Tehran University Medical Journal

other طبقه‌بندی سیگنال‌های مغزی EEG مبتنی بر تصور حرکتی با استفاده از روش‌های یادگیری عمیق Deep learning approach for motor imagery EEG signal classification مقاله اصیل Original Article زمینه و هدف: سیستم‌های رابط مغز و رایانه از طریق سیگنال‌های مغزی امکان ارتباط با دنیای بیرون را بدون استفاده از واسطه‌های فیزیولوژیکی برای افراد دارای ناتوانی جسمی فراهم می‌کند. یکی از انواع این سیستم‌ها، سیستم‌های مبتنی بر تصور حرکتی است. از مهمترین بخش‌ها در طراحی این سیستم‌ها، طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکت به کلاس‌های تصور حرکت به‌منظور تبدیل به فرمان کنترلی است. در این مقاله یک روش نوین طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکتی با استفاده از روش‌های یادگیری عمیق ارایه شده است. روش بررسی: این مطالعه مقطعی در دانشکده فناوری‌های نوین پزشکی دانشگاه علوم‌ پزشکی اصفهان از بهمن 1398 تا تیر 1401 انجام شد در بلوک پیش-پردازش قطعه‌بندی سیگنال‌های مغزی، انتخاب کانال‌های مناسب و استفاده از فیلتر باترورث (Butterworth filter)، سپس تبدیل موجک جهت انتقال به حوزه زمان-فرکانس و در قسمت طبقه‌بندی از دو طبقه‌بند شبکه یادگیری عمیق کانولوشنی یک‌بعدی با دو معماری و شبکه یادگیری عمیق کانولوشن دوبعدی با دو معماری با ورودی سه موجک مادر Cmor، Mexicanhat و Cgaus به کار گرفته شده و درنهایت عملکرد شبکه‌ها بررسی شده‌اند. یافته‌ها: سه کانال برای 9 سوژه موردنظر، به‌عنوان بهترین کانال‌ها انتخاب شدند. همچنین پس از یافتن پارامترهای بهینه در ساختار داده، تبدیل موجک با موجک مادر Cgaus بالاترین درصد را در دو معماری پیشنهاد شده، دارد. صحت 53/92%، بالاترین صحت مربوط به معماری دوم شبکه عصبی کانولوشن دوبعدی پیشنهاد داده شده است. نتیجه‌گیری: نتایج به‌دست آمده از شبکه‌های پیشنهاد شده، نشان‌دهنده آن است که شبکه‌های یادگیری عمیق مناسب می‌توانند به‌عنوان ابزاری مناسب و دقیق برای طبقه‌بندی دادگان مبتنی بر تصور حرکت مورد استفاده قرار گیرند.   <div>Background: Brain-computer interface systems provide the possibility of communicating with the outside world without using physiological mediators for people with physical disabilities through brain signals. A popular type of BCIs is the motor imagery-based systems and one of the most important parts in the design of these systems is the classification of brain signals into different motor imagery classes in order to transform them into control commands. In this paper, a new method of brain signal classifying based on deep learning methods is presented. Methods: This cross-sectional study was conducted at Isfahan University of Medical Sciences, School of Advanced Technologies in Medicine, from February 2020 to June 2022. In the pre-processing block, segmentation of brain signals, selection of suitable channels and filtering by Butterworth filter have been done; then data has transformed to the time-frequency domain by three different kinds of mother wavelets including Cmor, Mexicanhat, and Cgaus. In the classification step, two types of convolutional neural networks (one-dimensional and two-dimensional) were applied whereas each one of them was utilized in two different architectures. Finally, the performance of the networks has been investigated by each one of these three types of input data.</div> <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top"> <div>Results: Three channels were selected as the best ones for nine subjects. To separate 8-30 Hz, a 5th degree Butterworth filter was used. After finding the optimal parameters in the proposed networks, wavelet transform with Cgauss mother wavelet has the highest percentage in the both proposed architectures. Two-dimensional convolutional neural network has higher convergence speed, higher accuracy and more complexity of calculations. In terms of accuracy, precision, sensitivity and F1-score, two-dimensional convolutional neural network has performed better than one-dimensional convolutional neural network. The accuracy of 92.53%, which is obtained from the second architecture, as the best result, is reported. Conclusion: The results obtained from the proposed network indicate that suitable, and well-designed deep learning networks can be utilized as an accurate tool for data classification in application of motion perception.</div> </td> </tr> </tbody> </table> </div> <div></div> سیستم‌های رابط مغز و رایانه, طبقه‌بندی, یادگیری عمیق, سیگنال الکتروانسفالوگرام. brain-computer interface (BCI), classification, deep learning, electroencephalography (EEG). 789 797 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-596&slc_lang=other&sid=1 Faezeh Moghadas فائزه مقدس Yes Department of Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Zahra Amini زهرا امینی zahraamini64@yahoo.com.au No Department of Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Rahele Kafieh راحله کافیه No Department of Biomedical Engineering, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه مهندسی پزشکی، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.