استخراج و كلاس بندي آرتيفكت هاي حركتي چشم از روي سيگنال EEG به منظور استفاده در كنترل صندلي چرخ دار

Extracting and classifying eye movement artifacts from eeg signals in order to control of wheelchair

سيگنال هاي EEG حاوي اطلاعات زيادي هستند و بسياري از الگوريتم هاي موجود، جهت تجزيه ‌و تحليل اين نوع سيگنال ها براي تشخيص بعضي از بيماري ها و برخي از شرايط فيزيولوژيكي مانند عمق خواب، شرايط تفكر، احساسات و غيره مورد استفاده قرار مي گيرند. اين سيگنال ها معمولا با نويزها و آرتيفكت هاي مختلفي همراه هستند. در اين مقاله سعي شده است از برخي از آرتيفكت هاي همراه سيگنال EEG به عنوان ويژگي هاي متفاوتي از اين سيگنال ها استفاده گردد. براي اين منظور در اين تحقيق با انجام آزمايش هاي فيزيولوژيكي خاص و دقيق، از 20 فرد سالم در محدوده سني 18 الي 26 سال و با جنسيتهاي مرد و زن، سيگنال EEG از روي نقاط مشخصي از سر توسط الكترودها ثبت گرديده و سپس آرتيفكت هاي حركتي و ويژگي هاي موجود در اين سيگنال با روش هاي تعيين نقاط اكسترمم و برازش منحني استخراج و سپس توسط اگوريتم k نزديكترين همسايه كلاس بندي گرديده است. اين كار با هدف كنترل صندلي چرخ دار به طرف راست، چپ، جلو و همچنين ترمز كردن صورت گرفته است. روش ارايه شده در اين مقاله به دليل استفاده از فقط دو عدد الكترود و همچنين قدرت طبقه بندي بسيار بالا، مي تواند براي استفاده افراد معلول روشي مطلوب بشمار آيد.

The EEG Signals contain a lot of information and there are many algorithms available uses to analyze this type of signals for diagnosis of some diseases and or physiological conditions, such as depth of sleep, thinking, emotions, etc. These signals usually have noise and different artifacts. In this paper, has been tried to use EEG artifacts as the different features of these signals. For this purpose, specific and exact physiological experiments were carried out on 20 healthy subjects in the age range of 18 to 26 years and with the male and female sexes. EEG signals were recorded from certain points of the head by limited number of electrodes, and then the movement artifacts were extracted from the recorded signals. Feature extraction contained the extreme points and curve fitting coefficients. K-nearest neighbor algorithm (knn) algorithm was used to classification stage. This job was performed with the aim of control a wheel chair, to the right, left, front and also the brake off. The method presented in this paper has advantages due to the use of only two electrodes, and also the high power of classification and it can be use for disabled people as a way of optimal performance.