Implementacja wybranej metody klasterowej do klasyfikacji źródeł sygnałów EEG związanych z wyobrażaniem ruchu

• Autorzy: Jagodzińska-Szymańska U.

Identyfikatory

DOI

10.15199/ELE-2014-177

Warianty tytułu

EN

Implementation of the chosen cluster method used for classification of EEG signal sources related to movement imagination

• Języki publikacji: PL

Abstrakty

PL

Interfejsy mózg-komputer (Brain-Computer Interface) wykorzystują właściwości fal elektromagnetycznych mózgu rejestrowane za pomocą technik elektroencefalograficznych (EEG). Fale te są rejestrowane za pomocą elektrod na powierzchni głowy. Położenie źródeł sygnałów oraz ich natężenie znajdowane jest poprzez rozwiązanie zagadnienia odwrotnego. Proponowany w artykule algorytm do klasyfikacji sygnałów oparty jest na rekonstrukcji źródeł sygnałów. Algorytm przetestowano dla sygnałów związanych z ruchem prawą i lewą ręką, dlatego obliczenia przeprowadzono przede wszystkim dla fal o częstotliwości 20 Hz związanych m.in. z aktywnością myślową i ruchową. Użyte w teście dane były przetworzone i pochodziły z bazy Idiap. W artykule uwzględniono wyniki testów dla trzech zestawów danych, ale wobec niewielkiej różnicy między otrzymanymi wynikami, przedstawiono je tylko dla jednego zestawu. Wykorzystanie atlasów mózgu może poprawić wyniki klasyfikacji przez bardziej precyzyjne uwzględnienie obszarów mózgu związanych z konkretnym rodzajem aktywności.

EN

Brain-Computer Interfaces use the features of the electromagnetic brain waves registered with the use of electroencephalographic techniques (EEG). Signals are recorded from the surface of the scalp by means of electrodes. Source locations of signals and their strength are obtained when finding the solution to the inverse problem. The algorithm for signal classification proposed in this article is based on source reconstruction. The algorithm was tested for signals connected to the right and left hand movement, therefore calculations were conducted mainly for 20 Hz frequency waves connected with movement and imagining movement activities. The data used in the experiment, which were taken from the Idiap data base, were preprocessed. The article describes test results for three data sets, but due to the insignificant difference, the results are presented for one data set. Classification results may be improved with the use of brain atlases by taking into consideration more precise areas of the brain connected to the given activity.

Słowa kluczowe

PL

interfejs mózg-komputer; klasyfikacja sygnałów; analiza klasterowa; zagadnienie odwrotne; minimalne drzewo rozpinające

EN

BCI; signal classification; cluster analysis; inverse problem; minimum spanning trees

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2014
• Tom: Vol. 55, nr 10
• Strony: 74--79
• Opis fizyczny: Bibliogr. 16 poz., rys., tab

Twórcy

autor

Jagodzińska-Szymańska U.

• PIT-RADWAR SA, Warszawa

Bibliografia

• [1] Dąbrowski M., Laus-Mączyńska K., Metody wyszukiwania i klasyfikacji informacji, WNT, 1978, Warszawa.
• [2] Gower J. C., Ross G. J. S., Minimum Spanning Trees and Single Linkage Cluster Analysis, Journal Roy. Stat. Ass. C-Appl. Stat., No 18, 1969, p. 64–64.
• [3] Gower J. C., A comparison of Some Methods of Cluster Analysis, Biometrics, vol. 23, 1967, pp. 623–637.
• [4] Jagodzińska U., Oskwarek Ł., Metoda LORETA jako przykład metody rozwiązywania zagadnienia odwrotnego w interfejsie mózg-komputer, Materiały Konferencyjne, Sobienie Królewskie, Bumar Elektronika SA, 2012.
• [5] Jagodzińska U., Oskwarek Ł., Metoda LORETA jako przykład metody rozwiązywania zagadnienia odwrotnego w interfejsie mózg-komputer (Low resolution electromagnetic tomography method as an example of solving the inverse problem in brain computer interface), ELEKTRONIKA – Konstrukcje, Technologie, Zastosowania, 12/2012, str. 89–91.
• [6] Jagodzińska U., The implementation of algorithms for inverse solutions in EEG brain-computer interfaces, Conference materials, Signal Processing Symposium (SPS 2013) in Jachranka, June 2013.
• [7] Jagodzińska U., The implementation of algorithms for inverse solutions in EEG brain-computer interfaces, Signal Processing Symposium, IEEE base, 2013.
• [8] Jagodzińska, U., Towards the Applications of Algorithms for Inverse Solutions in EEG Brain-Computer Interfaces, International Journal of Electronics and Telecommunications, ISSN 2081-8491, 2013,pp. 277–283.
• [9] Jagodzińska, U., Applying Algorithms for inverse solutions in classifying EEG signals. Wykorzystywanie algorytmów do rozwiązywania zagadnień odwrotnych do klasyfikacji sygnałów EEG. ELEKTRONIKA – Konstrukcje, Technologie, Zastosowania, 9/2013, strony 144-147.
• [10] Kołodziej M. i inni, Application of t-statistics for processing of EEG signal in brain-computer interface, Przegląd Elektrotechniczny, 9a/2011, pp. 187–189.
• [11] Lawson CH., L. i inni, Solving Least Square Problems, Classics in Applied Mathematics, Society for Industrial and Applied Mathematics Philadelphia SIAM, 1995.
• [12] Narsingh Deo, Teoria Grafów i Jej Zastosowania w Technice i Informatyce, PWN, 1980.
• [13] Pascual-Marqui R. D., Review of Methods for solving the EEG Inverse Problem, International Journal of Bioelectromagnetism, v. 1, No. 1, 1999, pp. 75–86.
• [14] Rogers J., Tamimoto T., A computer program for classifying Plants, Science, vol. 18, 1960, pp. 103–110.
• [15] Ross G. J. S., Minimum Spanning Trees, Journal Roy. Stat. Ass. C-Appl. Stat., vol. 18, 1969, pp. 103–110.
• [16] Talairach, Brain Atlas, Dostępne: http://www.talairach.org [stan na dzień 07.08.2014].