Zastosowanie sieci neuronowej opartej na parametrach charakterystyki widma sygnału EEG w celu rozróżnienia ruchu i zamiaru ruchu oraz przynależności personalnej sygnału

• Autorzy: Broniec A.

Warianty tytułu

EN

The application of neural network based on the parameters of EEG-signal spectrum characteristics for classification of movement, intention of movement and personal affiliation of the signal

• Języki publikacji: PL

Abstrakty

PL

Badanie zmian zachodzących w sygnale elektroencefalograficznym (EEG) pod wpływem zadanego bodźca wymaga założenia, że ta reakcja ma własną i powtarzalną charakterystykę, w przeciwieństwie do ciągłej, spontanicznej aktywności mózgu, która w tym kontekście może być traktowana jako addytywny szum. Na podstawie powyższego założenia podzielono otrzymane w eksperymencie próbki sygnału EEG na grupy danych, związanych z odpowiedzią mózgu na zadane bodźce. Artykuł przedstawia wyniki otrzymane po zastosowaniu prostej sieci neuronowej LVQ (learning vector quantization) do rozróżnienia otrzymanych w eksperymencie danych. Porównano dane związane z ruchem palca i z wyobrażeniem ruchu palcem oraz przeprowadzono rozróżnienie danych otrzymanych od różnych osób. Zastosowanie sieci neuronowej samoorganizującej LVQ, opartej na parametrach charakterystyki widma EEG, pozwoliło na rozróżnienie przynależności personalnej sygnału EEG pomiędzy dwiema osobami ze średnią skutecznością 87,31% oraz pomiędzy czterema osobami ze średnią skutecznością 77,39%.

EN

The evaluation of changes within electroencephalography signal (EEG) occurred in response to stimuli, requires the assumption that this reaction has its own, repeatable characteristics compare to the continuous spontaneous brain activity, which can be treated in this context as the additive noise. Therefore, the recorded EEG signal samples, were divided into data groups connected with brain response to the stimuli. The simple neural network LVQ (learning vector quantization) was applied to evaluate recorded data. Movement of finger and voluntary intention of movement were examined. The application of simple neural network LVQ based on parameters of EEG-signal spectrum characteristics allowed for differentiation of EEG signal between two persons with the average efficiency of 87.31% and between four persons with the 77.39% accuracy.

Słowa kluczowe

PL

sygnał elektroencefalograficzny; sieć neuronowa

EN

electroencephalography signal; neural network

• Wydawca: Jacek Doskocz
• Czasopismo: Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna
• Rocznik: 2009
• Tom: Vol. 15, nr 3
• Strony: 244--247
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Broniec A.

• Wydział Fizyki i Informatyki Stosowanej/Laboratorium Biocybernetyki EAiIE, Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków, tel. [phone],

Bibliografia

• 1. G. Pfurtsheller, E L. da Silva: Handbook of electrcmencephalography and clinical neurophysiology, revised series, Elsevier Science B.V, 1999.
• 2. G. Pfurtscheller, C. Neuper: Motor imagery activates primary sensorimotor area in humans, Neurosci. Lett., vol. 239,1997, s. 65-68.
• 3. G. Pfurtscheller, G.R. Müller-Putz, A. Schlögl, B. Graimann, R. Scherer, R. Leeb, C. Brunner, C. Keinrath, E Lee, G. Townsend, C. Vidaurre, C. Neuper: 75 years of BCI research at Graz Unwersity of Technology: Current projects, IEEE Trans Neural Sys. Rehab. Eng., voL 14(2), 2006, s. 205-210.
• 4. J. R. Wolpaw, N. Birbaumer, D. McFarland, G. Pfurtscheller, T.M. Vaughan: Brain-computer interfaces for communication and control, Clinical Neurophysiology, vol. 113,2004, s. 767-791.
• 5. J. R. Wolpaw, D.J. McFarland: Multichannel EEG-based brain-computer communication, Electroenceph. Clin. Neurophysiol., vol. 90, 1994, s. 444-449.
• 6. E J. Durka: Matching Pursuit and Unification in EEG Analysis, Artech House,2007.
• 7. R. Tadeusiewicz: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• 8. K.J. Klinowska-Cieślak: Zagadnienia cyfrowej analizy przebiegów fizjologicznych, WUW, Warszawa 1980.
• 9. J. Ginter: Analiza czynności elektrycznej mózgu towarzyszącej świadomym ruchom lub ich wyobrażeniu, UW, 2004.
• 10. A. Grabska-Barwińska: Model zmian synchronizacji czynności EEG związanych z wykonywaniem ruchu, Praca magisterska, Pracownia Fizyki Medycznej, Instytut Fizyki Doświadczalnej, Wydział Fizyki, UW, 2004.
• 11. J. Deng, B. He: Classification of imaginary tasks from three channels of EEG by using an artificial neural network, Dept. of Bioengineering, Illinois Univ., Chicago, IL, USA, Sept 2003.
• 12. M. Phothisonothai, M. Nakagawa: EEG-Based Classification of New Imagery Tasks Using Three-Layer Feedforward Neural Network Classifier for Brain-Computer Interface, J Phys Soc Jpn, vol. 75,2006, s. 104801. 1-104801.6.
• 13. M. Phothisonothai, M. Nakagawa: EEG-Based Classification of Motor Imagery Tasks Using Fractal Dimention and Neural Network for Brain-Computer Interface, IEICE - Transactions on Information and Systems, vol. E91-D, 2008, s. 44-53.
• 14. X. Liu, S. Hibino, T. Hanai, T. Imanishi, T. Shirataki, T. Ogawa, H. Honda, and T. Kobayashi: Construction of an electroencephabgram-based brain-computer interface using an artificial neural network, IEICE Trans. Inf. & Syst, vol. E86-D, 2003, s. 1879-1886.