تحديد تقنية معالجة الاشارة المثلى لبيانات الدماغ التخيلية
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
تحظى تكنولوجيا اشارات الدماغ التخيلية (MI EEG) اهتماما كبيرا من قبل الباحثين بسبب تطبيقاتها العملية المذهلة. تمتلك إشارات الـ EEG درجة عالية من عدم الثبات مما يجعل تحليلها أمرا غير سهل. وبالتالي يصبح اختيار نهج معالجة الإشارة المناسب أمرا حاسما. تهدف هذه الورقة إلى تحديد أفضل طريقة لمعالجة الإشارة من خلال عمل مقارنة بين عدة طرق معروفة وهي تحويل فورييه قصير المدى (STFT) وتحويل الموجة المستمرة (CWT) ونوعين من تحويل الموجة المتقطعة ذات التداخل الأقصى (MODWT) وتحليل متعدد الدقة (MODWTMRA). تم تجربة أنواع مختلفة من فلاتر أساس الموجة الأم مثل Morse وAmor وBump وSymlets وDaubechies وCoiflets وFejér-Korovkin مع طرق الموجات. تم اختبار الطرق المختلفة على تصنيف المهام المتعلقة بتخيل الحركة لليد اليمنى واليد اليسرى باستخدام مجموعة بيانات Brain-Computer Interface (BCI) Competition IV 2b. أكدت النتائج التجريبية أنه يمكن تحليل إشارات MI EEG بشكل أفضل باستخدام طرق معالجة الإشارة التي تعتمد على التداخل الأقصى. بينت دقة التصنيف أن MODWT و MODWTMRA باستخدام موجة Symlets قد تفوقت على الطرق الأخرى.
المقاييس
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
THIS IS AN OPEN ACCESS ARTICLE UNDER THE CC BY LICENSE http://creativecommons.org/licenses/by/4.0/
##plugins.generic.plaudit.displayName##
المراجع
Aldayel M, Ykhlef M, Al-Nafjan A. Deep Learning for EEG-Based Preference Classification in Neuromarketing. Applied Sciences (Switzerland) 2020; 10(4):1–23. DOI: https://doi.org/10.3390/app10041525
Alyasseri ZAA, Khader AT, Al-Betar MA, Papa JP, Alomari OA. EEG Feature Extraction for Person Identification Using Wavelet Decomposition and Multi-Objective Flower Pollination Algorithm. IEEE Access 2018; 6:76007–76024. DOI: https://doi.org/10.1109/ACCESS.2018.2881470
Souto DO, Cruz TKF, Coutinho K, Julio-Costa A, Fontes PLB, Haase VG. Effect of Motor Imagery Combined with Physical Practice on Upper Limb Rehabilitation in Children with Hemiplegic Cerebral Palsy. NeuroRehabilitation 2020; 46:53–63. DOI: https://doi.org/10.3233/NRE-192931
Divya V, Kumar SS, Usha S, Hemamalini S, Krishnan VG. Improving EEG Electrode Sensitivity with Graphene Nano Powder and Neural Network for Schizophrenia Diagnosis. Tikrit Journal of Engineering Sciences 2023; 30(1):84–93. DOI: https://doi.org/10.25130/tjes.30.1.8
Zhou Y, He S, Huang Q, Li Y. A Hybrid Asynchronous Brain-Computer Interface Combining SSVEP and EOG Signals. IEEE Transactions on Biomedical Engineering 2020; 67(10):1–12. DOI: https://doi.org/10.1109/TBME.2020.2972747
Zhang X, Yao L, Wang X, Monaghan J, Mcalpine D, Zhang Y. A Survey on Deep Learning-Based Non-Invasive Brain Signals: Recent Advances and New Frontiers. Journal of Neural Engineering 2021; 18(3):031002, (1-42). DOI: https://doi.org/10.1088/1741-2552/abc902
Al-Saegh A, Dawwd SA, Abdul-Jabbar JM. Deep Learning for Motor Imagery EEG-Based Classification : A Review. Biomedical Signal Processing and Control 2021; 63:102172. DOI: https://doi.org/10.1016/j.bspc.2020.102172
Velasco I, Sipols A, De Blas CS, Pastor L, Bayona S. Motor Imagery EEG Signal Classification with a Multivariate Time Series Approach. BioMedical Engineering 2023; 22(1):1–24. DOI: https://doi.org/10.1186/s12938-023-01079-x
Al-Saegh A, Dawwd SA, Abdul-Jabbar JM. Cutcat: An Augmentation Method for EEG Classification. Neural Networks 2021; 141: 433–443. DOI: https://doi.org/10.1016/j.neunet.2021.05.032
Qiao W, Bi X. Deep Spatial-Temporal Neural Network for Classification of EEG-Based Motor Imagery. In: ACM International Conference Proceeding Series. 2019: 265–272 DOI: https://doi.org/10.1145/3349341.3349414
Tabar YR, Halici U. A Novel Deep Learning Approach for Classification of EEG Motor Imagery Signals. Journal of Neural Engineering 2016; 14(1):16003. DOI: https://doi.org/10.1088/1741-2560/14/1/016003
Lu N, Li T, Ren X, Miao H. A Deep Learning Scheme for Motor Imagery Classification based on Restricted Boltzmann Machines. IEEE Transactions on Neural Systems and Rehabilitation Engineering 2017; 25(6): 566–576. DOI: https://doi.org/10.1109/TNSRE.2016.2601240
Zhao D, Tang F, Si B, Feng X. Learning Joint Space–Time–Frequency Features for EEG Decoding on Small Labeled Data. Neural Networks 2019; 114:67–77. DOI: https://doi.org/10.1016/j.neunet.2019.02.009
Dai M, Zheng D, Na R, Wang S, Zhang S. EEG Classification of Motor Imagery Using a Novel Deep Learning Framework. Sensors 2019; 19(3):1–16. DOI: https://doi.org/10.3390/s19030551
Xu G, et al. A Deep Transfer Convolutional Neural Network Framework for EEG Signal Classification. IEEE Access 2019; 7:112767–112776. DOI: https://doi.org/10.1109/ACCESS.2019.2930958
Ortiz-Echeverri CJ, Salazar-Colores S, Rodríguez-Reséndiz J, Gómez-Loenzo RA. A New Approach For Motor Imagery Classification Based on Sorted Blind Source Separation, Continuous Wavelet Transform, and Convolutional Neural Network. Sensors 2019; 19(20):1–14. DOI: https://doi.org/10.3390/s19204541
Xie Y, Oniga S. Classification of Motor Imagery EEG Signals Based on Data Augmentation and Convolutional Neural Networks. Sensors 2023; 23(4): 1932, (1-16). DOI: https://doi.org/10.3390/s23041932
Hwang J, Park S, Chi J. Improving Multi-Class Motor Imagery EEG Classification Using Overlapping Sliding Window and Deep Learning Model. Electronics 2023; 12(5): 1186, (1-16). DOI: https://doi.org/10.3390/electronics12051186
Li L, et al. Detection Method of Absence Seizures Based on Resnet and Bidirectional GRU. Acta Epileptologica 2023; 5(1):1–9. DOI: https://doi.org/10.1186/s42494-023-00119-2
Shehab Ahmed MA, Taha HAA-R, Salah Aldeen MT. Image Compression using Haar and Modified Haar Wavelet Transform. Tikrit Journal of Engineering Sciences 2011; 18(2):88–101. DOI: https://doi.org/10.25130/tjes.18.2.08
Patnaik B, Mishra M, Bansal RC, Jena RK. MODWT-XGBoost Based Smart Energy Solution for Fault Detection and Classification in a Smart Microgrid. Applied Energy 2021; 285:116457. DOI: https://doi.org/10.1016/j.apenergy.2021.116457
Seo Y, Choi Y, Choi J. River Stage Modeling by Combining Maximal Overlap Discrete Wavelet Transform, Support Vector Machines and Genetic Algorithm. Water 2017; 9(7):525, (1-24). DOI: https://doi.org/10.3390/w9070525
Zhu X, Li P, Li C, Yao D, Zhang R, Xu P. Separated Channel Convolutional Neural Network to Realize the Training Free Motor Imagery BCI Systems. Biomedical Signal Processing and Control 2019; 49:396–403. DOI: https://doi.org/10.1016/j.bspc.2018.12.027