التخصص: الهندسة الكهربائية

التخصص الدقيق: Brain Computer interface

المستخلص: تعد واجهة الدماغ الحاسوبية (BCI) مجالًا بحثيًا رئيسيًا يعتمد على إشارات الدماغ بالتخطيط الكهربائي للدماغ (EEG) ، التي يتم التقاطها باستخدام أقطاب EEG ، وتضخيمها وتصفيتها قبل تحويلها إلى شكل رقمي من أجل أداء شامل المعالجة المسبقة والتعلم الآلي. في هذه الورقة نقدم تقريرًا عن تصميمنا وتنفيذنا للتحكم والمراقبة في BCI نظام لأتمتة المنزل الذكي باستخدام ميزات Wavelet ، والذي يعتمد على اكتساب إشارة EEG التناظرية ثنائية القناة وحدة. تقوم وحدة EEG التماثلية المصممة باكتساب إشارة EEG وتضخيم الإشارة وترشيحها. على الرغم من أن تحتوي مجموعة بيانات EEG على آلاف العينات وأكثر من 15 فئة مختلفة ، ونحصر دراستنا على 226 عينة مجمعة في 7 فصول مع مدة زمنية 8 ثوان لكل عينة. مع إعدادات دقيقة لمعلمات نماذج مصنف التعلم العميق ، التدريب وكان الاختبار ناجحًا بنتائج عالية الدقة. يتميز نظام BCI المصمم بالعديد من المزايا بما في ذلك النطاق الترددي الكبير البالغ 400 هرتز ، والعدد المنخفض من أقطاب EEG ، والسهولة الإعداد ، واجهة المستخدم البسيطة ، المعالجة المسبقة والتصفية الرقمية ، التعلم الآلي السريع ، التحديد متعدد الفئات ، المراقبة و نماذج التحكم ودقة التصنيف العالية والتكلفة المنخفضة. قدم هذا العمل البحثي العديد من المساهمات بما في ذلك الخلق من مجموعة بيانات EEG الحديثة والأصلية باستخدام تسجيلات ذات علامات جيدة بمعدل أخذ عينات مناسب يبلغ 2 كيلو هرتز. اكتساب إشارة EEG توفر الوحدة ذات النطاق الترددي 400 هرتز معلومات إشارة EEG الدقيقة والغنية اللازمة لاستخراج الميزة. نتائجنا قابلة للتكرار وتم اختبارها ونشرها على Raspberry pi 4 باستخدام Python. يتكون نظام BCI المصمم على أساس Wavelet من اكتساب إشارة EEG التناظرية ووحدات التعلم الآلي ، والتي يتكون من مصنفات الإدراك متعدد الطبقات (MLP) ذات التعلم العميق والتحليل التمييزي الخطي (LDA) وغيرها نماذج المصنفات للمقارنة بما في ذلك الشبكات العصبية التلافيفية (سي إن إن). نماذج مصنفات التعلم العميق و LDA أنتج أفضل أداء بمتوسط ​​دقة 95.6٪ و 96٪ لكل من مجموعات بيانات التدريب والاختبار.

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.

الحالة: محكم ومنشور

جهة التحكيم: ISI

دار النشر: WILEY

سنة النشر: 2021