Metoda ANFIS za klasifikaciju EEG signala pri zamišljanju pokreta različitih zglobova istog ekstremiteta
Sažetak
Uvod/cilj: Eksperimentalna oblast proučavanja interfejsa mozak-računar ( BCI) širi se i na pokrete koji imaju odlučujuću ulogu pri dešifrovanju kognitivnih procesa. Bez potrebe za bilo kakvom spoljašnjom stimulacijom, zamišljanje pokreta (MI) može se koristiti kao moćan model za interfejs mozak-računar. Prirodni metod upravljanja spoljašnjim uređajima jeste zamišljanje pokreta različitih zglobova iste ruke. Ovi pokreti stvaraju slične prostorne slike u motornom korteksu i teško ih je razlikovati od zamišljanja pokreta različitih zglobova iste noge na osnovu podataka dobijenih pomoću EEG-a.
Metode: U studiji je korišćen već postojeći skup podataka dobijenih od 25 ispitanika koji su zamišljali kako koriste desnu ruku pri izvršavanju tri različite naredbe: u stanju opuštanja, zatvorenih očiju, zamišljali su kako koriste desnu šaku i kako savijaju desnu ruku. Da bi se povezali ovi impulsi sa kategorijama, korišćen je adaptativni neuro-fazi sistem zaključivanja.
Rezultati: Prosečan nivo tačnosti bio je 90%.
Zaključak: Nalazi pokazuju da je ova tehnika ključna za pravilnu kategorizaciju podataka dobijenih pomoću EEG-a. Skup podataka korišćen u ovom istraživanju sastoji se od merenja EEG određenog ekstremiteta dok se zamišlja njegovo pokretanje. Nov metod kategorizacije biće primenjen na ove signale pri izvođenju zaključaka.
Reference
Amin, H.U., Mumtaz, W., Subhani, A.R., Saad, M.N.M., & Malik, A.S. 2017. Classification of EEG Signals Based on Pattern Recognition Approach. Frontiers in Computational Neuroscience, 11, art.number:103, pp.1-12. Available at: https://doi.org/10.3389/fncom.2017.00103.
Dwi Saputro, I.R., Maryati, N.D., Solihati, S.R., Wijayanto, I., Hadiyoso, S. & Patmasari, R. 2019. Seizure Type Classification on EEG Signal using Support Vector Machine. Journal of Physics: Conference Series, 1201, art.number:012065. Available at: https://doi.org/10.1088/1742-6596/1201/1/012065.
Hashmi, A., Alam Khan, B. & Farooq, O. 2021. A Comparative Study of Machine Learning Algorithms for EEG Signal Classification. Signal & Image Processing : An International Journal (SIPIJ), 12(6), pp.37-50. Available at: https://doi.org/10.5121/sipij.2021.12603.
Hindarto, H., Muntasa, A. & Sumarno, S. 2018. Feature Extraction ElectroEncephaloGram (EEG) using wavelet transform for cursor movement. IOP Conference Series: Materials Science and Engineering, 434, art.number: 012261. Available at: https://doi.org/10.1088/1757-899X/434/1/012261.
Ma, X., Qiu, S. & He, H. 2020. Multi-channel EEG recording during motor imagery of different joints from the same limb. Scientific Data, 7, art.number:191, pp.1-9. Available at: https://doi.org/10.1038/s41597-020-0535-2.
Najafi, T., Jaafar, R., Remli, R. & Wan Zaidi, W.A. 2022. A Classification Model of EEG Signals Based on RNN-LSTM for Diagnosing Focal and Generalized Epilepsy. Sensors, 22(19), art.number:7269. Available at: https://doi.org/10.3390/s22197269.
Nazi, Z., Al, Hossain, A.B.M.A. & Islam, M.M. 2021. Motor Imagery Eeg Classification Using Random Subspace Ensemble Network With Variable Length Features. International Journal Bioautomation, 25(1), pp.13-24. Available at: https://doi.org/10.7546/ijba.2021.25.1.000611.
Satam, I.A. 2021. Review Studying of the Latest Development of Prosthetic Limbs Technologies. International Journal of Scientific & Engineering Research, 12(12), pp.721-731 [online]. Available at: https://www.ijser.org/onlineResearchPaperViewer.aspx?Review-Studying-of-the-Latest-Development-of-Prosthetic-Limbs-Technologies.pdf [Accessed: 15 September 2023].
Smith, S.J.M. 2005. EEG in the diagnosis, classification, and management of patients with epilepsy. Journal of Neurology Neurosurgery and Psychiatry, 76(2). Available at: https://doi.org/10.1136/jnnp.2005.069245.
Stefenon, S.F., Freire, R.Z., dos Santos Coelho, L., Meyer, L.H., Grebogi, R.B., Buratto, W.G. & Nied, A. 2020. Electrical insulator fault forecasting based on a wavelet neuro-fuzzy system. Energies, 13(2), art.number:484. Available at: https://doi.org/10.3390/en13020484.
Thomas, J., Comoretto, L., Jin, J., Dauwels, J., Cash, S.S., & Westover, M. B. 2018. In: 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI, USA, pp.3148-3151, July 18-21. Available at: https://doi.org/10.1109/EMBC.2018.8512930.
Wen, T., Du, Y., Pan, T., Huang, C. & Zhang, Z. 2021. A Deep Learning-Based Classification Method for Different Frequency EEG Data. Computational and Mathematical Methods in Medicine, 2021, art.ID:1972662. Available at: https://doi.org/10.1155/2021/1972662.
Zhou, D. & Li, X. 2020. Epilepsy EEG Signal Classification Algorithm Based on Improved RBF. Frontiers in Neuroscience, 14, pp.1-7. Available at: https://doi.org/10.3389/fnins.2020.00606.
Sva prava zadržana (c) 2024 Ihab A. Satam
Ovaj rad je pod Creative Commons Autorstvo 4.0 međunarodnom licencom.
Vojnotehnički glasnik omogućava otvoreni pristup i, u skladu sa preporukom CEON-a, primenjuje Creative Commons odredbe o autorskim pravima:
Autori koji objavljuju u Vojnotehničkom glasniku pristaju na sledeće uslove:
- Autori zadržavaju autorska prava i pružaju časopisu pravo prvog objavljivanja rada i licenciraju ga Creative Commons licencom koja omogućava drugima da dele rad uz uslov navođenja autorstva i izvornog objavljivanja u ovom časopisu.
- Autori mogu izraditi zasebne, ugovorne aranžmane za neekskluzivnu distribuciju rada objavljenog u časopisu (npr. postavljanje u institucionalni repozitorijum ili objavljivanje u knjizi), uz navođenje da je rad izvorno objavljen u ovom časopisu.
- Autorima je dozvoljeno i podstiču se da postave objavljeni rad onlajn (npr. u institucionalnom repozitorijumu ili na svojim internet stranicama) pre i tokom postupka prijave priloga, s obzirom da takav postupak može voditi produktivnoj razmeni ideja i ranijoj i većoj citiranosti objavljenog rada (up. Efekat otvorenog pristupa).