL TESTELOR TUKEY ȘI

SCHEFFE

Teste Post Hoc Comparație

clasificatori

Valoare p

Mișcare Imaginarea mișcării

Tukey

LDA QDA 0,000 0,002

MD 0,836 0,965

QDA LDA 0,000 0,002

MD 0,000 0,004

MD LDA 0,836 0,965

QDA 0,000 0,004

Scheffe

LDA QDA 0,000 0,003

MD 0,850 0,968

QDA LDA 0,000 0,003

MD 0,000 0,006

MD LDA 0,850 0,968

QDA 0,000 0,006


26

Pentru a compara metoda bazată pe periodograma modificată welch cu alte metode, este

necesară comparația cu alte lucrări științifice în care s-a folosit aceeași bază de date. Din

literatura de specialitate consultată, se poate spune că nu au fost raportate prea multe cercetări pe

această bază de date. Astfel:

în [Sle09] sunt raportate rate de clasificare în intervalul 53,67 - 69%. Pentru

formarea vectorului de trăsături s-a folosit puterea în diferite benzi de frecvență și

clasificarea de tip SVM;

în [Alo13] se obține cea mai bună rată de clasificare de 97,1% cu ajutorul

clasificatorului SVM;

în [Alo14] folosindu-se ca trăsături coeficienții wavelet și clasificarea cu rețele

neuronale artificiale, cea mai bună rată de clasificare a fost de 89,11% în banda de

frecvență 8 – 12 Hz;

în lucrarea [Lob14] este abordată sincronizarea de fază, iar rata de discriminare

pentru ritmul Mu în cazul imaginării motorii a fost 65,55%, iar pentru mișcare a

fost 63,75%.

5.5. Concluzii

S-a propus o metodă de analiză offline bazată pe periodograma pentru o paradigmă BCI

ce utilizează semnale EEG înregistrate când se efectuează sarcini motorii reale sau imaginate.

Metoda presupune evaluarea desincronizării (ERD) pe perioada efectuării mişcării sau

imaginării mișcării pe toate canalele utile (FC1, FC2, FC3, FC4, C1, C2, C3, C4, CP1, CP2, CP3,

CP4), pentru toate încercările aferente mişcării pumnului drept-stâng, respectiv încercările

imaginării mişcării pumnului drept-stâng prin calcularea densităţii spectrale de putere. Vectorul

de trăsături se formează pentru fiecare pereche de electrozi de pe emisfera stângă/dreaptă,

clasificarea realizându-se cu ajutorul clasificatorului liniar, pătratic şi pe baza distanţei

Mahalanobis. Eroarea de clasificare a fost obţinută pentru setul de test pentru: sarcină motorie

(mişcare/ imaginare), pereche de electrozi (FC3-FC4, FC1-FC2, C3-C4, C1-C2, CP3-CP4, CP1-CP2)

şi tip de clasificator (LDA, QDA și MD).

Rezultatele obţinute sunt similare pentru majoritatea subiecților şi prezintă erori de

clasificare rezonabile, atât pentru mişcare cât şi pentru imaginarea mişcării. Clasificarea este mai

bună pentru sarcina motorie reală decât pentru sarcina motorie imaginată. Este important de notat

faptul că rezultatele diferă de la pacient la pacient. Imaginarea implică efort mental susţinut. Cu

ajutorul periodogramei s-au obținut rezultate ale clasificării mai mari de 80%. Eroarea cea mai

mică este obținută cu ajutorul clasificatorului QDA pentru perechea de electrozi FC3-FC4.

Erorile mari ar putea fi explicate de contactul imperfect al electrozilor pe scalp sau prin

nedezvoltarea ritmului Mu. O altă sursă de erori o constituie artefactele oculare sau musculare.

Diferenţele erorilor de clasificare sunt în general mici între clasificatori, însă cele mai

mici erori de clasificare se obțin cu clasificatorul QDA. Superioritatea clasificatorului pătratic

este susținută de testele statistice folosite, și anume testul ANOVA și testele pentru analiză

comparativă Tukey și Scheffe.


27

Capitolul VI

Clasificarea sarcinilor motorii folosind analiza pe componente independente

În acest capitol este investigată clasificarea sarcinilor motorii utilizând analiza pe

componente independente. Se descrie metoda propusă bazată pe analiza pe componente

independente, aplicarea acesteia, rezultatele obținute, precum și analiza statistică efectuată.

6.1. Introducere

Analiza pe componente independente (Independent Component Analysis - ICA) permite

extragerea informaţiilor utile dintr-un set de date multidimensionale.

În domeniul biomedical, metoda ICA implică extragerea şi separarea unor surse

independente statistic având la bază măsurări ale semnalelor biomedicale [Jam05].

Aşa cum sugerează şi numele, analiza pe componente independente separă dintr-un

amestec de semnale pe acelea independente statistic (sursele semnalului). Amestecul poate fi

format din sunete, semnale electrice, de exemplu semnalele EEG, sau imagini. Trăsătura

definitorie a semnalelor extrase este independenţa statistică față de celelalte semnale [Sto04].

Principiul metodei ICA presupune determinarea surselor de semnal 𝑠 după ce au fost

amestecate liniar prin multiplicare cu o matrice necunoscută 𝐴. Cunoscându-se vectorul aleator 𝑥

de dimensiune 𝑛 compus din elementele amestecului 𝑥1,𝑥2, … , 𝑥𝑛, și notându-se cu 𝑠 vectorul

aleator care are elemente sursele 𝑠1, 𝑠2 … , 𝑠𝑛 şi matricea 𝐴 cu elementele 𝑎𝑖𝑗( 𝑖 = 1, 𝑛, 𝑗 = 1, 𝑛)

se pot scrie următoarele relaţii [Hyv00]:

𝑥 = 𝐴𝑠 (6.1.1)

𝑠 = 𝑊𝑥 (6.1.2)

Se caută să se obţină sursele originale (ecuaţia 6.1.2) prin găsirea unei matrice pătratice,

𝑊, ce reprezintă filtre spaţiale ce inversează liniar procesul de amestec. Sursele semnalului mai

sunt denumite componente independente sau variabile latente. Ele sunt numite latente pentru că

nu pot fi observate direct. Principiul metodei ICA este descris în detaliu în [Hyv00], [Hyv04].

6.2. Algoritmul INFOMAX

Algoritmul INFOMAX propus de Bell şi Sejnowski [Bel95] presupune găsirea unei

matrice de demixare 𝑊 astfel încât elementele transformării liniare 𝑢 = 𝑊𝑥 să fie statistic

independente, unde 𝑥 reprezintă intrarea unei rețele neuronale. Principiul INFOMAX se găsește

descris în detaliu în [Hyv00].

6.3. Algoritmul SOBI

Algoritmul SOBI (Second Order Blind Identification) este o tehnică de separare a

surselor care exploatează coerenţa în timp a semnalelor sursă. SOBI se bazează pe statistica

staţionară a punctului de diagonalizare a setului de matrice de covarianţă [Bel95].

Etapele implementării algoritmului SOBI sunt:

1. Estimarea covarianţei;

2. Formarea matricei de „albire”;


28

3. Formarea eşantioanelor estimate prin calcularea matricei de covarianţă;

4. Obținerea matricei unitare;

5. Obținerea surselor de semnal și a matricei de mixare.

6.4. Algoritmul JADE

Algoritmul JADE (Joint Approximate Diagonalization of Eigenmatrices) a fost elaborat

de Cardoso [Car93]. Dacă algoritmii anteriori optimizează o transformare particulară a datelor de

intrare, algoritmul JADE optimizează transformarea unui set de date cu ajutorul testelor

statistice. Mărimile pot fi calculate cu ajutorul operaţiilor pe cumulanţi, de exemplu dispersia și

boltirea sunt auto-cumulanţi de ordin 2 şi, respectiv, 4.

Algoritmul JADE foloseşte cumulanţi de ordin 2 şi de ordin 4. Punctul aproximativ de

diagonalizare al matricilor proprii se bazează pe diagonalizarea matricilor cumulante.

Algoritmul numeric JADE ICA este descris prin:

Pasul 1. Estimarea matricei de albire;

Pasul 2. Estimarea matricei maxime cumulantă;

Pasul 3. Găsirea matricei ortonormale;

Pasul 4. Estimarea matricei de conectivitate și recuperarea surselor.

6.5. Testul t pentru eşantioane perechi

Testul t pentru eşantioane perechi (Paired t-test) este utilizat pentru comparaţia mediilor

a două populaţii, în care o variabilă care aparţine unui individ este comparată cu o alta variabilă

care aparţine aceluiaşi individ. Testul se bazează pe variabilitatea „intra-subiect” şi pe metoda

diferenţei directe dintre cele două distribuţii (“înainte-după”).

Testul 𝑡 pentru eşantioane perechi este descris de relaţia:

𝑡 =�̅�

𝑠𝑑/√𝑛 (6.5.1)

unde �̅� este media diferenţelor dintre grupurile pereche, 𝑠𝑑 este deviaţia standard a diferenţelor

𝑑𝑖 şi 𝑛 numărul de perechi. Presupunând adevărată ipoteza nulă, testul statistic are o distribuţie 𝑡

cu 𝑛 − 1 grade de libertate.

Intervalul de încredere este definit de relaţia:

�̅� ± 𝑡α 𝑠𝑑/√𝑛 (6.5.2)

unde 𝑡𝛼 este valoarea critică pentru test cu 𝑛 − 1 grade de libertate.

6.6. Discriminarea sarcinilor motorii pe baza analizei pe componente independente

pentru substituția filtrelor spațiale

Metoda propusă constă în folosirea aceluiaşi filtru spaţial obţinut în urma aplicării

metodei ICA pentru starea de relaxare şi pentru imaginarea motorie.

În multe studii metoda ICA a fost folosită pentru găsirea componentelor motorii care

dețin trăsături caracteristice în spațiu și în domeniul frecvență. S-au folosit două criterii pentru


29

identificarea componentelor motorii: (1) modelele (pattern) spațiale care sugerează locația sursei

componente ar trebui să fie proiectate pe scalp în zona cortexului senzoriomotor pentru fiecare

emisferă; (2) densitatea spectrală de putere a componentei independente trebuie să se regăsească

în banda de frecvență corespunzătoare ritmului Mu. După identificarea celor două componente

motorii, matricea de demixare (𝑊) a fost folosită ca filtru spațial pentru evidențierea ritmurilor

Mu.

Etapele metodei propuse sunt următoarele:

înregistrările realizate în timpul antrenării se încarcă în mediul de programare

MATLAB;

se extrag semnalele corespunzătoare imaginării mișcării mâinii stângi, imaginării

mișcarii mâinii drepte și relaxării;

se formează două seturi de date: unul corespunzător perioadei de imaginare motorie

și unul corespunzător perioadei de relaxare;

se filtrează fiecare semnal (imaginare a mișcării mâinii drepte/stângi și de relaxare)

cu un filtru trece bandă de tipul Butterworth între 8 și 12 Hz;

în mediul de programare EEGLAB [Del04] se încarcă setul de date corespunzător

imaginării motorii;

se aplică metoda ICA cu algoritmul INFOMAX pentru starea de imaginare:

o dacă se aplică ICA de mai multe ori pe același set de date, se constată că se obțin

rezultate puțin diferite în ceea ce privește ordinea, reprezentarea topografică,

precum și activările (evoluția temporală a surselor) deoarece descompunerea

ICA se inițializează cu o matrice de demixare aleatoare;

o aplicarea metodei ICA s-a făcut pe opt canale considerate semnificative pentru a

pune în evidență activitatea motorie imaginată.

se obţin hărţile cerebrale ale semnalului EEG;

se obțin filtrele spațiale (𝑊𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑟𝑒) și modelele spațiale pentru imaginarea motorie

(𝑊𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑟𝑒−1 );

se identifică componentele independente dreapta/stânga (IC) pentru imaginarea

motorie prin inspecţie vizuală din hărțile cerebrale:

o componentele independente obținute se împart în două categorii: o categorie de

IC care nu depinde de condițiile inițiale și o a doua categorie care depinde de

condițiile inițiale. Numai componentele independente care nu depind de

condițiile inițiale sunt importante pentru a fi asociate cu activități cerebrale ce

sunt puse în legătură cu o anumită sarcină mentală (imaginarea mișcării mâinii

stângi sau a celei drepte). Trăsăturile care nu rămân stabile la mai multe rulări

ICA pe același set de date reprezintă componente ce nu trebuie luate în

considerare;

o componentele motorii s-au identificat pe baza corespondenței dintre localizarea

în modelele (pattern) spațiale și a proiectării pe scalp a zonelor senzitivo-motorii

cunoscute. Numărul componentelor motorii poate varia de la un subiect la altul.

Pot fi mai multe componente pentru o aceeași emisferă sau pot lipsi la unele


30

persoane. Am urmărit să extragem numai două componente motorii, câte una

pentru fiecare emisferă, care reprezintă activități cerebrale ce își au originea în

zona motorie stânga și dreapta. S-a rulat de mai multe ori ICA pentru a se

identifica două componentele care se păstrează (cu foarte mici diferențe) de la o

rulare la alta. Selecția s-a făcut manual, pentru o analiză online fiind însă necesar

a se găsi o modalitate de selecție automată, pe baza unui criteriu care să implice

anumiți parametri cărora să li se impună praguri;

o se face observația că ar putea fi considerate și alte componente independente

stânga și dreapta, dar fără o foarte bună potrivire între starea de relaxare și cea de

imaginare a mișcării. S-a mai constatat că au existat subiecți la care nu au apărut

componente stabile de la o rulare la alta, prin urmare acei subiecți nu au mai fost

menținuți în studiu;

o soluția propusă consideră numai două componente, câte una pentru fiecare

emisferă, localizată în zonele motorii cunoscute din literatura de specialitate.

în mediul de programare EEGLAB se încarcă setul de date corespunzător relaxării;

se aplică metoda ICA cu algoritmul INFOMAX pentru relaxare;

se obțin filtrele spațiale pentru relaxare (𝑊𝑅𝑒𝑙𝑎𝑥𝑎𝑟𝑒) și modelele spațiale pentru

relaxare ( 𝑊𝑅𝑒𝑙𝑎𝑥𝑎𝑟𝑒−1 );

se identifică componentele independente pentru relaxare;

se calculează sursele independente ca produs dintre matricea de demixare și

semnalele EEG;

pentru a aprecia și cantitativ gradul de similitudine dintre modelul spațial/filtrul

spațial din starea de relaxare cu cel din starea de imaginare a mișcării, s-a calculat

corelația dintre acestea;

pentru a compara utilizarea matricei de demixare din starea de relaxare în loc de cea

obținută prin rularea ICA a setului de date din starea de imaginare a mișcării, se

calculează densitatea spectrală de putere pentru cele două componente

corespunzătoare imaginării mișcării mâinii stângi, respectiv imaginării mișcării

mâinii drepte;

se formează vectorul de trăsături;

se realizează clasificarea cu ajutorul clasificatorilor: LDA, QDA, MD, kNN

(utilizând 1, 2, 3, 4, 5 vecini) și SVM. Numărul de date folosit în partea de antrenare

și cel din partea de test a fost selectat aleator. Pentru a crește veridicitatea rezultatelor

s-a folosit procedura de cross-validare 5x5.

Etapele menţionate anterior sunt parcurse şi pentru aplicarea algoritmilor ICA: SOBI şi

JADE.

Presupunând că cele două componente motorii din starea de relaxare și din starea de

imaginare motorie prezintă similitudini, atunci filtrele spațiale obținute pentru starea de relaxare

pot fi utilizate ca estimați ai filtrelor spațiale obținute pentru starea de imaginare motorie.

Metoda propusă poate fi descrisă astfel:

�̂�𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑟𝑒−1 = 𝑊𝑅𝑒𝑙𝑎𝑥𝑎𝑟𝑒

−1 , (6.6.1)


31

�̂�𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑟𝑒 = 𝑊𝑅𝑒𝑙𝑎𝑥𝑎𝑟𝑒. (6.6.2)

Diagrama bloc a metodei propuse este schițată în Fig. 6.6.1. În această paradigmă datele

colectate în starea de relaxare nu necesită nici o acțiune din partea subiectului. În practică datele

din starea de relaxare pot fi achiziționate înainte de o sesiune BCI.

Fig. 6.6.1. Diagrama bloc a metodei propuse

6.7. Rezultate obținute pentru baza de date proprie

S-au întocmit hărțile cerebrale pentru fiecare subiect în parte. Componentele

independente motorii pentru emisfera stângă și dreaptă au fost stabile după mai multe rulări. Se

observă din reprezentările topografice că există o similitudine între componentele motorii

stânga/dreapta pentru relaxare și imaginare, atât pentru modele, cât și pentru filtrele spațiale.

Punctele negre reprezintă poziția electrozilor, iar zonele de pe hărțile cerebrale marcate cu

culoarea roșie reprezintă zonele de activare. Majoritatea activărilor au fost concentrate în zona

cortexului senzoriomotor corespunzător pe emisfera stângă și dreaptă a creierului. Activările au

fost ușor mai slabe în emisfera stângă în comparație cu emisfera dreaptă. Acest lucru poate fi

explicat prin faptul că aproape majoritatea subiecților au fost dreptaci.

Pentru a evalua și cantitativ nu numai topografic gradul de similitudine dintre modelul

spaţial/filtrul spaţial din starea de relaxare cu cel din starea de imaginare a mișcării s-a calculat

corelația dintre acestea pentru fiecare componentă (stângă sau dreaptă) pentru fiecare subiect în

parte. Coeficientul de corelație pentru modelul spațial de pe partea dreaptă s-a calculat din

matricea de demixare de pe relaxare parte dreaptă și matricea de demixare de pe imaginare

dreapta pentru componenta independentă selectată. În mod similar s-au calculat și coeficienții de

corelație pentru filtrul spațial stânga și modelul spațial stânga pentru toți algoritmii ICA:

INFOMAX, SOBI si JADE. Coeficienţii de corelaţie au valori cuprinse între 0,11 şi 1,00. Pentru

a se putea realiza substituția/înlocuirea filtrelor spaţiale, modelele spaţiale trebuie să fie correlate.

Rezultatele diferă pentru fiecare algoritm ICA folosit, acest fapt fiind explicat de modul în care

se formează matricea de mixare și matricea de demixare pentru fiecare algoritm în parte.

S-au calculat ratele de clasificare pentru LDA, QDA, MD, kNN (k=1:5) și SVM pentru

algoritmii INFOMAX, SOBI Și JADE.

Matrice de

mixare relaxare

Matrice de demixare

imaginare motorie Semnal EEG relaxare

ICA

Semnal EEG imaginare

motorie

ICA

Model Spaţial Filtru Spaţial

Matrice de

mixare relaxare

Matrice de demixare

imaginare motorie

Substituţie


32

Concluziile generale care se pot distinge după aplicarea clasificatorilor sunt:

cu ajutorul clasificatorului LDA 40% dintre subiecţi au obţinut rate de clasificare

mai bune pentru algoritmul INFOMAX, 35% dintre subiecţi cu algoritmul JADE

şi 25 % dintre subiecţi cu algoritmul SOBI;

în comparaţie cu clasificatorul LDA, cu ajutorul clasificatorului QDA se obţin

rate de clasificare mai mari cu 1 – 2% pentru majoritatea subiecţilor;

pentru patru subiecţi se disting rate de clasificare maxime cu clasificatorul MD,

algoritmii INFOMAX şi JADE;

utilizând kNN pentru algoritmul INFOMAX ratele de clasificare sunt în intervalul

54,81% şi 100%;

pentru algoritmul SOBI cea mai mare rată de clasificare a fost 100%;

aplicând kNN pentru algoritmul JADE, s-au obţinut rate de clasificare mai mari în

comparaţie cu algoritmii INFOMAX şi SOBI, excepţie făcând un singur subiect.

6.8. Analiza statistică aplicată rezultatelor obținute pentru baza de date proprie

Pragul de semnificație trebuie să fie mai mare de 0,05 pentru a putea fi realizată

substituția filtrelor spațiale. În TABELUL 6.8.1. sunt reprezentate pragurile de semnificație

obținute în urma analizei statistice după aplicarea testulului t pentru eşantioane perechi între

filtrele spaţiale originale şi filtrele spaţiale substituite pentru clasificatorii LDA, QDA, MD, kNN

și SVM şi algoritmii INFOMAX, SOBI şi JADE.

TABELUL 6.8.1. PRAGURILE DE SEMNIFICAȚIE OBȚINUTE PENTRU CLASIFICATORII LDA,

QDA, MD, kNN ȘI SVM ŞI ALGORITMII INFOMAX, SOBI ŞI JADE

Algoritm Metodă LDA QDA MD kNN SVM

INFOMAX

Filtrul spaţial original

–

Filtrul spaţial substituit

0,212

0,715

0,835

k=1 0,625

0,989

k=2 0,629

k=3 0,629

k=4 0,643

k=5 0,650

SOBI


–


0,421

0,162

0,182

k=1 0,196

0,094

k=2 0,198

k=3 0,195

k=4 0,192

k=5 0,187

JADE


–


0,465 0,628 0,473

k=1 0,994

0,884

k=2 0,974

k=3 0,974

k=4 0,971

k=5 0,981

Pe baza observaţiilor de mai sus și datorită faptului că valorile p sunt mai mari decât

limita impusă (0,05), se poate afirma ca nu există diferenţă statistică între filtrele spaţiale

originale şi filtrele spaţiale substituite, prin urmare, substituția între filtre este posibilă.


33

6.9. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN

Metoda propusă s-a aplicat şi pe baza de date BCI Competition 2002 - OSMAN.

Componentele independente au avut amplitudini mai mari pe canalele C3, C4, FC1 şi FC2.

Corelaţia cea mai bună pentru modelul spaţial dreapta/stânga în starea de relaxare şi

imaginare motorie s-a evidenţiat la subiectul S7. Există o diferență între filtrele spaţiale, însă

bazându-ne pe rezultatele obţinute substituţia dintre modelele spaţiale poate fi realizată.

Concluziile care se disting din rezultatele clasificării LDA, QDA, MD, kNN (k=1:5) și

SVM, utilizând algoritmul INFOMAX, SOBI și JADE sunt:

pentru algoritmul INFOMAX, clasificatorul QDA, la subiecții S4 și S7 se

identifică rate de clasificare maxime;

pentru algoritmul SOBI cele mai mari rate de clasificare se evidențiază la S9 la

toți clasificatorii;

utilizând algoritmul JADE se înregistrează rate de clasificare maxime cu ajutorul

clasificatorului pătratic.

aplicând kNN pentru algoritmul INFOMAX ratele de clasificare sunt în intervalul

52,03% (S3) şi 100% (S7);

pentru algoritmul SOBI rata de clasificare maximă a fost obținută de S4 și S9

pentru toți vecinii (k=1:5);

aplicând kNN pentru algoritmul JADE, rata de clasificare maximă este realizată

de S1;

90% dintre subiecţi au obţinut rate de clasificare mai mari de 60% cu

clasificatorul SVM. La Subiectul 3 s-au identificat cele mai mici rate de

clasificare pentru toţi algoritmii ICA. Ratele de clasificare mici ale Subiectului 3

pot fi datorate faptului că acesta nu dezvoltă ritmul Mu.

Rezultatele diferă de la subiect la subiect. Cu toate că subiecţii erau bine antrenaţi, este

posibil ca la unii dintre aceștia nivelul de concentrare să fi fost scăzut și să nu fi putut executa

sarcinile solicitate. Este posibil ca subiecții să nu dezvolte ritm Mu sau contactul dintre unii

electrozi și scalp să nu fi fost corect. Subiectul 7 a obținut rate de clasificare maxime.

6.10. Analiza statistică aplicată rezultatelor obținute pentru baza de date BCI

Competition 2002 – OSMAN

Testul t pentru eșantioane perechi a fost aplicat pentru a se verifica diferența statistică

dintre filtrele spațiale originale și filtrele spațiale substituite. Valoarea p trebuie să fie mai mare

de 0,05 pentru a fi posibilă substituția filtrelor (TABELUL 6.10.1).

Pragurile de semnificaţie obţinute pentru clasificatorii LDA, QDA, MD, kNN și SVM

sunt prezentate în TABELUL 6.10.1.


34

TABELUL 6.10.1 PRAGURILE DE SEMNIFICAȚIE OBȚINUTE PENTRU CLASIFICATORII LDA,

QDA, MD, kNN ȘI SVM ŞI ALGORITMII INFOMAX, SOBI ŞI JADE

Algoritm Metodă LDA QDA MD kNN SVM

INFOMAX


–


0,665

0,755

0,879

k=1 0,961

0,452

k=2 0,964

k=3 0,962

k=4 0,975

k=5 0,975

SOBI


–


0,153

0,128

0,398

k=1 0,347

0,185

k=2 0,314

k=3 0,291

k=4 0,269

k=5 0,251

JADE


–


0,902

0,424 0,439

k=1 0,319

0,400

k=2 0,304

k=3 0,300

k=4 0,286

k=5 0,288

Deoarece p>0,05, nu există diferenţă statistică între filtrele spaţiale originale şi filtrele

spaţiale substituite și prin urmare înlocuirea filtrelor poate fi realizată.

În Fig. 6.10.1 este prezentată o sinteză a celor mai mari rate de clasificare obținute pentru

bazele de date folosite și algoritmii ICA utilizați.

Fig. 6.10.1 Ratele de clasificare maxime obținute pentru fiecare clasificator și algoritmii ICA

6.11. Concluzii

S-a propus o metodă de analiză offline în cazul unei paradigme BCI bazată pe semnale

EEG când se imaginează mișcarea unei mâinii, cu scopul de a se mișca cursorul pe monitorul

unui calculator.

94%

95%

96%

97%

98%

99%

100%

INFOMAX SOBI JADE INFOMAX SOBI JADE

Baza de date proprie Baza de date OSMAN

LDA

QDA

MD

KNN

SVM


35

Metoda propusă utilizează analiza pe componente independente. Pentru a se extrage cât

mai corect componentele independente în cazul tuturor subiecților, s-au folosit cele mai uzuale

canale raportate în literatura de specialitate ca fiind cele pe care se evidențiază cel mai bine

activitatea motorie sau imaginarea acesteia. Pentru aceste canale s-a aplicat ICA. S-au

reprezentat filtrele spațiale (matricele de demixare) și modelul spațial (matricele de mixare) atât

pentru starea de relaxare, cât și pentru imaginarea motorie. S-a aplicat ICA de mai multe ori la

rând pe același set de date pentru a se identifica componentele stabile. S-a observat o anumită

similitudine pentru reprezentările spațiale ale componentelor motorii atât în cazul filtrelor

spațiale, cât și în cazul modelelor spațiale între starea de relaxare și starea de imaginare a

mișcării. În această aplicație, s-au selectat două componente, câte una pentru fiecare emisferă.

Acest fapt a condus la ideea de a folosi același filtru spațial obţinut în urma aplicării metodei

ICA pentru starea de relaxare și pentru imaginarea mișcării.

În concluzie, se poate spune că:

filtrele spațiale obținute din semnalele EEG pentru starea de relaxare sunt similare

cu cele obținute în starea de imaginare a mișcării;

s-a demonstrat posibilitatea de a se utiliza aceeași matrice de demixare obținută

pentru aplicarea metodei ICA pe înregistrări EEG realizate atunci când o persoană

este relaxată și în cazul imaginării mișcării mâinii;

se poate elimina perioada de antrenare a subiecțior necesară pentru a se obține

anumite trăsături caracteristice imaginării mișcării.

metoda poate fi aplicată sistemelor BCI online.

Capitolul VII

Clasificarea sarcinilor motorii utilizând distanța Itakura

În capitol este analizată clasificarea sarcinilor motorii utilizând distanța Itakura. Metoda

propusă pentru discriminarea sarcinilor motorii este bazată pe modelarea autoregresivă și constă

în calculul distanței Itakura, calculul distanței Itakura simetrice și calculul distanței Itakura

normalizate.

7.1. Modelarea autoregresivă

Modelele parametrice [Sch97] se bazează pe modelarea secvențelor de date 𝑦(𝑛) ca ieșire

a unui sistem liniar caracterizat de o funcție de transfer rațională de forma [Pfu00]:

𝐻(𝑧) =∑ 𝑏𝑘𝑧−𝑘𝑞

𝑘=0

1+∑ 𝑎𝑘𝑧−𝑘𝑝𝑘=1

(7.1.1)

Se identifică trei modele corespunzătoare celor trei forme sub care se poate prezenta

funcția de sistem 𝐻(𝑧): modelul autoregresiv cu medie alunecătoare (ARMA), modelul cu medie

alunecătoare (MA), modelul autoregresiv (AR).

Dintre cele trei modele cel mai folosit este modelul autoregresiv [Tar08]. Avantajele

acestuia sunt:


36

spectrul rezultat cu un model autoregresiv de ordin mic are o rezoluție

satisfăcătoare;

parametrii modelului se calculează relativ ușor, prin rezolvarea unui sistem liniar

de ecuații, în comparație parametrii modelului ARMA care apar în ecuații

neliniare.

Modificările ce apar în ritmurile cerebrale în timpul sarcinilor mentale pot fi modelate cu

ajutorul parametrilor unui model autoregresiv pentru care semnalul cerebral reprezintă ieşirea

sistemului.

Dacă se consideră un model autoregresiv (AR) care să reprezinte semnalul EEG

înregistrat în perioada de relaxare, un model autoregresiv care să reprezinte semnalul EEG

înregistrat în perioada imaginării mișcării mâinii drepte și un alt model autoregresiv care să

reprezinte semnalul EEG în perioada imaginării mișcării mâinii stângi se obţin pentru procese

erorile pătratice medii minime.

Presupunând că semnalul EEG din perioada de relaxare este 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸(𝑛), semnalul

corespunzător imaginării mişcării mâinii stângi 𝑦𝑆𝑇Â𝑁𝐺𝐴(𝑛), semnalul corespunzător imaginării

mâinii drepte 𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴(𝑛), atunci parametrii care caracterizează cele trei procese sunt:

𝑎𝑘𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑎𝑘

𝑆𝑇Â𝑁𝐺𝐴, 𝑎𝑘𝐷𝑅𝐸𝐴𝑃𝑇𝐴, 𝑘 = 1,2,3, … , 𝑝:

𝑎𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸 = [1 𝑎1𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸 𝑎2

𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸 … 𝑎𝑝𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸] 𝑇, (7.1.2)

𝑎𝑆𝑇Â𝑁𝐺𝐴 = [1 𝑎1𝑆𝑇Â𝑁𝐺𝐴 𝑎2

𝑆𝑇Â𝑁𝐺𝐴 … 𝑎𝑝𝑆𝑇Â𝑁𝐺𝐴] 𝑇, (7.1.3)

𝑎𝐷𝑅𝐸𝐴𝑃𝑇𝐴 = [1 𝑎1𝐷𝑅𝐸𝐴𝑃𝑇𝐴 𝑎2

𝐷𝑅𝐸𝐴𝑃𝑇𝐴 … 𝑎𝑝𝐷𝑅𝐸𝐴𝑃𝑇𝐴] 𝑇. (7.1.4)

Eroarea pătratică medie (Mean Squared Error - MSE) atunci când semnalul

𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸(𝑛) reprezintă ieşirea sistemului 𝐴𝑅(𝑝) pentru perioada de relaxare este:

𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸= (𝑎𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸)𝑇𝑅𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

(𝑝)𝑎𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸. (7.1.5)

unde 𝑅𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸(𝑝) reprezintă matricea de autocorelaţie a semnalului 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸(𝑛).

Este posibilă evaluarea MSE atunci când semnalul EEG corespunzător perioadei de

relaxare este ieşirea sistemului autoregresiv descris de parametrii 𝑎𝑆𝑇Â𝑁𝐺𝐴 sau 𝑎𝐷𝑅𝐸𝐴𝑃𝑇𝐴.

În aceste cazuri, erorile pătratice medii sunt date de ecuaţiile:

𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝑆𝑇Â𝑁𝐺𝐴= (𝑎𝑆𝑇Â𝑁𝐺𝐴)

𝑇𝑅𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

(𝑝)𝑎𝑆𝑇Â𝑁𝐺𝐴, (7.1.6)

𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴= (𝑎𝐷𝑅𝐸𝐴𝑃𝑇𝐴)𝑇𝑅𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

(𝑝)𝑎𝐷𝑅𝐸𝐴𝑃𝑇𝐴. (7.1.7)

7.2. Distanţa Itakura

Distanţa Itakura (Itakura Distance - ID) a fost utilizată iniţial pentru a măsura

similitudinea dintre două procese autoregresive (AR) în domeniul procesării vocii sau pentru a

separa fazele somnului [Est09].


37

Distanța Itakura a fost propusă de către Fumitada Itakura și Shuzo Saito în anul 1960

[Ita75].

Distanţele Itakura dintre starea de relaxare şi imaginarea motorie stânga/dreapta sunt:

𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝑆𝑇Â𝑁𝐺𝐴 = log (𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝑆𝑇Â𝑁𝐺𝐴

𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

), (7.2.1)

𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴 = log (𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴

𝑀𝑆𝐸𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸, 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

). (7.2.2)

Dacă semnalele 𝑦𝑆𝑇Â𝑁𝐺𝐴(𝑛) si 𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴(𝑛) sunt modelate cu ajutorul procesului

autoregresiv, distanţele Itakura sunt definite de relaţiile:

𝐼𝐷𝑆𝑇Â𝑁𝐺𝐴−𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸 = log (𝑀𝑆𝐸𝑦

𝑆𝑇Â𝑁𝐺𝐴, 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

𝑀𝑆𝐸𝑦𝑆𝑇Â𝑁𝐺𝐴,

𝑦𝑆𝑇Â𝑁𝐺𝐴

), (7.2.3)

𝐼𝐷𝐷𝑅𝐸𝐴𝑃𝑇𝐴−𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸 = log (𝑀𝑆𝐸𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴, 𝑦𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸

𝑀𝑆𝐸𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴, 𝑦𝐷𝑅𝐸𝐴𝑃𝑇𝐴

). (7.2.4)

7.3. Distanţa Itakura simetrică

Combinând ecuația (7.2.1) cu ecuația (7.2.3), distanţa Itakura simetrică stângă este:

𝐼𝐷𝑆𝑇Â𝑁𝐺𝐴 =1

2(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝑆𝑇Â𝑁𝐺𝐴 + 𝐼𝐷𝑆𝑇Â𝑁𝐺𝐴−𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸). (7.3.1)

Combinând ecuația (7.2.2) cu ecuația (7.2.4), distanţa Itakura simetrică dreaptă este

definită de relaţia:

𝐼𝐷𝐷𝑅𝐸𝐴𝑃𝑇𝐴 =1

2(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴 + 𝐼𝐷𝐷𝑅𝐸𝐴𝑃𝑇𝐴−𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸). (7.3.2)

7.4. Distanţa Itakura normalizată

Normalizarea 0-100 este folosită pentru a efectua o “uniformizare” a distanţelor Itakura

[Est09]. Distanţa Itakura normalizată stângă, respectiv dreaptă este definită de:

𝑁𝑂𝑅𝑀𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝑆𝑇Â𝑁𝐺𝐴=

(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝑆𝑇Â𝑁𝐺𝐴−𝑚𝑖𝑛(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝑆𝑇Â𝑁𝐺𝐴))∗100

𝑚𝑎𝑥(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴)−𝑚𝑖𝑛(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴) (7.4.1)

𝑁𝑂𝑅𝑀𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴=

(𝐼𝐷𝑅𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴−𝑚𝑖𝑛(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴))∗100

𝑚𝑎𝑥(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴)−𝑚𝑖𝑛(𝐼𝐷𝑅𝐸𝐿𝐴𝑋𝐴𝑅𝐸−𝐷𝑅𝐸𝐴𝑃𝑇𝐴) (7.4.2)

Diagrama bloc a metodei propuse bazată pe calculul distanţei Itakura normalizate este

ilustrată în Fig. 7.4.1.


38

Fig. 7.4.1. Schema bloc pentru metoda propusă pe baza distanţei Itakura normalizate

7.5. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura și

distanța Itakura simetrică

Pentru a se pune în evidenţă discriminarea sarcinilor mentale (imaginarea mişcării mâinii

drepte şi imaginarea mişcării mâinii stângi) într-o paradigmă BCI bazată pe imaginarea motorie

se propune selecţia canalelor EEG cu ajutorul calculului distanţei Itakura şi calculului distanţei

Itakura simetrice. Vectorul de trăsături este format din distanţele Itakura stângă/dreaptă care au

satisfăcut condiţiile impuse de testele statistice pentru fiecare subiect în parte.

Pentru baza de date proprie, segmentele de 2 s după apariţia ţintei au fost selectate pentru

fiecare sarcină mentală în parte. De asemenea, segmentele de 2 s ce urmează sarcinii motorii,

corespunzătoare perioadei de relaxare, au fost extrase din semnalele EEG.

Metoda propusă a fost aplicată pentru banda de frecvență 8 - 12 Hz, corespunzătoare

ritmului Mu. Ordinele folosite pentru modelul autoregresiv au fost 𝑝 = 6 și 𝑝 = 10 aşa cum este

specificat în [Mel07] şi [Eba07].

Distanţa Itakura şi distanţa Itakura simetrică corespunzătoare imaginării motorii stânga şi

dreapta au fost calculate pentru toate cele 30 de încercări şi pentru cele 8 canale. În paşii

următori s-a urmărit evaluarea statistică a diferenţelor dintre distanţele Itakura obţinute.

Pentru a evalua dacă distanţele Itakura prezintă o distribuţie normală, a fost utilizat testul

Shapiro-Wilk [Kin12]. Testul statistic t a fost aplicat pentru a stabili diferenţele statistice dintre

distanţele Itakura (stângă şi dreaptă) pentru canalele care au îndeplinit condiţiile de normalitate

impuse. Pentru canalele care nu au îndeplinit condiţiile de normalitate impuse, a fost aplicat

testul Wilcoxon signed-rank. Acesta este o alternativă neparametrică a testului t. Intervalul de

încredere folosit este 95%.

Vectorul de trăsături este format prin concatenarea informaţiilor care au îndeplinit

condiţiile impuse de testul t și testul Wilcoxon signed-rank.

Semnal EEG

imaginare

mişcare mâna

stângă

Semnal EEG

relaxare

Semnal EEG

imaginare

mişcare mâna

dreaptă

Semnal EEG

relaxare

Modelare

autoregresivă

Modelare

autoregresivă

Modelare

autoregresivă

Modelare

autoregresivă

Distanţa

Itakura

dreaptă

Normalizare

Normalizare

Distanţa Itakura normalizată stângă

Distanţa Itakura normalizată dreaptă

Distanţa

Itakura

stângă


39


S-a urmărit numărul de canale selectate pentru formarea vectorului de trăsături pentru

fiecare subiect, pentru modelul de ordin 6 și de ordin 10 și pentru calculul distanţei Itakura.

Pentru trei subiecți toate cele opt canale au îndeplinit condiţiile impuse de testele

statistice. Prin selecția de canale cu ajutorul testelor statistice s-a urmărit identificarea zonelor

cerebrale care generează modele corticale și care pot fi corelate cu executarea sarcinilor motorii.

Cele mai selectate canale localizate în zona cortexului motor au fost C3, CP3 și P3 ceea ce

indică desincronizare mai puternică pe partea stângă, iar canalele C4 și CP4 au avut cele mai

puţine selecţii.

Pentru a confirma veridicitatea rezultatelor s-a folosit procedura de cross-validare 5x5.

S-au calculat ratele de clasificare obținute pentru distanţa Itakura şi ordinele modelului 6,

respectiv 10 pentru toţi subiecţii și pentru toți clasificatorii.

Concluziile care se extrag din analiza ratelor de clasificare sunt următoarele:

pentru modelul de ordin 6, 45% dintre subiecți au obținut rate de clasificare mai

bune cu QDA, iar 25 % dintre subiecţi cu LDA și MD;

în cazul modelului de ordin 10 (subiectul RA14i a fost exclus deoarece nici un

canal nu este selectat în urma aplicării testelor statistice), 62,5% dintre

participanți au obținut procente ale clasificării mai bune cu QDA, 22,5% cu

clasificatorul MD și 15% cu clasificatorul LDA;

pentru trei subiecți se evidențiază rate de clasificare aproape de 100%. Doi dintre

aceștia au obținut pentru metoda ce a implicat substituția filtrelor rezultate ale

clasificării comparabile cu cele corespunzătoare calculului distanței Itakura. În

general, rezultatele clasificării sunt mai bune pentru calculul distanței Itakura

decât cele obținute cu metoda anterioară;

la 40% dintre subiecți rezultatele clasificării obţinute cu clasificatorul kNN în

funcţie de numărul de vecini pentru calculul distanţei Itakura folosind modelul de

ordin 6 sunt mai mari de 90%. Cele mai mari rate de clasificare pentru majoritatea

subiecţilor sunt obţinute cu un singur vecin. Pentru nouă dintre subiecţi, ratele de

clasificare au fost mai mari pentru k=2. Cea mai mare rată de discriminare a fost

obţinută pentru 2 vecini, 97,78% - subiectul AP24i. Pentru ceilalţi vecini (3, 4, 5)

nu s-au evidenţiat rezultate semnificative. Subiectul AP24i s-a evidențiat cu

rezultate ale ratei de clasificare aproape de 100% și pentru mișcare, ceea ce

înseamnă că subiectul s-a concentrat în efectuarea sarcinilor motorii și că a

dezvoltat ritmul Mu. În comparație cu metoda substituției filtrelor spațiale

folosind metoda ICA, s-au obținut rate de clasificare mai mari cu 1 - 2%;

ratele de clasificare cele mai mari pentru clasificatorul kNN, calculul distanţei

Itakura, modelul de ordin 10 au fost obţinute cu un vecin. Cea mai mare rată de

clasificare a fost obţinută pentru un vecin – 97,50%. Pentru subiectul RA14i nici

un canal nu a putut fi selectat după aplicarea testelor statistice și, prin urmare, a

fost exclus;


40

pentru majoritatea subiecților, ratele de clasificare obținute pentru modelulul de

ordin 6 cu ajutorul clasificatorului SVM sunt mai mari decât cele obţinute cu

modelul de ordin 10.

S-a reprezentat numărul de canalele care au satisfăcut condițiile statistice pentru fiecare

subiect utilizând calculul distanței Itakura simetrice și modelele de ordin 6 și 10. Nici un canal

nu a fost selectat pentru modelul de ordin 6 (subiect MA12i) și modelul de ordin 10 (subiect

RA14i). Pentru patru subiecți, toate cele opt canale EEG au îndeplinit condițiile impuse de

testele statistice.

S-au calculat ratele de clasificare obținute prin aplicarea metodei distanței Itakura

simetrice pentru modelele de ordin 6, respectiv 10.

Concluziile care se extrag din analiza ratelor de clasificare obţinute pentru distanţa

Itakura simetrică sunt următoarele:

subiectul AP24i a obţinut rata de clasificare maximă (100%) cu clasificatorul

LDA. Subiectul AL21i a obţinut cele mai mici rate de clasificare, sub 40%. Pentru

ceilalţi subiecţi s-au evidenţiat rate de clasificare mai mari de 70%;

pentru 25 subiecţi cele mai mari rate de clasificare sunt obţinute cu un vecin, trei

subiecţi cu doi, trei, respectiv, cinci vecini, cinci subiecți cu patru vecini (modelul

de ordin 6). Cea mai mare rată de clasificare s-a obţinut pentru subiectul AP24i,

98,06% pentru cinci vecini;

ca şi în cazul modelului de ordin 6, cele mai bune rate de clasificare sunt pentru

un vecin;

cele mai bune rate de clasificare au fost obţinute cu ajutorul clasificatorului SVM

pentru distanţa Itakura simetrică pentru modelul de ordin 10. Pentru subiectul

MA12i, modelul de ordin 10 şi subiectul RA14i, modelul de ordin 6, clasificarea

nu s-a putut realiza deoarece nu a putut fi selectat nici un canal după aplicarea

testelor statistice [Eva15b].

Deoarece calculul distanței Itakura nu a mai folosit în discriminarea sarcinilor motorii,

comparațiile se vor realiza cu alte metode în care a fost folosită baza de date proprie.

În lucrarea [Eva15a], utilizând subiecţii din baza de date şi altă metodă de prelucrare

(utilizarea aceluiași filtru spațial obținut în urma aplicării metodei ICA pentru starea de relaxare

și pentru imaginarea mișcării) au fost obţinute rate de clasificare mai mici decât cele raportate

pentru metoda bazată pe calculul distanței Itakura sau distanței Itakura simetrice. De exemplu,

pentru subiectul SA31i se evidenţiază ratele de clasificare 87,5%, 90,6% şi 90,6% pentru

clasificatorii LDA, QDA şi MD, în comparaţie cu 95%, 96,67% şi 96,67% pentru distanţa

Itakura simetrică şi modelul de ordin 10 [Eva15b].

S-a testat metoda bazată pe calculul distanței Itakura și metoda bazată pe calculul

distanței Itakura simetrice pentru modelele de ordin 6, respectiv 10. Deoarece aceste metode nu

au mai fost folosite, iar în literatura de specialitate erau raportate rezultate cu modelele de ordin

6, respectiv 10, s-a decis aplicarea amândurora pentru a vedea care este adecvat semnalelor EEG

din bazele de date folosite. Din rezultatele obținute se poate afirma că modelul de ordin 10 oferă


41

rate de discriminare mai bune decât modelul de ordin 6 atât pentru calculul distanței Itakura, cât

și pentru calculul distanței Itakura simetrice.

7.7. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura

normalizată

Sunt prezentate rezultatele raportate aplicând metoda bazată pe distanţa Itakura

normalizată pentru semnalele EEG din baza de date BCI Competition 2002 – OSMAN. S-a ales

testarea metodei bazată pe calculul distanţei Itakura normalizate, deoarece rezultatele obţinute în

urma rulării metodei bazate pe calculul distanţei Itakura fără procedura de normalizare nu au

oferit rate de clasificare satisfăcătoare. Canale selectate au fost: FC3, FC1, FC2 ,FC4 ,C3 ,C1, C2,

C4, CP3, CP1, CP2, CP4. Deoarece în această bază de date nu au fost limitări ale numărului de

canale, s-au ales mai multe canale din zona motorie. S-a urmărit în testarea metodei dacă

numărul de canale influențează rezultatele. S-au parcurs aceleași etape menționate în

subcapitolul 7.5. Pentru a valida rezultatele s-a folosit procedura de cross-validare 10x10.


S-au reprezentat canalele selectate pentru fiecare subiect, pentru modelele de ordin 6,

respectiv ordin 10. Pentru modelul de ordin 6, subiecţii 4 și 6, nu sunt luaţi în considerare pentru

o procesare ulterioară, deoarece nici un canal nu a putut fi selectat după aplicarea testelor

statistice. Pentru subiectul 3, din 12 canale, opt sunt selectate, în timp ce pentru subiectul 7 este

selectat doar canalul CP1.

În ceea ce priveşte modelul de ordin 10, pentru subiectul 8 sunt selectate nouă canale.

Pentru subiecţii 2, 3, 6, 7 sunt selectate două canale.

S-au calculat ratele de clasificare pentru clasificatorii LDA, QDA, MD, kNN (k=1:5) și

SVM pentru distanța Itakura normalizată.

Se disting următoarele concluzii:

pentru ordinul 6, cea mai mare rată de clasificare este obţinută cu clasificatorul LDA.

Subiectul 5 a obţinut cele mai mari rate de clasificare, în timp ce subiectul 7 cele mai

mici rate de discriminare;

ratele de clasificare pentru ordinul modelului 10 se regăsesc în intervalul 59-91%. Cea

mai mică rată de clasificare este obţinută cu clasificatorul QDA (59% - subiectul 6) şi cea

mai mare rată de clasificare cu clasificatorul LDA (91% - subiectul 4);

pentru clasificatorul kNN, modelul de ordin 6, cele mai mari rate de discriminare sunt

obţinute cu un număr de vecini egal cu cinci pentru subiecţii 1, 3, 5, 9;

pentru clasificatorul kNN, modelul de ordin 10, rata de clasificare cea mai mică este

60,63% - subiectul 6 şi un singur vecin, dar numai două canale au format vectorul de

trăsături. Pentru subiectul 8, unde nouă canale au fost selectate în urma aplicării testelor

statistice, ratele de clasificare sunt cuprinse între 81,77 – 82,44%. Cu excepţia subiecților

6 şi 7, ceilalţi subiecţi au obţinut rate de clasificare mai mari de 74%. Cele mai mari rate

de clasificare se înregistrează pentru subiectul 9 (81,88 - 82,44%) [Eva15c];

90% dintre subiecţi au realizat rate de clasificare mai mari pentru modelul de ordin 10

decât pentru modelul de ordin 6, clasificator SVM.


42

Rezultatele obținute sunt similare cu cele din alte lucrări în care s-a folosit aceeaşi bază

de date [Inc07], [Kam05]. În [Inc07], unde este investigată o abordare timp-frecvenţă folosind

șase subiecţi (1, 2, 5, 6, 7, 9), pentru subiectul 2 şi subiectul 5 sunt raportate următoarele rate de

clasificare 91,4% și 76,1%. Cu ajutorul distanţei Itakura normalizate, subiectul 2 a obținut rate de

clasificare cuprinse între 71,11 – 81,34%, în timp ce pentru subiectul 5 ratele de clasificare au

fost mai mari de 80%.

În Fig. 7.8.1. este prezentată o sinteză a celor mai mari rate de clasificare obținute pentru

bazele de date folosite și metodele bazate pe calculul distanței Itakura, distanței Itakura

simetrice, distanței Itakura normalizate.

Fig. 7.8.1. Cele mai mari rate de clasificare obținute pentru fiecare clasificator și pentru fiecare metodă

aplicată

Aplicând metoda bazată pe distanța Itakura și metoda bazată pe distanța Itakura

simetrică, se obțin rate de clasificare maxime cu clasificatorii LDA, QDA și MD.

7.9. Concluzii

Metoda propune selecţia canalelor EEG pentru o paradigmă BCI bazată pe imaginarea

mişcării utilizând metode bazate pe calculul distanţei Itakura, distanţei Itakura simetrice şi

distanţei Itakura normalizate. Metoda este simplă, uşor de aplicat (pentru fiecare semnal EEG

trebuie estimaţi 6, respectiv 10 parametri), iar informaţiile relevante din canalele selectate sunt

extrase şi mai apoi luate in considerare pentru o procesare ulterioară. Ratele de clasificare

obţinute indică faptul că metoda propusă este adecvată pentru analizele offline bazate pe

imaginarea mişcării şi sunt, de asemenea, promiţătoare pentru cercetarea ulterioară.

O contribuție importantă este folosirea metodelor bazate pe calculul distanţei Itakura,

distanţei Itakura simetrice şi distanţei Itakura normalizate pentru discriminarea sarcinilor motorii

pentru o paradigmă BCI bazată pe imaginarea motorie. Cu toate că metodele nu au mai fost

folosite pentru discriminarea sarcinilor motorii, rezultatele obținute indică faptul că acestea pot fi

folosite ca metode de analiză online și că sunt mai eficiente decât alte metode analizate.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Ordin 6 Ordin 10 Ordin 6 Ordin 10 Ordin 6 Ordin 10

Distanta Itakura Distanta Itakurasimetrica

Distanta Itakuranormalizata

LDA

QDA

MD

KNN

SVM


43

Pentru a îmbunătăţi ratele de clasificare obținute, cercetarea viitoare implică testarea

metodei bazate pe calculul distanţei Itakura generalizate care foloseşte ordine diferite pentru

fiecare proces autoregresiv.

Capitolul VIII

Clasificarea sarcinilor motorii folosind indici care măsoară sincronizarea de

fază

În capitol este realizată clasificarea sarcinilor motorii folosind indici ce măsoară

sincronizarea de fază: indicele de blocare a fazei, indicele de decalaj al fazei, indicele ponderat

de decalaj al fazei.

8.1. Introducere

Rețelele și ritmurile cerebrale au un rol important în analiza, descrierea și înțelegerea

activității cerebrale.

Neuronii nu funcționează în mod izolat. Ei sunt încorporați în ansambluri sau rețele care

se influențează reciproc prin activitate excitatoare sau inhibitoare. Astfel neuronii dintr-o rețea

sunt activați ritmic sau inhibați. Ritmicitatea se reflectă în oscilații ale potențialului câmpului

celular care este măsurat prin intermediul electroencefalografiei sau prin înregistrarea

potențialelor locale [Fel11]. Sincronizarea de fază este un mecanism neuronal fundamental care

susține comunicarea neuronală și plasticitatea neuronală.

S-a observat că sincronizarea de fază din perioada de relaxare este diferită de

sincronizarea de fază din perioada de activitate și, prin urmare, se poate utiliza în aplicațiile BCI

[Gon13].

În activitatea cerebrală se disting două tipuri de sincronizări: sincronizarea la scară locală

(între semnale EEG achiziționate de la electrozi plasați în aceeași zonă motorie) și sincronizarea

la scară largă (între semnale EEG achiziționate de la electrozi plasați în zona motorie primară și

de la electrozi din zona motorie suplimentară). Când se consideră canale apropiate din aceeași

regiune senzoriomotorie a creierului este prezentă sincronizarea la scară locală, iar când sunt

implicate canale îndepărtate apare sincronizarea la scară largă [Wan06].

Sincronizarea de fază indică dacă diferența de fază este apropiată de o constantă într-un

interval de timp specificat. Din acest motiv este necesar ca semnalul să fie filtrat într-o bandă de

frecvență îngustă.

Sincronizarea de fază este influențată de: prezența unei referințe comune, volumul

conductor, prezența zgomotelor.

Semnalele EEG pot fi contaminate de volumul conductor dintre țesuturile care separă

sursele de electrozi. Volumul conductor depinde de localizarea electrozilor pe scalp și scade

atunci când electrozii sunt plasați la mai mult de 20 cm între ei [Sri07]. Problema volumului de

conducție este importantă pentru înregistrările EEG, deoarece limitează analiza conectivității

datorită rezoluției spațiale scăzute.

Există mai multe metode care măsoară sincronizarea de fază dintre două semnale 𝑠𝑥(𝑡) și

𝑠𝑦(𝑡): coerența, coerența imaginară (Imaginary Coherence - IC), indicele de blocare al fazei


44

(Phase Locking Value - PLV), indicele de decalaj al fazei (Phase Lag Index - PLI), indicele

ponderat de decalaj al fazei (Weighted Phase Lag Index - wPLI).

Se vor prezenta trei dintre metodele menționate (PLV, PLI, wPLI), celelalte metode

nefăcând obiectul cercetării.

8.2. Indicele de blocare a fazei

Indicele de blocare a fazei (Phase Locking Value - PLV) reprezintă o metodă de măsurare

a sincronizării în domeniul timp, fiind introdusă pentru studiul electroencefalografiei în anul

1999. PLV este utilizat pentru analiza semnalelor EEG înregistrate în timpul imaginării motorii.

PLV caracterizează stabilitatea diferenței de fază dintre fazele 𝜑𝑥(𝑡) și 𝜑𝑦(𝑡) a

semnalelor 𝑠𝑥(𝑡) și 𝑠𝑦(𝑡), utilizând formula [Gys04]:

𝑃𝐿𝑉 = |⟨𝑒𝑗∆𝜑(𝑡)⟩|, (8.2.1)

unde ∆𝜑(𝑡) = 𝜑𝑦(𝑡) − 𝜑𝑥(𝑡) și < > reprezintă operatorul de mediere.

De obicei, medierea se realizează pe număr de încercări, PLV având următoarea expresie:

𝑃𝐿𝑉 =1

𝑁|∑ 𝑒𝑥𝑝[𝑗(𝜑𝑦(𝑡) − 𝜑𝑥(𝑡) )]𝑁

𝑡=1 |, (8.2.2)

unde 𝑁 reprezintă numărul de eșantioane EEG ale fiecărei încercări.

Când diferența de fază este constantă, PLV este egal cu 1 (toți vectorii diferențelor de

fază se vor alinia). Dacă diferența de fază este distribuită aleatoriu într-un interval de valori

cuprins între [0, 2𝜋], vectorii de sumează, iar PLV va fi egal cu 0 [LeV01].

Pentru a calcula indicele PLV, este necesar să se cunoască fazele instantanee 𝜑𝑥(𝑡),

𝜑𝑦(𝑡) ale celor două semnale 𝑠𝑥(𝑡) și 𝑠𝑦(𝑡). Fazele instantanee se pot obține utilizând analiza de

tip wavelet sau calculând transformata Hilbert [LeV01]. S-a ales transformata Hilbert pentru

calculul fazei instantanee.

Transformata Hilbert a unui semnal 𝑠(𝑡) este dată de formula [Gys04]:

�̃�(𝑡) =1

𝜋𝑝. 𝑣. ∫

𝑠(𝜏)

𝑡−𝜏𝑑

+∞

−∞𝜏, (8.2.3)

unde 𝑝. 𝑣. reprezintă valoarea principală Cauchy.

Semnalul analitic este:

𝑆(𝑡) = 𝑠(𝑡) + 𝑗�̃�(𝑡). (8.2.4)

Faza instantanee este calculată prin formula:

𝜑(𝑡) = arctg(�̃�(𝑡)

𝑠(𝑡)). (8.2.5)

8.3. Indicele de decalaj al fazei

Scopul indicelui de decalajal fazei (Phase-Lag Index - PLI) este de a obține estimați ai

sincronizării de fază care sunt invarianți față de prezența surselor comune precum volumul

conductor și/sau electrozii de referință în cazul EEG. Se caută eliminarea diferențelor de fază din

intervalul [0,π]. O modalitate pentru a realiza acest lucru este definirea unui indice de asimetrie

pentru distribuția diferențelor de fază atunci când distribuția este centrată în jurul unei diferențe

de fază zero. În cazul în care nu există o cuplare de fază între două serii de timp atunci distribuția

va fi plată. Orice abatere de la această distribuție indică sincronizarea fazei [Vin11].


45

Asimetria distribuției de fază înseamnă ca probabilitatea ca diferența de fază ∆𝜑 să fie în

intervalul [-π,0] să fie diferită de probabilitatea ca diferența de fază ∆𝜑 să fie în intervalul [0,π].

Asimetria distribuției de fază implică prezența unei diferențe de fază coerente, nenulă

(‘diferență’) între două serii de timp.

PLI este mai puțin afectat de influența surselor comune și de electrozii de referință activi

și reprezintă o măsură a asimetriei distribuției diferențelor de fază dintre două semnale.

Indicele de blocare a fazei poate fi determinat din asimetria distribuției diferențelor de

faze instantanee ∆𝜑(𝑡𝑘), 𝑘 = 1 … 𝑁 între două semnale:

𝑃𝐿𝐼 = |⟨𝑠𝑖𝑔𝑛[∆𝜑(𝑡𝑘) ]⟩| . (8.3.1)

Indicele PLI are valori cuprinse între 0 (lipsa interacțiune) și 1 (interacțiune maximă),

0 ≤ 𝑃𝐿𝐼 ≤ 1. PLI cu valoarea zero indică absența cuplajului sau indică o cuplare cu o diferență

de fază centrată în intervalul [0,π].

8.4. Indicele ponderat de decalaj al fazei

Indicele ponderat de decalaj al fazei (Weighted Phase-Lag Index - wPLI) a fost introdus

pentru a crește capacitatea de detecție a schimbărilor ce apar în sincronizarea de fază și pentru a

reduce influența surselor comune de zgomot [Sta07].

𝑤𝑃𝐿𝐼 =|⟨𝐼(𝑋)⟩|

⟨|𝐼(𝑋)|⟩=

|⟨𝐼|𝑋|𝑠𝑖𝑔𝑛 𝐼(𝑋)⟩|

⟨|𝐼(𝑋)|⟩ (8.4.1)

𝐼(𝑋) reprezintă componenta imaginară a intercorelației spectrului a două semnale 𝑥(𝑡) și

𝑦(𝑡).

Componenta imaginară a intercorelației spectrului a două semnale 𝑥(𝑡) și 𝑦(𝑡) este

calculată cu ajutorul transformatei Fourier astfel:

𝐼(𝑓) = ⟨𝑋(𝑓)𝑌∗(𝑓)⟩ (8.4.2)

𝑋(𝑓) reprezintă transformata Fourier al semnalului 𝑥(𝑡), iar 𝑌(𝑓) reprezintă transformata

Fourier al semnalului 𝑦(𝑡). Simbolul * reprezintă conjugarea complexă.

Indicele wPLI are valori cuprinse în intervalul 0 și 1, unde 0 semnifică nesincronizare, iar

1 reprezintă sincronizarea. Sincronizarea este definită de 𝑃{𝑠𝑖𝑔𝑛(𝐼(𝑋)) = 1} = 1 sau

𝑃{𝑠𝑖𝑔𝑛(𝐼(𝑋)) = −1} = 1, unde 𝑃{. } reprezintă probabilitatea sincronizării.

Indicele wPLI se bazează pe componenta imaginară a intercorelației spectrului, fiind o

metodă mai complexă decât PLI prin introducerea unei ponderi normalizate a diferenței de fază.

8.5. Utilizarea indicilor PLV, PLI și wPLI ca trăsături ce măsoară sincronizarea de fază

Se propune o metodă de analiză offline pentru extragerea și clasificarea trăsăturilor

conținute de semnalele EEG folosind indici ce caracterizează sincronizarea de fază (PLV, PLI și

wPLI) pentru o paradigmă BCI bazată pe ritmuri senzoriomotorii.

Algoritmul folosește pentru selectarea trăsăturilor EEG discriminatorii între imaginarea

mișcării mâinii drepte și imaginarea mișcării mâinii stângi indicii care pun în evidență

sincronizarea de fază prezentați în subcapitolele 8.2, 8.3 și 8.4.

Etapele implementării metodei sunt:

semnalele EEG din baza de date proprie sunt încărcate în mediul de lucru Matlab.


46

se filtrează semnalele cu un filtru trece-bandă cu răspuns finit la impuls de ordin

50 pentru evitarea distorsiunilor de fază;

s-au extras din semnalul EEG segmentele corespunzătoare imaginării mișcării

mâinii drepte și imaginării mișcării mâinii stângi din semnalul EEG;

se aplică transformata Hilbert în vederea calculării fazei instantanee pentru toate

canalele, iar indicii care măsoară sincronizarea de fază sunt calculați pentru

perechile de canale EEG;

se utilizează doi electrozi din zona motorie suplimentară, CZ și PZ, trei electrozi

din emisfera stângă: P3, C3 și CP3 și trei electrozi din emisfera dreaptă P4, C4 și

CP4. Prin urmare, se extrag șase combinații pentru Cz : CZ-CP3, CZ-CP4, CZ-P3,

CZ-P4, CZ-C3, CZ-C4 și șase combinații pentru PZ : PZ-CP3, PZ-CP4, PZ-P3, PZ-P4,

PZ-C3. S-a aplicat în acest studiu sincronizarea la scară largă deoarece s-a

constatat că se obțin rezultate ale clasificării mai bune [Wan06];

se calculează pe rând indicii PLV, PLI și wPLI, conform relațiilor 8.2.1, 8.3.1 și

8.4.1 prezentate în subcapitolele 8.2., 8.3. și 8.4;

pentru a evalua dacă datele obținute după aplicarea metodelor PLV, PLI, wPLI

prezintă o distribuţie normală, a fost utilizat testul Shapiro-Wilk. Pentru perechile

de canale care au îndeplinit condiţiile de normalitate impuse a fost aplicat testul

statistic t, pentru a stabili diferenţele statistice dintre indicele PLV corespunzător

emisferei stângi și indicele PLV corespunzător emisferei drepte. Pentru canalele

care nu au îndeplinit condiţiile de normalitate impuse, a fost aplicat testul

Wilcoxon signed-rank. Intervalul de încredere folosit a fost 95%. Aceleași etape

sunt aplicate și celorlalți indici utilizați (PLI, respectiv wPLI);

vectorul de trăsături este format prin concatenarea informaţiilor conţinute pentru

canalele care au îndeplinit condiţiile impuse de testul t pentru eşantioane perechi

și testul Wilconox signed-test;

pentru clasificarea celor două grupe (dreapta și stânga) se aplică clasificatorii

LDA, QDA, MD, kNN și SVM; matricea trăsăturilor este obținută prin

concatenarea a două matrice (matricea corespunzătoare imaginării mișcării mâinii

drepte și matricea corespunzătoare imaginării mișcării mâinii stângi) după ce au

fost selectate perechile de canale care au satisfăcut condițiile statistice impuse;

ratele medii de clasificare raportate au fost obținute prin utilizarea metodei de

validare încrucișată („cross-validation”) aplicată pentru toți clasificatorii și pentru

fiecare subiect în parte. Metoda de cross-validare folosită este de tip “k-fold

cross-validation” cu k=10. Se împarte setul de date pentru fiecare subiect în k

subseturi de aceeași dimensiune. Fiecare clasificator s-a recalculat de k ori, de

fiecare dată excluzând un subset din partea de antrenare și utilizând setul omis ca

set de test pentru calculul ratei de clasificare.


47


În cazul bazei de date proprii ratele de clasificare obținute pentru indicele PLV și indicele

PLI sunt aproximativ egale. Utilizând clasificarea LDA un singur subiect evidențiază rezultate

mai mari pentru indicii PLV și PLI. Utilizând indicele wPLI, ratele de clasificare obţinute cu

clasificatorul LDA sunt mai mici și cu 5% față de ceilalți doi indici.

Cu clasificatorul QDA sunt obținute cele mai mari rate de clasificare, dar diferențele între

PLV și PLI sunt mai mici. Pentru 95% dintre subiecți, diferențele între ratele de clasificare sunt

în intervalul 0-1,2%. Patru subiecți au obținut rate de clasificare mai mari de 70% cu wPLI.

Clasificarea MD oferă rate de clasificare satisfăcătoare pentru 35% dintre subiecți.

Cele mai mari rate de clasificare sunt obținute cu clasificatorul QDA, dacă se compară

clasificatorii LDA, QDA și MD.

Clasificarea kNN a fost aplicată pentru un vecin până la cinci vecini. Mediile de

clasificare pentru fiecare vecin în parte pentru PLV sunt: un vecin – 92,72%, doi vecini –

93,83%, trei vecini – 92,89% patru vecini – 92,97%, cinci vecini – 92,99%, pentru PLI

următoarele: un vecin – 92,74%, doi vecini – 92,83%, trei vecini – 92,89%, patru vecini –

92,97%, cinci vecini – 92,98%, iar pentru wPLI: un vecin – 83,15%, doi vecini – 83,27%, trei

vecini – 83,33% patru vecini – 83,41%, cinci vecini – 83,42% . În acest caz nu sunt evidențiate

diferențe majore între numărul de vecini.

Clasificatorul SVM oferă cele mai bune rate de clasificare dintre toți clasificatorii

utilizați. Trei subiecți au obținut rate de clasificare mai mari pentru wPLI, 63% dintre subiecți

pentru PLV și 26% dintre subiecți pentru PLI.

Rezultatele clasificării utilizând metodele PLV, PLI și wPLI sunt aproximativ egale sau

mai mari în comparație cu rezultatele obținute în alte lucrări unde este folosită aceeași bază de

date. În lucrarea [Eva15c] unde este evaluată abordarea bazată pe calculul distanței Itakura,

subiectul RR28i obține rate de clasificare în intervalul 80% - 86,67% cu ajutorul clasificatorilor

utilizați în comparație cu ratele de clasificare în intervalul 62% - 99% pentru PLV, 63% - 95%

pentru PLI și 56% - 88% pentru wPLI.


Se aplică etapele menționate anterior și pentru baza de date OSMAN cu mențiunea că au

fost folosite alte perechi de electrozi. Se formează nouă combinații pentru emisfera stângă FCZ-

FC3, FCZ-C3, FCZ-CP3, CZ-FC3, CZ-C3, CZ-CP3, CPZ-FC3, CPZ-C3, CPZ-CP3, nouă pentru

emisfera dreaptă: FCZ-FC4, FCZ-C4, FCZ-CP4, CZ-FC4, CZ-C4, CZ-CP4, CPZ-FC4, CPZ-C4, CPZ-

CP4. Deoarece în această bază de date nu au fost limitări ale numărului de canale, s-au ales mai

multe canale din zona motorie. S-a urmărit în testarea metodei dacă numărul de perechi de canale

influențează rezultatele.

Pentru baza de date OSMAN, ratele de clasificare cele mai mici sunt obținute cu

clasificarea LDA.

Clasificarea QDA oferă rate de clasificare mai mari decât LDA. Cea mai mare rată de

clasificare obținută este de 93,21%, iar cea mai mică de 66,67%.


48

Dintre clasificatorii LDA, QDA și MD, cele mai mari rate de clasificare le oferă

clasificatorul MD. Doi subiecți obțin rate de clasificare maxime cu clasificatorul MD.

Pentru clasificarea kNN nu sunt diferențe majore când se folosesc 1 – 5 vecini. Media

ratelor de clasificare pentru PLV este 99%, pentru PLI de 99% și pentru wPLI este 97%.

Clasificarea SVM oferă cele mai mari rate de clasificare.

Ratele de clasificare pentru baza de date OSMAN sunt mai bune decât cele obținute

pentru baza de date proprie cu 8 – 10%.

Cu toate că metoda wPLI este mai complexă, nu oferă rate de clasificare mai bune decât

metoda PLI.

Rezultatele sunt similare cu raportări din alte lucrări [Inc07], [Kam05] în care este

folosită baza de date OSMAN. Prin urmare, în [Inc07] unde este abordată o analiză timp-

frecvență folosind șase subiecți (1, 2, 5, 6, 7, 9), pentru subiecții S1 și S7 sunt raportate ratele de

clasificare 81,11% și 83,61%. Utilizând PLV și PLI, subiectul S1 obține rate de clasificare în

domeniul 73% - 100%, în timp ce S7 obține rate de clasificare în intervalul 86% - 100%.

Utilizând wPLI, subiectul S1 obține ratele de clasificare 83% - 99% și 75% - 99% pentru

subiectul S7.

În Fig. 8.7.1. este prezentată o sinteză a celor mai mari rate de clasificare obținute pentru

bazele de date folosite și indicii utilizați.

Fig. 8.7.1. Cele mai mari rate de clasificare obținute pentru fiecare clasificator și pentru fiecare metodă aplicată

8.8. Concluzii

Sincronizarea de fază include informații importante despre activitatea neuronală încât se

poate realiza o discriminare între imaginarea sarcinilor mentale stânga sau dreapta. Este propusă

și testată o analiză offline bazată pe indici ce măsoară sincronizarea de fază într-o paradigmă

BCI de imaginare a mișcării.

Rezultatele sugerează că indicii PLV, PLI și wPLI pot fi folosiți în paradigme BCI.

Variabilitatea între subiecți, respectiv, baze de date, este mare.

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

PLV PLI WPLI PLV PLI WPLI

Baza de date proprie Baza de date OSMAN

LDA

QDA

MD

KNN

SVM


49

S-au obținut rezultate satisfăcătoare din punct de vedere al ratei de clasificare fără a folosi

metode de eliminare a artefactelor, ceea ce constituie un avantaj major (metodele de eliminare a

artefactelor cresc cerințele computaționale) și utilizând doar câteva canale EEG din zonele

motorii și din zonele motorii suplimentare. Algoritmii implementați sunt simpli și eficienți fiind

adecvați și pentru analizele BCI online.

Capitolul IX

Analiză comparativă a metodelor de extragere de trăsături și a metodelor de

clasificare

În acest capitol se va prezenta o analiză comparativă a metodelor de extragere de trăsături

și a metodelor de clasificare utilizate pentru fiecare bază de date în parte.

9.1. Analiza comparativă a metodelor de extragere de trăsături și a metodelor de

clasificare pentru baza de date proprie

Metodele de extragere de trăsături propuse pentru clasificarea sarcinilor motorii pentru

baza de date proprie au fost: analiza pe componente independente, calculul distanței Itakura,

calculul distanței Itakura simetrice și sincronizarea de fază.

Analiza pe componente independente a utilizat trei algoritmi: INFOMAX, SOBI și

JADE. Pentru calculul distanței Itakura, calculul distanței Itakura simetrice au fost folosite

modelele de ordin 6, respectiv 10.

Indicele de blocare al fazei, indicele de decalaj al fazei, indicele ponderat de decalaj al

fazei s-au aplicat pentru a pune în evidență sincronizarea de fază.

Metodele de clasificare aplicate pentru fiecare metodă au fost: LDA, QDA, MD, kNN (k=1:5),

SVM. În TABELUL 9.1.1 sunt prezentate ratele de clasificare medii și maxime obținute pentru

fiecare metodă aplicată. Pentru metodele ICA, calculul distanței Itakura și calculul distanței

Itakura simetrice s-au obținut rate de clasificare maxime pentru clasificatorii LDA, QDA și MD.

Cele mai mici rate de clasificare s-au obținut pentru indicii PLI, PLV și wPLI. Ratele medii de

clasificare se află în intervalul 59,06% (wPLI) – 89,43% (distanța Itakura simetrică). Ratele de

clasificare cele mai mari atât medii, cât și maxime s-au obținut cu ajutorul clasificatorului QDA.

Constatările din analiza TABELUL 9.1.1. sunt:

pentru metoda ICA, algoritmul JADE oferă cele mai bune rate de clasificare pentru

clasificatorii LDA, QDA și MD;

pentru distanța Itakura și distanța Itakura simetrică, modelul de ordin 10 oferă rezultate

optime pentru clasificatorul QDA;

pentru indicii PLI, PLV și wPLI, clasificatorul QDA prezintă cele mai mari rate de

clasificare.


50

TABELUL 9.1.1. RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE

APLICATE, CLASIFICATORI LDA, QDA ȘI MD

Metodă

Rată de clasificare

LDA QDA MD

Medie

±

Deviație

standard

[%]

Maximă

[%]

Medie

±

Deviație

standard

[%]

Maximă

[%]

Medie

±

Deviație

standard

[%]

Maximă

[%]

ICA

INFOMAX

81,3

±

12,74

97,73

83,6

±

15,9

100

82,28

±

15,82

100

SOBI

78,8

±

15,63

97,78

79,3

±

17,66

100

79,64

±

17,52

100

JADE

83,90

±

12,39

100

82,61

±

19,52

100

83,62

±

15,59

100

Distanța Itakura

MODEL DE

ORDIN 6

82,40

±

12,60

100

88,19

±

9,74

100

86,62

±

11,28

100

MODEL DE

ORDIN 10

83,35

±

11,94

100

88,33

±

10,22

100

86,62

±

9,78

98,33

Distanța Itakura

simetrică

MODEL DE

ORDIN 6

81,35

±

15,25

100

87,85

±

12,48

100

86,75

±

12,35

98,33

MODEL DE

ORDIN 10

84,04

±

12,54

100

89,43

±

10,03

100

87,15

±

10,23

100

Sincronizarea de

fază

PLI

64,78

±

7,09

82,12

73,98

±

6,64

85,28

73,08

±

6,35

84,67

PLV

64,62

±

7,18

82,48

73,99

±

6,67

85,64

73,03

±

6,51

84,31

WPLI

59,06

±

3,62

66,67

64,08

±

4,67

72,51

63,06

±

4,44

71,78

TABELUL 9.1.2 prezintă ratele de clasificare medii și maxime obținute pentru metodele

aplicate, clasificator kNN (k=1:5). Din analiza tabelului se pot desprinde următoarele:

pentru metoda ICA, algoritmul JADE oferă cele mai bune rate de clasificare atât medii

cât și maxime;

pentru distanța Itakura și distanța Itakura simetrică, modelul de ordin 10 prezintă cele mai

mari rate de discriminare;

pentru indicii PLI și PLV nu se disting diferențe semnificative între ratele de clasificare.


51


APLICATE, CLASIFICATOR KNN (k=1:5)

Metodă

kNN Rate de clasificare

Număr de vecini

Medie

±

Deviație standard

[%]

Maximă

[%]

ICA

INFOMAX

1 81,76 ± 13,77 100

2 81,76 ± 13,76 100

3 81,79 ± 13,75 100

4 81,80 ± 13,74 100

5 81,83 ± 13,74 100

SOBI

1 82,25 ± 13,78 100

2 82,21 ± 13,79 100

3 82,17 ± 13,82 100

4 82,14 ± 13,84 100

5 82,11 ± 13,87 100

JADE

1 84,61 ± 13,81 99,80

2 84,61 ± 13,81 99,80

3 84,62 ± 13,80 99,80

4 84,62 ± 13,79 99,80

5 84,63 ± 13,78 99,81

Distanța Itakura

MODEL

DE ORDIN 6

1 84,69 ± 9,92 97,50

2 84,04 ± 9,90 97,78

3 83,56 ± 9,49 97,08

4 83,34 ± 9,50 97,00

5 82,58 ± 9,62 96,94

MODEL

DE ORDIN 10

1 85,00 ± 9,91 97,50

2 84,46 ± 10,18 97,22

3 84,12 ± 10,33 97,08

4 83,93 ± 10,56 97,00

5 83,40 ± 10,68 96,94

Distanța Itakura simetrică

MODEL

DE ORDIN 6

1 84,55 ± 11,54 99,17

2 83,81 ± 11,61 99,44

3 83,50 ± 11,52 99,17

4 83,43 ± 11,56 99,33

5 82,93 ± 11,50 98,61

MODEL

DE ORDIN 10

1 86,10 ± 16,96 99,17

2 85,71 ± 17,06 99,44

3 85,00 ± 16,89 98,75

4 84,80 ± 16,91 98,67

5 84,22 ± 16,85 97,78

Sincronizarea de fază

PLI

1 92,74 ± 3,42 96,66

2 92,83± 3,40 96,71

3 92,89 ± 3,39 96,75

4 92,97 ± 3,38 96,80

5 92,98 ± 3,38 96,82

PLV

1 92,73 ± 3,41 96,57

2 92,83 ± 3,38 96,63

3 92,89 ± 3,38 96,67

4 92,97 ± 3,36 96,70

5 92,99 ± 3,37 96,72

wPLI

1 83,15 ± 6,83 92,94

2 83,27 ± 6,87 93,06

3 83,33 ± 6,87 93,16

4 83,41 ± 6,91 93,28

5 83,42 ± 6,90 93,33


52

Ratele de clasificare medii și maxime obținute pentru metodele aplicate, clasificator SVM

sunt prezentate în TABELUL 9.1.3.Constatările care se pot desprinde din analiză sunt:

pentru metoda ICA, utilizarea algoritmului JADE determină o rată de clasificare

maximă și o rata de clasificare medie de 86.25%;

modelul AR de ordin 10 pentru distanța Itakura și distanța Itakura simetrică

conduce la atingerea celor mai mari rate de clasificare;

dintre mărimile folosite pentru punerea în evidență a sincronizării, indicele PLV

ca metodă de extragere de trăsături determină ratele de clasificare cele mai bune.


APLICATE, CLASIFICATOR SVM

Metodă

SVM


Medie

±

Deviație standard

[%]

Maximă

[%]

ICA

INFOMAX 82,29 ± 17,28 100

SOBI 81,10 ± 18,07 100

JADE 86,25 ± 14,56 100

Distanța Itakura MODEL DE ORDIN 6 82,39 ± 12,61 98,33

MODEL DE ORDIN 10 83,10 ± 16,51 95,37

Distanța Itakura simetrică MODEL DE ORDIN 6 80,88 ± 16,90 98,33

MODEL DE ORDIN 10 83,24 ± 17,23 96,67


PLI 92,69 ± 5,48 99,27

PLV 92,88 ± 5,24 99,64

WPLI 82,00 ± 7,06 92,70

9.2. Analiza comparativă a metodelor de extragere de trăsături și a metodelor de

clasificare pentru baza de date BCI Competition 2002 - OSMAN

S-au folosit aceleași metode de extragere de trăsături ca în cazul bazei de date proprii, cu

o singura excepție. În loc de distanța Itakura simetrică s-a folosit distanța Itakura normalizată.

În ceea ce privește metodele de clasificare aplicate pentru fiecare metodă, nu au existat

modificări față de cazul bazei de date proprii.

Ratele de clasificare medii și maxime obținute pentru metodele aplicate, clasificatori

LDA, QDA ȘI MD, kNN (k=1:5), SVM sunt prezentate în TABELUL 9.2.1.


53


APLICATE, CLASIFICATORI LDA, QDA ȘI MD

Metodă


LDA QDA MD

Medie

±

Deviație

standard

[%]

Maximă

[%]

Medie

±

Deviație

standard

[%]

Maximă

[%]

Medie

±

Deviație

standard

[%]

Maximă

[%]

ICA

INFOMAX

81,64

±

13,04

97,56

85,62

±

16,99

100

81,81

±

18,17

100

SOBI

98,80

±

10,91

100

94,10

±

10,16

100

92,08

±

11,32

100

JADE

79,91

±

16,88

100

86,54

±

16,52

100

83,83

±

14,30

96,96

Distanța

Itakura

normalizată

MODEL

DE ORDIN 6

76,67

±

8,38

82,82

72,86

±

7,87

80

74,92

±

9,02

83,33

MODEL

DE ORDIN 10

80,99

±

7,76

91,11

78,89

±

8,44

86,67

79,63

±

6,16

88,89

Sincronizarea de

fază

PLI

74,01

±

8,18

86,42

82,24

±

7,07

93,21

98,83

±

1,32

100

PLV

74,07

±

8,20

86,42

82,92

± 7

,31

93,21

98,49

±

1,34

100

WPLI

76,61

±

6,37

85,80

77,85

±

6,14

88,27

95,88

±

3,72

99,38

Cele mai bune rate de clasificare pentru clasificatorul kNN (TABELUL 9.2.2.) se obțin când:

pentru metoda ICA se folosește algoritmul SOBI;

pentru distanța Itakura normalizată se alege modelul de ordin 10;

pentru sincronizare de fază se folosesc indicii PLV sau PLI.


54


APLICATE, CLASIFICATOR kNN (k=1:5)

Metodă

kNN Rată de clasificare

Număr de vecini

Medie

±

Deviație standard

[%]

Maximă

[%]

ICA

INFOMAX

1 81,69 ± 19,01 100

2 81,69 ± 19,03 100

3 81,70 ± 19,03 100

4 81,70 ± 19,06 100

5 81,70 ± 19,08 100

SOBI

1 87,02 ± 13,03 100

2 87,07 ± 12,99 100

3 87,12 ± 12,94 100

4 87,16 ± 12,90 100

5 87,20 ± 12,86 100

JADE

1 79,26 ± 17,71 95,99

2 79,31 ± 17,75 96,03

3 79,36 ± 17,81 95,96

4 79,42 ± 17,82 95,88

5 79,48 ± 17,83 95,81

Distanța

Itakura

normalizată

Model de ordin 6

1 68,89 ± 14,17 86,67

2 66,67 ± 15,50 82,22

3 70,79 ± 16,89 86,67

4 71,11 ± 16,77 88,89

5 73,02 ± 16,40 88,89

Model de ordin 10

1 72,59 ± 10,36 84,44

2 71,85 ± 11,91 82,22

3 73,33 ± 9,16 82,22

4 72,84 ± 9,01 80

5 75,56 ± 9,55 86,67


PLI

1 99,06 ± 0,87 99,89

2 99,06 ± 0,86 99,89

3 99,05 ± 0,84 99,89

4 99,06 ± 0,83 99,90

5 99,05 ± 0,83 99,90

PLV

1 99,01 ± 0,88 99,89

2 99,03 ± 0,86 99,89

3 99,04 ± 0,85 99,89

4 99,06 ± 0,83 99,90

5 99,04 ± 0,83 99,90

wPLI

1 97,34 ± 1,33 98,46

2 97,35 ± 1,33 98,48

3 97,32 ± 1,30 98,51

4 97,29 ± 1,28 98,54

5 97,21 ± 1,27 98,56

Pentru clasificatorul SVM (TABELUL 9.2.3), se disting următoarele metode cu cele

mai mari rate de clasificare:

metoda ICA când se utilizează algoritmul SOBI;

distanța Itakura normalizată cu modelul de ordin 10;

indicele PLV.


55

TABELUL 9.2.3 RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE

APLICATE, CLASIFICATOR SVM

Metodă

SVM


Medie

±

Deviație standard

[%]

Maximă

[%]

ICA

INFOMAX 82,27 ± 15,88 100

SOBI 92,59 ± 12,16 100

JADE 84,65 ± 15,70 100

Distanța Itakura normalizată MODEL DE ORDIN 6 74,29 ± 11,02 84,44

MODEL DE ORDIN 10 75,56 ± 12,01 88,89


PLI 98,56 ± 1,06 100

PLV 98,63 ± 1,22 100

wPLI 96,91 ± 1,15 98,77

Capitolul X

Concluzii finale, contribuții proprii, valorificarea rezultatelor și noi direcții de

cercetare

În acest capitol sunt prezentate concluziile finale, contribuţiile personale, diseminarea

rezultatelor ştiinţifice obţinute ca urmare a cercetării efectuate pe parcursul elaborării tezei,

precum şi direcţiile viitoare de cercetare.

10.1. Concluzii finale

Achiziția semnalelor EEG ce au la bază ritmurile senzoriomotorii reprezintă prima etapă

în implementarea unei interfețe creier calculator. Procesul de înregistrare a semnalelor EEG în

timpul executării sarcinilor motorii necesită timp și implică dezvoltarea unei strategii proprii de

imaginare.

Autoarea a format o bază de date proprie formată din 40 de înregistrări EEG achiziționate

de la subiecți sănătoși. Prin urmare, cercetarea este mai eficientă deoarece se cunosc detaliile și

condițiile experimentului. Opinia voluntarilor după terminarea experimentului este deosebit de

importantă. Subiecții au fost antrenați mai întâi prin mișcarea efectivă a membrelor și mai apoi

au fost efectuate experimentele ce au implicat imaginarea motorie.

S-au folosit și două baze de date formate din înregistrări EEG descărcate de pe internet:

baza de date OSMAN și baza de date EEG Motor movement/Imagery Dataset EEGMIDB.

Baza de date OSMAN este compusă din 9 înregistrări electroencefalografice. Pentru baza

de date OSMAN nu se cunosc multe detalii ale experimentului, adică nu este precizat sistemul de

achiziție, nu este specificat dacă înregistrările au avut loc în zile diferite sau în aceeași zi, iar

vârsta voluntarilor nu este precizată. Este menționat doar că subiecții au fost foarte bine

antrenați.

Baza de date EEG Motor movement/Imagery Dataset EEGMIDB este formată din 109

înregistrări EEG, dintre care doar 103 s-au dovedit viabile procesării ulterioare. Nici pentru


56

această bază de date nu se cunosc toate detaliile tehnice sau alte aspecte care influențează

implementarea interfeței creier calculator.

Imaginarea motorie este starea dinamică în care subiectul simulează o acțiune mentală

fără a se efectua mișcări ale corpului. Imaginarea motorie implică activarea acelorași rețele

neurale care sunt implicate în percepție sau în memorie. În consecință, imaginarea poate fi

folosită ca o sursă alternativă de informații pentru îmbunătățirea neuroplasticității.

Imaginarea poate fi efectuată dintr-o perspectivă vizuală sau kinestezică. În timpul

imaginării motorii kinestezice, individul își imaginează senzațiile asociate unei mișcări specifice.

Imaginarea motorie vizuală poate fi descrisă ca percepere a imaginării unei sarcini (persoana își

imaginează mișcarea în corpul său sau se vede din perspectiva unui observator extern). Se

distinge imaginarea motorie explicită unde acțiunea este imaginată în mod conștient (imaginarea

voluntară activă prin atingerea unui obiect) sau imaginarea motorie implicită când amintirile sunt

traduse automat în acțiuni (de exemplu mersul pe bicicletă sau legatul șireturilor).

Se constată astfel o mare variabilitate între subiecți în ce privește dezvoltarea abilităților

de imaginare motorie.

S-au propus mai multe metode de analiză offline în cazul unei paradigme BCI bazată pe

semnale EEG înregistrate în timpul imaginării mișcării unui membru, cu scopul de a deplasa

cursorul pe monitorul unui calculator.

Metodele de analiză procesează semnalele EEG extrăgându-se trăsăturile relevante.

Clasificarea sarcinilor motorii reale sau imaginate este realizată cu ajutorul a cinci clasificatori:

LDA, QDA, MD, kNN și SVM.

Periodograma este prima metodă de analiză folosită pentru a putea pune în evidență

desincronizările/sincronizările produse de evenimente. Periodograma a fost aplicată pe baza de

date EEG Motor movement/Imagery Dataset EEGMIDB utilizându-se canalele FC3, FC4, FC1,

FC2, C3, C4, C1, C2, CP3, CP4, CP1, CP2. Eroarea de clasificarea a fost calculată pentru: sarcină

motorie (mişcare/ imaginare mișcare), pereche de electrozi (FC3-FC4, FC1-FC2, C3-C4, C1-C2,

CP3-CP4, CP1-CP2) şi clasificator (LDA, QDA și MD). Rezultatele clasificării sunt satisfăcătoare

atât pentru mișcarea pumnului cât și pentru imaginarea mișcării pumnului. Cele mai bune rate de

clasificare se obțin pentru sarcina motorie reală. Eroarea de clasificare cea mai mică este obținută

cu ajutorul clasificatorului pătratic pentru perechea de electrozi FC3-FC4. Diferenţele între ratele

de clasificare cu clasificatorii folosiți sunt mici, însă ratele de discriminare cele mai mari se obțin

cu clasificatorul QDA. Superioritatea clasificatorului QDA este susținută de testele statistice

folosite (testul ANOVA și testele pentru analiză comparativă Tukey și Scheffe).

Analiza pe componente independente este cea de-a doua metodă de procesare a

semnalului EEG utilizată. ICA a fost aplicată pentru baza de date proprie și pentru baza de date

OSMAN. Prin algoritmii ICA folosiți (INFOMAX, SOBI și JADE) s-a demonstrat faptul că

filtrele spațiale derivate din starea de relaxare sunt estimați ai filtrelor spațiale din starea de

imaginare. Testul t pentru eșantioane perechi validează presupunerea că nu există diferență

statistică dintre filtrele spațiale originale și filtrele spațiale substituite, iar substituția acestora

poate fi realizată. Cele mai mari rate de clasificare sunt obținute cu clasificatorul SVM.

Rezultatele pentru cele două seturi de date sunt comparabile, deși au fost folosite diferite perechi


57

de electrozi. De asemenea, faptul că înregistrările EEG din baza de date proprie sunt numai pe 8

canale nu a determinat o scădere a performanțelor. Metoda care implică substituția filtrelor

spațiale contribuie la diminuarea perioadei de antrenare a subiecților și poate fi utilizată și pentru

aplicațiile BCI online.

Distanța Itakura, distanța Itakura simetrică și distanța Itakura normalizată au fost testate

pe baza de date proprie și pentru baza de date OSMAN. Distanța Itakura este bazată pe

modelarea autoregresivă, numărul parametrilor care trebuie estimați fiind de 6 sau 10. S-a

realizat o selecție doar a canalelor care conțin informații importante pentru clasificare. Selecția

canalelor este realizată cu ajutorul testelor statistice Shapiro-Wilk, t-test și Wilcoxon signed-rank.

Atunci când vectorii de trăsături se formează folosind distanța Itakura sau distanța Itakura

simetrică rate de clasificare maxime sunt obținute cu clasificatorii LDA, QDA și MD,. În ceea ce

privește distanța Itakura normalizată care a fost aplicată la realizarea vectorului de trăsături

pentru baza de date OSMAN, ratele de clasificare sunt cu 10 – 15 % mai mici.

Indicele de blocare a fazei, indicele de decalaj al fazei, indicele ponderat de decalaj al

fazei sunt mărimi ce pun în evidență sincronizarea de fază dintre două semnale. Metodele au fost

aplicate pe baza de date proprie precum și pe bază de date OSMAN. S-a realizat o selecție a

perechilor de canale aplicându-se testele statistice Shapiro-Wilk, t-test și Wilcoxon signed-rank.

Clasificarea trăsăturilor extrase a fost realizată cu clasificatorii LDA, QDA, MD, kNN și SVM.

Ratele de clasificare sugerează că PLV, PLI și wPLI sunt adecvate și pentru analize online

datorită simplității în aplicare și eficienței.

10.2. Contribuții personale

În cele de urmează, se prezintă principalele contribuții aduse prin această lucrare:

- s-a creat o bază date proprie formate din 40 înregistrări EEG achiziționate de la

subiecți sănătoși. Condițiile în care s-au desfășurat experimentele sunt cunoscute,

sistemul de achiziție este descris, iar opiniile voluntarilor sunt cunoscute. Subiecții

au fost antrenați mai întâi prin mișcarea efectivă a membrelor și mai apoi au fost

efectuate experimentele care au implicat imaginarea motorie;

- în Capitolul 5 se propune un algoritm îmbunătățit pe baza periodogramei pentru

punerea în evidență a desincronizărilor/sincronizărilor produse de evenimente atât

pentru mișcare, cât și pentru imaginarea mișcării. Metoda se testează pe

înregistrările EEG din baza de date EEG Motor movement/Imagery Dataset

EEGMIDB - cea mai mare bază de date disponibilă pe internet, conținând 109

subiecți. Se realizează testarea încrucișată pentru factorii Clasificatori și Perechi de

electrozi și comparația clasificatorilor aplicați (LDA, QDA și MD) cu ajutorul

testelor post hoc Scheffe si Tukey;

- în Capitolul 6 se testează metoda ICA pentru substituția filtrelor spațiale pe două

baze de date. Metoda ICA este aplicată în mediul de programare EEGLAB

utilizându-se trei algoritmi: INFOMAX, SOBI și JADE. Se realizează o comparație

între cei trei algoritmi ICA, între clasificatorii utilizați (LDA, QDA, MD, kNN și

SVM) precum și o analiză statistică a filtrelor spațiale obținute;


58

- în Capitolul 7 se propune metoda bazată pe calculul distanței Itakura pentru

discriminarea sarcinilor motorii. Metodele bazate pe calculul distanței Itakura și

calculul distanței Itakura simetrice sunt aplicate pe înregistrările EEG din baza de

date proprie, iar metoda bazată pe calculul distanței Itakura normalizate este

aplicată pe baza de date OSMAN deoarece pentru calculul distanței Itakura nu s-au

evidențiat rate de clasificare optime.

- în Capitolul 6 și Capitolul 7 se realizează o selecție a canalelor prin aplicarea unor

teste statistice. Imaginarea motorie necesită efort mental susținut și este necesară

selecția canalelor asociate diferitelor modele de activitate corticală. Avantajele

selecției canalelor sunt: îmbunătățirea ratelor de clasificare, reducerea timpului de

procesare a datelor, reducerea dimensionalității datelor, identificarea zonelor

cerebrale care generează activități puse în legătură cu evenimente.

- în cazul tuturor metodelor propuse, s-au obținut rezultate satisfăcătoare ale ratelor

de clasificare fără a folosi metode de eliminare de artefacte care cresc cerințele

computaționale. S-au implementat algoritmi simpli și eficienți, utilizând doar câteva

canale EEG din zonele motorii și zonele motorii suplimentare.

- validarea metodelor s-a realizat pe trei baze de date provenite din surse diferite spre

deosebire de majoritatea lucrărilor care raportează rezultate pe o singură bază de

date.

- clasificarea trăsăturilor extrase s-a realizat cu ajutorul a cinci clasificatori: LDA,

QDA, MD, kNN și SVM. Testarea mai multor clasificatori este utilă în găsirea unei

metode de clasificare adecvate fiecărui subiect în parte.

- compararea metodelor propuse și a algoritmilor pe trei baze de date diferite. Fiecare

bază de date este diferită: subiecți antrenați/neantrenați, sistem de achiziție

cunoscut/necunoscut, condiții de desfășurare a experimentelor

menționate/necunoscute, vârstă subiecți precizată/neprecizată.

10.3. Direcții de cercetare viitoare

Dintre posibilele direcții de cercetare viitoare se amintesc următoarele:

completarea bazei de date actuale;

crearea unei baze de date care să conțină înregistrări EEG achiziționate de la subiecți care

au suferit accidente vasculare;

testarea metodelor propuse pe baza de date nou creată;

îmbunătățirea ratelor de clasificare prin testarea unor combinații de clasificatori.

10.4. Valorificarea rezultatelor cercetării

Diseminarea rezultatelor a presupus publicarea unui număr de 15 lucrări, dintre care 9 ca

prim autor. 9 articole sunt indexate ISI Proceeding, iar 6 articole sunt indexate BDI B+.

1. Teacă (Alexandru) A.M., Eva O.D., Jireghie D., „Metode de eliminare a

artefactelor din semnalele electrocardiografice şi electroencefalografice”, Simpozionul de

Bioinginerie Medicală pentru studenti și tineri cercetători, Editia a XIV-a, Iași, 2011.


59

2. Eva O.D., Aldea R., Lazar A.M., “ Detection and classification of Mu rhythm

for Motor movement/imagery dataset”, Buletinul institutului politehnic din Iaşi, Tomul LX

(LXIV), Fasc. 2, pp. 36-44, 2014.

3. Eva O.D., Lazar A.M, "Comparison of classifiers and statistical analysis for EEG

signals used in brain computer interface motor task paradigm", International Journal of

Advanced Research in Artificial Intelligence (IJARAI), vol.4(1), pp. 8-12, 2015.

4. Eva O.D., Pasarica A., "Rest-to-work transfer of spatial filters for a motor

imagery based brain computer interface", 12th

edition of the International Symposium on Signals,

Circuits and Systems (ISSCS), IEEE, pp. 1-4, 9-10 July, 2015.

5. Eva O.D., Lazar A.M., “Channels selection for motor imagery paradigm - An

Itakura distance based method”, 5th

edition of the International Conference on e-Health and

Bioengineering (EHB), IEEE, pp. 1-4, 19-21 November, 2015.

6. Eva O.D., Lazar A.M., Fira M., “Normalized Itakura Distance based

discrimination used in a motor imagery brain computer interface paradigm”, Buletinul

Institutului Politehnic din Iaşi, Tomul LXI (LXV), fasc. IV, 2015.

7. Pasarica A., Rotariu C., Bozomitu R. G., Eva O.D., „Dynamic of couplings

between fetal heart rate and uterine contractions”, 12th

edition of the International Symposium In

Signals, Circuits and Systems (ISSCS), IEEE, pp. 1-4, 9-10 July, 2015.

8. Eva O.D., Tarniceriu D., „Substitution of spatial filters from relaxation to motor

imagery for EEG based brain computer interface”, 19th

of the International Conference on

System Theory, Control and Computing (ICSTCC), IEEE, pp. 147-150, 14-16 Octomber, 2015.

9. Păsărică A., Bozomitu R. G., Eva O.D., Tărniceriu D., Rotariu C., „Analysis of

different threshold selection methods for eye image segmentation used in eye tracking

applications”, International Conference on Development and Application Systems (DAS), IEEE,

pp. 299-302, 19-21 May, 2016.

10. Eva O.D., „Detection and Classification of Mu Rhythm using Phase

Synchronization for a Brain Computer Interface”, International Journal Of Advanced Computer

Science And Applications, vol. 7(12), pp.321-328, 2016.

11. Păsărică A., Eva O.D., Tărniceriu D., „Analysis of EEG Channel Coupling for

Motor Imagery Applications”, 13th

edition of the International Symposium on Signals, Circuits

and Systems (ISSCS), IEEE, 13 – 14 July, 2017.

12. Toader E., Eva O.D., Olteanu A., Anton S., „Application of Biomedical

Technologies – Issues in Modern Bioethics”, 6th

edition of the International Conference on e-

Health and Bioengineering (EHB), pp. 478-481, IEEE, 22-24 June, 2017.

13. Păsărică A., Eva O.D., Tărniceriu D., „ Study of electroencephalographic

channels coupling in multiple database analysis”, Lucrare acceptată spre publicare în Buletinul

Institutului Politehnic din Iaşi, vol. 63(67), nr. 2, Secția Electrotehnică, Energetică, Electronică,

2017.

14. Eva O.D., Păsărică A., Tărniceriu D., „Phase synchronization based channel

selection for a motor imagery paradigm”, Lucrare acceptată spre publicare în Buletinul Institutului

Politehnic din Iaşi, vol. 63(67), nr. 2, Secția Electrotehnică, Energetică, Electronică, 2017.


60

15. Eva O.D., Lazar A.M., “Feature Extraction and Classification Methods for a

Motor Task Brain Computer Interface: A Comparative Evaluation for Two Databases”,

International Journal of Advanced Computer Science and Applications (IJACSA), 8(8), 2017.

http://dx.doi.org/10.14569/IJACSA.2017.080834.

Bibliografie

[Abd15] Abdulkader S.N., Atia A., Mostafa M.S.M., “Brain computer interfacing: Applications and

challenges”, Egyptian Informatics Journal, 16(2), pp. 213-230, 2015.

[Alo13] Alomari M.H., Samaha A., AlKamha K., “Automated classification of L/R hand movement EEG

signals using advanced feature extraction and machine learning”, arXiv preprint arXiv:1312.2877,

2013.

[Alo14] Alomari M.H., Awada E.A., Samaha A., Alkamha K., “Wavelet-based feature extraction for the

analysis of EEG signals associated with imagined fists and feet movements”, Computer and

Information Science, 7(2), 17, 2014.

[Ara13] Arafat I., “Brain-Computer Interface: Past, Present & Future”, International Islamic University

Chittagong (IIUC), Chittagong, Bangladesh, 2013.

[Bar04] Barreto G.A., Frota R.A., de Medeiros F.N., “On the classification of mental tasks: a performance

comparison of neural and statistical approaches”, In Machine Learning for Signal Processing,

Proceedings of the 14th IEEE Signal Processing Society Workshop, pp. 529-538, 2004.

[Bel95] Bell A.J., Sejnowski T.J., “An information-maximization approach to blind separation and blind

deconvolution”, Neural Computation, 7(6), pp. 1129-1159, 1995.

[Bi13] Bi L., Fan X. A., Liu Y., “EEG-based brain-controlled mobile robots: a survey”, IEEE

Transactions on Human-Machine Systems, 43(2), pp. 161-176, 2013.

[Bla02] Blankertz B., Curio G., Müller K.R., “Classifying single trial EEG: Towards brain computer

interfacing”, Advances in Neural Information Processing Systems, pp. 157-164, 2002.

[Bor04] Borisoff J.F., Mason S.G., Bashashati A., Birch G.E., “Brain-computer interface design for

asynchronous control applications: improvements to the LF-ASD asynchronous brain switch”,

IEEE Transactions on Biomedical Engineering, 51(6), pp. 985-992, 2004.

[Car93] Cardoso J.F., Souloumiac A., “Blind beamforming for non-Gaussian signals”, IEEE Proceedings

F-Radar and Signal Processing, Vol. 140, No. 6, pp. 362-370, 1993.

[Cin03] Cincotti F. et al., „Comparison of different feature classifiers for brain computer interfaces”

Neural Engineering, Conference Proceedings First International IEEE EMBS, 2003.

[Con12] Contreras-Vidal J.L., Presacco A., Agashe H., Paek A., “Restoration of whole body movement:

toward a noninvasive brain-machine interface system”, IEEE pulse, 3(1), pp. 34-37, 2012.

[Eba07] Ebrahimi F., Mikaili M., Estrada E., Nazeran H., „Assessment of Itakura distance as a valuable

feature for computer-aided classification of sleep stages”, In Engineering in Medicine and Biology

Society, 29th Annual International Conference of the IEEE, pp. 3300-3303, 2007.

[Est09] Estrada E., Nazeran H, Ebrahimi F., Mikaeili M, “Symmetric Itakura Distance as an EEG Signal

Feature for Sleep Depth Determination”, American Society of Mechanical Engineers, pp.723-724,

2009.

[Eva14] Eva O.D., Aldea R., Lazar A.M., „Detection and classification of Mu rhythm for Motor

movement/imagery dataset”, Buletinul Institutului Politehnic din Iaşi, Tomul LX (LXIV), Fasc. 2,

2014.

[Eva15] Eva O.D., Lazar A.M., „Comparison of classifiers and statistical analysis for EEG signals used in

brain computer interface motor task paradigm”, International Journal of Advanced Research in

Artificial Intelligence on IJARAI 4(1), pp. 8-12, 2015.

[Eva15a] Eva O.D., Pasarica A., „Rest-to-work transfer of spatial filters for a motor imagery based brain

computer interface”, International Symposium Signals, Circuits and Systems (ISSCS), pp. 1-4,

2015.

http://dx.doi.org/10.14569/IJACSA.2017.080834


61

[Eva15b] Eva O.D., Lazar A.M., “Channels selection for motor imagery paradigm - An Itakura distance

based method”, In E-Health and Bioengineering Conference (EHB), IEEE, pp.1-4, 2015.

[Eva15c] Eva O.D., Lazar A.M., Fira M., “Normalized Itakura Distance based discrimination used in a

motor imagery brain computer interface paradigm”, Buletinul Institutului Politehnic din Iaşi,

Tomul LXI (LXV), fasc. IV, 2015.

[Fel11] Fell J., Axmacher N., “The role of phase synchronization in memory processes”, Nature reviews

neuroscience, 12(2), pp.105-118, 2011.

[Fis99] Fisch BJ, Spehlmann R., “Fisch and Spehlmann's EEG primer: basic principles of digital and

analog EEG”, 3rd edition, Elsevier Health Sciences, 1999.

[Gon13] Gonuguntla V., Wang Y., Veluvolu K.C., “Phase synchrony in subject-specific reactive band of

EEG for classification of motor imagery tasks”, Engineering in Medicine and Biology Society

(EMBC), 35th Annual International Conference of the IEEE, p. 2784-2787, 2013.

[Gys04] Gysels E., Celka P., “Phase synchronization for the recognition of mental tasks in a brain–

computer interface”, IEEE Transactions on neural systems and rehabilitation engineering, 12(4),

2004.

[Has05] Hastie T., Tibshirani R., Friedman J., Franklin J., “The elements of statistical learning: data

mining, inference and prediction”, The Mathematical Intelligencer, 27(2), pp. 83-85, 2005.

[Hyv00] Hyvärinen A., Oja E., “Independent component analysis: algorithms and applications”. Neural

networks, 13(4), pp. 411-430, 2000.

[Hyv04] Hyvärinen A., Karhunen J., Oja, E., “Independent component analysis”, John Wiley & Sons, vol.

46, 2004.

[Ife93] Ifeachor E., Jevis B., „Digital Signal Processing - A Practical Approach”, Addison-Wesley Publ.

Ltd., Workingham, England, 1993.

[Inc07] Ince N.F., Tewfik A.H., Arica S., “Extraction subject-specific motor imagery time–frequency

patterns for single trial EEG classification”, Computers in biology and medicine, 37(4), pp. 499-

508, 2007.

[Ita75] Itakura F., “Minimum prediction residual principle applied to speech recognition”, Acoustics,

Speech and Signal Processing, IEEE Transactions, 23(1), pp. 67-72, 1975.

[Jam05] James C., Hesse C., “Independent component analysis for biomedical signals,” Physiological

measurement, 26(1), R15, 2005.

[Kac07] Kachenoura A., Albera L., Senhadji L., Comon P., “ICA : A Potential Tool for BCI Systems”

IEEE Signal Processing Magazine, 25(1), pp. 57-68, 2007.

[Kam05] Kamousi B., Liu Z., He B., “An EEG inverse solution based brain-computer interface”, The

International Journal of Bioelectromagnetism, 7(2), pp. 292-294, 2005.

[Laz05] Lazăr A., “Prelucrarea discretă a semnalelor biomedicale unidimensionale”, Editura Politehnium,

Iaşi, pp. 175-188, 2005.

[Laz09] Lazar A., Davlea L., Fira M., Maiorescu A., Teodorescu B., Ursulean R., “Interfata creier-

calculator - Paradigme posibile”, Editura CE. Iasi, pp. 36–37, 2009.

[Lee13] Lee S., Shin Y., Woo S., Kim K., Lee H.N., “Review of wireless brain-computer interface

systems”, In Brain-Computer Interface Systems-Recent Progress and Future Prospects, InTech,

2013.

[LeV01] Le Van Quyen M. et al., “Comparison of Hilbert transform and wavelet methods for the analysis

of neuronal synchrony”, Journal of Neuroscience Methods, 111(2), pp. 83-98, 2001.

[Lob14] Loboda A., Margineanu A., Rotariu G., Lazar A.M., „Discrimination of EEG-based motor

imagery tasks by means of a simple phase information method”, International Journal of Advanced

Research in Artificial Intelligence, 3(10), 2014.

[Lot07] Lotte F., Congedo M., Lécuyer A., Lamarche F., Arnaldi B., „A review of classification

algorithms for EEG-based brain-computer interfaces”, Journal of Neural Engineering, 4(2), R1,

2007.

[Mas16] Maskeliunas R., Damasevicius R., Martisius I., Vasiljevas M., “Consumer-grade EEG devices: are

they usable for control tasks?”, PeerJ, 4, e1746, 2016.

[Mel07] Mellinger J., Schalk G., “BCI2000: a general-purpose software platform for BCI research”,

Towards brain-computer interfacing, 2007.


62

[Pan10] Panoulas K.J., Hadjileontiadis L.J., Panas S.M., “Brain–computer interface (BCI): Types,

processing perspectives and applications”, In: Multimedia Services in Intelligent Environments,

Springer, pp. 299–321, 2010.

[Pfu00] Pfurtscheller G. et al., “Current trends in Graz brain-computer interface (BCI) research”, IEEE

Transactions on Rehabilitation Engineering, 8(2), pp. 216-219, 2000.

[Pfu99] Pfurtscheller G., Lopes Da Silva F.H., „Event-related EEG/MEG synchronization and

desynchronization: basic principles”, Clinical Neurophysiology, 110(11), pp. 1842-1857, 1999.

[Pro07] Proakis J., Manolakis D., „Digital Signal Processing – Principles, Algorithms and Applications”,

Pearson Prentice Hall, 2007.

[Sch05] Schlogl A., Lee F., Bischof H., Pfurtscheller G., „Characterization of four-class motor imagery eeg

data for the BCI-Competition 2005”, Journal of Neural Engineering, 2005.

[Sch07] Schalk G. et al., “Decoding two-dimensional movement trajectories using electrocorticographic

signals in humans”, Journal of Neural Engineering, 4(3), 264, 2007.

[Sch97] Schlögl A, Lugger K, Pfurtscheller G., “Using adaptive autoregressive parameters for a brain-

computer-interface experiment”, InEngineering in Medicine and Biology Society, Proceedings of

the 19th Annual International Conference of the IEEE, vol. 4, pp. 1533-1535, 1997.

[Sel11] Selvam V.S., Shenbagadevi S., “Brain tumor detection using scalp EEG with modified wavelet-

ICA and multi layer feed forward neural network”, Engineering in Medicine and Biology Society,

EMBC, Annual International Conference of the IEEE, 2011.

[Sha13] Sharanreddy M, Kulkarni P., “Automated EEG signal analysis for identification of epilepsy

seizures and brain tumour”, Journal of Medical Engineering & Technology, 37(8), 511-519, 2013.

[Sle09] Sleight J., Pillai P., Mohan S., „Classification of executed and imagined motor movement EEG

signals”, Ann Arbor: University of Michigan, 1-10, 2009.

[Sri07] Srinivasan R., Winter W. R., Ding J., Nunez P. L., “EEG and MEG coherence: measures of

functional connectivity at distinct spatial scales of neocortical dynamics”, Journal of Neuroscience

Methods, 166(1), pp. 41-52, 2007.

[Sta07] Stam C. J., Nolte G., Daffertshofer A., “Phase lag index: assessment of functional connectivity

from multi-channel EEG and MEG with diminished bias from common sources”, Human Brain

Mapping, 28(11), pp. 1178-1193, 2007.

[Sto04] Stone J., “Independent Component Analysis A Tutorial Introduction”, A Bradford Book, pp. 5–10,

2004.

[Tar08] Tărniceriu D., Bazele prelucrării numerice a semnalelor, Ed. Politehnium, Iași, 2008.

[Vin11] Vinck M. et al., “An improved index of phase-synchronization for electrophysiological data in the

presence of volume-conduction, noise and sample-size bias”, Neuroimage, 55(4), pp. 1548–1565,

2011.

[Wan06] Wang Y., Hong B., Gao X., Gao S., “Phase synchrony measurement in motor cortex for

classifying single-trial EEG during motor imagery”, In Engineering in Medicine and Biology

Society, EMBS'06. 28th Annual International Conference of the IEEE, pp. 75-78, 2006.

[Wel67] Welch P., „The use of fast Fourier transform for the estimation of power spectra: a method based

on time averaging over short, modified periodograms”, IEEE Transactions on Audio and

Electroacoustics, 15(2), pp. 70-73, 1967.

[Wol00] Wolpaw J.R. et. al., “Brain-Computer Interface Technology: A Review of the First International

Meeting”, IEEE Transactions on Rehabilitation Engineering., 8(2), pp. 164-173, 2000.

[Wol02] Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M., “Brain–computer

interfaces for communication and control”, Clinical Neurophysiology, 113(6), pp. 767-791, 2002.

Date post:	18-Jan-2020
Category:	Documents
Upload:	others
View:	8 times
Download:	0 times

CONTRIBUȚII PRIVIND DETECȚIA ȘI CLASIFICAREA ......Contribuții privind detecția și...

Documents