بررسی کلی تکنیک های پردازش سیگنال EEG برای تشخیص حالات ذهنی با استفاده از دستگاه الکتروانسفالوگرافی

متاسفانه تشخیص حالت ذهنی به وسیله سیگنال EEG مسئله ساده ای نیست. دلیل این اتفاق به خصوصیات سیگنال EEG مرتبط است. این سیگنال ها ناایستا، پیچیده، با ابعاد بالا و دارای نویز زیادی هستند. بنابرین تشخیص حالت ذهنی به ابزارهای پردازش سیگنال و یادگیری ماشین خاصی نیاز دارد. در این مقاله سعی بر این است که دانش پایه ای برای خواننده ایجاد شود که چگونه باید پردازش سیگنال های EEG انجام شود.

به طور کلی هدف نهایی پردازش سیگنال های دستگاه EEG، تبدیل داده های خام به کلاس های سیگنال است. برای انجام این کار دو مرحله اصلی وجود دارد:

• استخراج ویژگی (Feature Extraction): هدف این مرحله تبدیل سیگنال به چندین متغیر مرتبط است که در حالت ایده آل تمام مشخصات سیگنال را نمایش می دهند. این متغیرها که ویژگی نیز نامیده می شوند باید با دور انداختن نویز و دیگر اطلاعات غیر مرتبط از داده های نهفته در EEG استخراج شوند تا بتوانند به خوبی حالات ذهنی را بیان کنند. ویژگی ها معمولا در برداری کنار هم قرار داده می شوند که به عنوان بردار ویژگی شناخته می شود.
• طبقه بندی (Classification): در مرحله دوم مجموعه ای از بردارهای ویژگی در یک کلاس قرار می گیرند. این کلاس در واقع نمایش دهنده یک حالت ذهنی است. در ادامه با استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق طبقه بندی صورت می گیرد.

لازم به ذکر است که پارامترهای یک الگوریتم یادگیری ماشین بر اساس نمونه های سیگنال EEG به طور اتوماتیک تنظیم می شوند. این نمونه های سیگنال به همراه برچسب های آن ها که مشخص کننده کلاس متناظرشان می باشد مجموعه آموزش نامیده می شود. بر اساس این داده های آموزش classifier یاد می گیرد که کلاس مناسب را برای هر نمونه تشخیص دهد. این عمل برای ویژگی ها نیز به همین صورت رخ می دهد.

به عنوان مثال تسک تصور حرکتی (Motor Imagery) را در نظر بگیرید. هدف نهایی یک classifier است که بتواند تصور حرکتی دست راست و دست چپ را تشخیص دهد. بنابرین حالات ذهنی در این مثال تصور حرکتی دست راست و تصور حرکتی دست چپ است. ویژگی های معمول مورد استفاده برای تشخیص از روی سیگنال در این مثال،  ویژگی های توان در باندهای مختلف فرکانسی است که همان توان سیگنال EEG در باندهای مشخص فرکانسی می باشد.  در شکل زیر باندهای فرکانسی را می توانید مشاهده کنید.

در تصور حرکتی معمولا باندهای آلفا و بتا در کانال های موتور کورتکس (C3 و C4) استخراج می شوند. این ویژگی ها در ادامه با الگوریتم هایی مانند Support Vector Machine و Linear Discriminant Analysis طبقه بندی می شوند. روند کلی این عملیات در شکل زیر قابل مشاهده است.

همانگونه که قبلا نیز بیان شد، هدف استخراج ویژگی نمایش سیگنال های خام EEG توسط مقادیری با ابعاد کمتر و مرتبط است تا classifier ها بتوانند تشخیص دهند که کدام ویژگی ها نمایانگر هر کدام از کلاس ها هستند. سوالی که در این بخش مطرح می شود این است که چرا از داده های خام EEG مستقیما استفاده نمی شود. مسئله ای که در اینجا مطرح است مسئله ی نفرین ابعاد (curse-of-dimensionality) است. مفهوم این مسئله این است که تعداد نمونه جهت آموزش classifier به صورت نمایی نسبت به ابعاد بردار ویژگی افزایش می یابد. توصیه رایج استفاده پنج تا ده برابری تعداد نمونه برای هر کلاس نسبت به ابعاد بردار ویژگی است. برای واضح تر شدن این مسئله را با مثالی بررسی می کنیم. فرض کنید که یک trial  یک ثانیه ای با نرخ نمونه برداری 250 هرتز از 32 کانال EEG ثبت کنیم. در نتیجه به ازای هر کانال 250 بعد را ذخیره کرده ایم و ابعاد کل بردار ویژگی برابر با 32×250=8000 خواهد بود که در این صورت مقدار داده آموزش حداقل 40000 نمونه خواهد بود. واضح است که نمی توان این مقدار نمونه را از subject برای یک حالت ذهنی ثبت کرد (در نظر بگیرید که تنها یک ثانیه سیگنال در نظر گرفته شده است!). اینجاست که اهمیت استخراج ویژگی نمایان می شود.

سه منشا اصلی اطلاعات برای استخراج ویژگی از سیگنال های EEG در ادامه بررسی می شود.

• اطلاعات مکانی (Spatial Information): این ویژگی ها مشخص می کنند که سیگنال های مرتبط از کجا آمده اند. در عمل برای این کار کانال های EEG خاصی انتخاب می شوند یا بر روی کانالهای EEG خاصی تمرکز بیشتری صورت می گیرد.
• اطلاعات فرکانسی (Spectral Information): این ویژگی ها اختلاف توان سیگنال در باند های مختلف فرکانسی را مشخص می کنند. در عمل توان فرکانسی در باندهایی خاص استخراج می شود.
• اطلاعات زمانی (Spectral Information): این ویژگی ها تغییر سیگنال را در حوزه زمان شرح می دهند. در عمل این کار به وسیله مقادیر سیگنال ها در نقاط زمانی مختلف یا پنجره های زمانی مختلف انجام می شود.

علاوه بر این سه منشا، موارد دیگری مانند اتصال (connectivity)، پیچیدگی (complexity) و نمایش زمانی (مانند ERP) نیز جهت استخراج ویژگی استفاده می شود.

در بسیاری از موارد، classifier از مجموعه کلی ویژگی ها تنها با استفاده از زیر مجموعه ای از آن ها به دقت تفکیک مناسبی می رسد. بنابرین می توان فقط ویژگی های مورد نیاز را استخراج کرد تا هم هزینه محاسباتی کاهش یابد و هم در صورت کم بودن داده های آموزش در دسترس، دقت تفکیک classifier افزایش یابد. برای کاهش ابعاد بردار ویژگی سه رویکرد اصلی وجود دارد:

• انتخاب ویژگی (Feature Selection): روش هایی که به صورت خودکار زیر مجموعه ای مناسب از تمام ویژگی های استخراج شده انتخاب می کنند.
• انتخاب کانال (Channel Selection): روش هایی که که به صورت خودکار زیر مجموعه ای مناسب از تمامی کانال ها را انتخاب می کنند.
• فیلتر مکانی (Spatial Filtering): روش هایی که چندین کانال را در یک کانال ترکیب می کنند تا از این کانال های به دست آمده ویژگی ها استخراج شوند.

در شکل زیر روند کلی پردازش و طبقه بندی سیگنال های EEG نمایش داده شده است.

ابزارهای پردازش سیگنال زیادی برای طبقه بندی سیگنال های EEG در حالت های ذهنی مختلف در دسترس است. البته این کار به دلیل نویز بالا، ناایستا بودن و پیچیدگی سیگنال و همچنین کم بودن داده های آموزش مسئله ای دشوار است. باید ویژگی های استخراج شده از سیگنال اطلاعات مرتبط با سیگنال برای عملکرد بهتر classifier را دارا باشند و همچنین نسبت به نویز و اعوجاج مقاوم باشند.

نرم افزار Razin تمامی مراحل پیش پردازش سیگنال، استخراج ویژگی، انتخاب ویژگی، طبقه بندی و بسیاری از امکانات دیگر از جمله ERP و نمایش های تصویری مختلف به سادگی و با کمترین پیچیدگی توسط شرکت فناوران سرمد برای پژوهشگران توسعه داده شده است تا بتوانند بالاترین تمرکز خود را بر روی ایده های خود بگذارند و درگیر مسائل پیچیده پیاده سازی نشوند.