CONTRIBUȚII PRIVIND DETECȚIA ȘI CLASIFICAREA ......Contribuții privind detecția și...
Transcript of 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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
5
7.4. Distanţa Itakura normalizată ............................................................................................... 37
7.5. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura și distanța
Itakura simetrică ..................................................................................................................................... 38
7.6. Rezultate obținute pentru baza de date proprie ................................................................... 39
7.7. Discriminarea sarcinilor motorii cu ajutorul metodei bazată pe distanţa Itakura normalizată
................................................................................................................................................................ 41
7.8. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN ....................... 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
8.6. Rezultate obținute pentru baza de date proprie ................................................................... 47
8.7. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN ....................... 47
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe 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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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].
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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].
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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”;
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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)
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Filtrul spaţial original
–
Filtrul spaţial substituit
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
Filtrul spaţial original
–
Filtrul spaţial substituit
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Filtrul spaţial original
–
Filtrul spaţial substituit
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
Filtrul spaţial original
–
Filtrul spaţial substituit
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
Filtrul spaţial original
–
Filtrul spaţial substituit
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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:
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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].
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
39
7.6. Rezultate obținute pentru baza de date proprie
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;
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
7.8. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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].
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
47
8.6. Rezultate obținute pentru baza de date proprie
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.
8.7. Rezultate obținute pentru baza de date BCI Competition 2002 – OSMAN
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%.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
51
TABELUL 9.1.2. RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
TABELUL 9.1.3. RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE
APLICATE, CLASIFICATOR SVM
Metodă
SVM
Rată de clasificare
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
Sincronizarea de fază
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
53
TABELUL 9.2.1. 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
81,64
±
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
54
TABELUL 9.2.2. RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE
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
Sincronizarea de fază
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
55
TABELUL 9.2.3 RATELE DE CLASIFICARE MEDII ȘI MAXIME OBȚINUTE PENTRU METODELE
APLICATE, CLASIFICATOR SVM
Metodă
SVM
Rată de clasificare
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
Sincronizarea de fază
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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;
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.
Contribuții privind detecția și clasificarea ritmurilor senzoriomotorii în realizarea unei interfețe creier calculator
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.