واجهة نظام التحكم و المراقبة الذهنية المحوسبة بأجهزة المنازل الذكية باستخدام مصنف المويجات
Title BCI-Control and Monitoring System for Smart Home Automation Using Wavelet Classifiers
الباحث الرئيس عامر محمد أحمد الكنعان
الباحثون المشاركون
التخصص: الهندسة الكهربائية
التخصص الدقيق: معالجة الإشارات الدماغية و الرقمية
المستخلص: إن واجهة التحكم الذهني المحوسب هي مجالات البحث الرئيسة التي تعتمد على إشارات الدماغ الكهربائية التي يتم التقاطها باستخدام أقطاب خاصة، و يتم تضخيمها و تصفيتها قبل تحويلها إلى شكل رقمي من أجل إجراء معالجة مسبقة قبل إجراء التعلم الآلي. في هذا البحث ، قدمنا تقريرًا عن تصميمنا و تنفيذنا لواجهة نظام التحكم و المراقبة لأتمتة المنزل الذكي باستخدام ميزات المويجات، و التي تعتمد على وحدة استشعار إشارات الدماغ التناظرية ثنائية القناة. تقوم وحدة إشارات الدماغ التماثلية المصممة باكتساب إشارة الدماغ الكهربائية و تضخيمها و ترشيحها. على الرغم من أن سجل بيانات الدماغ المسجلة تحتوي على آلاف العينات وأكثر من 15 فئة مختلفة ، فإننا نقصر دراستنا على 226 عينة مجمعة في 7 فئات مع مدة زمنية مدتها 8 ثوانٍ لكل عينة. تم ضبط الإعدادات عوامل نماذج مصنف التعلم الآلي العميق ، كانت نتائج التدريب والاختبار عالية الدقة.
يتمتع نظام واجهة التحكم الذهني المحوسب المصمم بالعديد من المزايا بما في ذلك النطاق الترددي الكبير البالغ 400 هرتز ، و عدد أقطاب الاستشعار المنخفض ، و الإعداد السهل ، و بساطة واجهة المستخدم ، و المعالجة المسبقة و التصفية الرقمية ، و سرعة التعلم الآلي ، و تحديد الفئات المتعددة ، و نماذج المراقبة و التحكم ، و التصنيف عالي الدقة و التكلفة المنخفضة. لقد وفر هذا العمل البحثي العديد من المساهمات بما في ذلك إنشاء سجل حديث لبيانات إشارات الدماغ الكهربائية اعتمد على تسجيلات تم تبويبها و فهرستها بمعدل أخذ عينات مناسب يبلغ 2000 هرتز. توفر وحدة الحصول على إشارة الدماغ الكهربائية ذات النطاق الترددي 400 هرتز معلومات دقيقة و غنية عن إشارة الدماغ الكهربائية اللازمة لاستخراج الميزات و الملامح. إن نتائجنا قابلة للتحقق و التكرار و قد تم اختبارها باستخدام لغة بايثون بجهاز رازبيريباي 4.
يتكون نظام واجهة التحكم الذهني المحوسب المصمم على أساس المويجات من و حدة اكتساب إشارة الدماغ الكهربائية التماثلية و وحدة التعلم الآلي ، و التي تتكون من مصنفات التعلم العميق ذات مستقبلات متعددة الطبقات و تحليل التمييز الخطي بالإضافة إلى نماذج المصنفات الأخرى للمقارنة بما في ذلك مصنفات تلافيف شبكات الخلايا العصبية. لقد أنتجت نماذج مصنفات التعلم العميق ومصنفات تحليل التمييز الخطي أفضل أداء بمتوسط دقة 95.6٪ و 96٪ لكل من مجموعات بيانات التدريب و الاختبار.
Abstract: Brain Computer Interface (BCI) is a major research field that is based upon Electroencephalography (EEG) brain signals, which are captured using EEG electrodes, amplified and filtered before being converted to digital form in order to perform thorough pre-processing and machine-learning. In this paper we report on our design and implementation of BCI control and monitoring system for smart home automation using Wavelet features, which is based upon a dual-channel analogue EEG signal acquisition module. The designed analogue EEG module performs EEG signal acquisition, signal amplification and filtering. Although the EEG data set contains thousands of samples and more than 15 different classes, we limit our study on 226 samples grouped into 7 classes with 8-second time duration per sample. With careful settings of deep-learning classifier models parameters, the training and testing were successful with high accuracy results.
The designed BCI system has several advantages including large bandwidth of 400 Hz, low number of EEG electrodes, easy setup, simple user interface, pre-processing and digital filtering, fast machine learning, multi-class identification, monitoring and control models, high classification accuracy and low cost. This research work provided several contributions including the creation of recent and original EEG data set using well-labelled recordings at adequate sampling rate of 2 kHz. The EEG signal acquisition module with 400-Hz bandwidth provides precise and rich EEG signal information needed for feature extraction. Our results are reproducible and have been tested and deployed on Raspberry pi 4 with Python.
The designed Wavelet-based BCI system consists of analogue EEG signal acquisition and machine-learning modules, which consists of deep-learning Multi-Layer Perceptron (MLP) classifiers and Linear Discriminant Analysis (LDA) as well as other classifier models for comparison including Convolutional Neural Networks (CNN). The deep learning and LDA classifiers models produced best performance with average accuracy of 95.6% and 96% for both training and testing data sets.