Wyniki wyszukiwania - BazTech

1

Uogólnione macierze odwrotne stosowane do wyznaczania źródeł sygnałów EEG na powierzchni kory mózgowej

Jagodzińska-Szymańska U., Sędek E.

Elektronika : konstrukcje, technologie, zastosowania

|

2018

|

Vol. 59, nr 12

74--77

PL

Na potrzeby sterowania urządzeniem za pomocą aktywności myślowych opracowana została metoda realizacji intencji użytkownika wykorzystująca sygnały EEG. Według tej metody, na podstawie zarejestrowanych sygnałów EEG wyznaczone zostały źródła tych sygnałów na korze mózgowej, a w tym celu wykorzystano rozwiązanie tzw. zagadnienia odwrotnego. Aby wyznaczyć źródła sygnałów EEG z jak największą dokładnością opracowane zostały metody rozwiązywania zagadnienia odwrotnego, które posłużyły do wyboru najlepszego algorytmu do klasyfikacji sygnałów emitowanych przez te źródła. Lokalizacja źródeł sygnałów określona została w oparciu o obliczenia własne, a do rozwiązania zagadnienia odwrotnego wybrano metodę minimalizacji normy z zastosowaniem metody najmniejszych kwadratów, która ze względu na krótki czas realizacji pozwalający na pracę w czasie rzeczywistym okazała się najbardziej skuteczna w wykonywaniu zadań myślowych dotyczących ruchu prawą i lewą ręką. Skonstruowane zostało urządzenie zewnętrzne realizujące polecenia myślowe wykonywania ruchu prawą i lewą ręką.

EN

A method of implementing the intentions of the user based on EEG signals was developed in order to control the device by means of thought activities. According to this method, the sources of these signals on the cerebral cortex were determined on the basis of the registered EEG signals, and for this purpose the solution of the so-called inverse problem was used. In order to determine the sources of EEG signals with the greatest accuracy, methods for solving the inverse problem were developed and used to select the best algorithm for classifying signals emitted by these sources. Determining the location of signal sources was based on own calculations and as a result the method of minimizing the norm by using the least squares method was chosen to solve the inverse problem, since it was the most effective one in executing the thinking tasks of right and left hand movement due to the short implementation time in which such work takes place in real time. An external device has been constructed that performs the mental commands of right and left hand movement.

2

Bezprzewodowe sterowanie urządzeniem za pomocą sygnałów mózgowych

Jagodzińska-Szymańska U., Sędek E.

Elektronika : konstrukcje, technologie, zastosowania

|

2018

|

Vol. 59, nr 2

46--51

PL

Sygnały bioelektryczne emitowane przez mózg mogą być rejestrowane i po przetworzeniu oraz poprawnej klasyfikacji wykorzystane do sterowania urządzeniem zewnętrznym. W tym celu zostało zaprojektowane urządzenie działające w oparciu o platformę Arduino Uno R3 odbierające i wyświetlające przetworzone i zaklasyfikowane sygnały mózgowe jako komendy sterujące. Sygnały te są przetwarzane i klasyfikowane poprzez algorytmy zaimplementowane w środowisku Matlab a następnie przesyłane poprzez protokół komunikacji bezprzewodowej Bluetooth do urządzenia zewnętrznego. Efektem wizualnym sygnałów sterujących wysyłanych z mózgu jest zapalenie się na urządzeniu zewnętrznym diody zielonej lub czerwonej wskazującej na wykonanie komendy dotyczącej myślenia o ruchu prawą lub lewą ręką. W wyniku bezprzewodowej komunikacji urządzenie sterowane za pomocą sygnałów mózgowych może znajdować się w oddaleniu od osoby wykonującej zadania myślowe i od urządzenia klasyfikującego.

EN

Bioelectric signals emitted by the human brain can be registered and used to control an external device after they have been processed and correctly classified. The device which was designed for this purpose used platform Arduino Uno R3, which receives and displays the command signals coming from the brain after these have been processed and classified. The processing and classifying of these signals is accomplished by means of algorithms implemented in the Matlab computing environment and transmitted to the external device via wireless communication Bluetooth protocol. The visual effect of the control signals coming from the brain is such that a green or red diode light is turned on and is visible on the external device indicating sending the mental command of a right or left hand movement. As a result of wireless communication the device controlled by brain signals can be placed at a distance from both the person conducting the brain tasks or the classifying device.

3

Testowanie algorytmu wykorzystującego rozwiązanie zagadnienia odwrotnego do klasyfikacji sygnałów sterujących

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2016

|

Vol. 57, nr 11

81--83

PL

Celem artykułu jest zaprezentowanie wyników testowania algorytmu do klasyfikacji sygnałów EEG opartego na rozwiązywaniu zagadnienia odwrotnego. W wyniku rozwiązania zagadnienia odwrotnego uzyskano pewne przybliżenie lokalizacji aktywnych obszarów mózgu. Wszystkie obliczenia były realizowane dla sygnałów z H eadsetu Emotiv EPOC (wstępnie przetworzonych) dotyczących ruchu prawą i lewą ręką. Wzięto pod uwagę sygnały o częstotliwości 12 Hz związane z wyobrażaniem ruchu. Do przeprowadzenia klasyfikacji sygnałów wykorzystano algorytm Gowera. Podstawą do zastosowania tego algorytmu jest t-statystyka oraz zjawisko synchronizacji i desynchronizacji ERD/ERS występujące przy wyobrażeniu ruchu prawą i lewą ręką.

EN

The purpose of the article is to present the outcomes of testing algorithm for the classification of EEG signals based on the inverse solution. As a result of finding the solution to the inverse problem a certain approximation of active areas of the brain is received. All the calculations were made with the use of signals provided by Headset Emotiv EPOC (after preprocessing) for the left and the right hand movement. The signals frequency 12 Hz connected with movement activity and imagining of movement activity was taken into account. Gowert’s algorithm was used to construct the algorithm used for classification. The base to use this algorithm are both t-statistics and the phenomenon of ERD/ERS occurring when imagining of right and left hand movement.

4

Implementation of BCI for classifying the intention of movement based on the location of EEG signal sources

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2015

|

Vol. 56, nr 9

60-63

EN

The article describes the algorithm of EEG signal classification with reference to the movement which was used in BCI. The algorithm is based on the reconstruction of signals performed as a result of solving the inverse problem. The data for testing the algorithm were taken from the IDIAP database. Moreover, processed data on the 18-26 Hz frequency from the headset were used. The article presented both the algorithm and the example of the test that was performed. The test included cortical areas of the brain connected with Brodmann areas 4 and 6. The correctness of the classification depends on the precision of defining the movement areas involving the kind of movement (in the case under investigation moving the right and left hand). For the data obtained from the headset, the quality of the classification depends on preprocessing of the signal and the time that the classifier devoted to learning.

PL

W artykule opisano algorytm klasyfikacji sygnałów EEG dotyczących ruchu, który wykorzystano w BCI. Algorytm jest oparty na rekonstrukcji źródeł sygnałów wykonanej w wyniku rozwiązania zagadnienia odwrotnego. Dane do testowania algorytmu zostały wzięte z bazy IDIAP. Wykorzystano też przetworzone dane z headsetu dla częstotliwości 18-26 Hz. W artykule przedstawiono zarówno algorytm jak i przykład przeprowadzonego testu. W teście uwzględniono obszary kory mózgowej związane z polami Brodmanna 4 i 6. Poprawność klasyfikacji zależy od tego, jak precyzyjnie są brane pod uwagę obszary związane z polami ruchowymi dotyczącymi rodzaju ruchu (w rozpatrywanym przypadku dotyczące ruchu prawą i lewą ręką). W przypadku danych uzyskiwanych z headsetu jakość klasyfikacji zależy od wstępnego przetworzenia sygnału oraz od czasu nauki klasyfikatora.

5

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

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2014

|

Vol. 55, nr 10

74-79

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.