پایان نامه رشته کامپیوتر – دستهبندی سیگنال‌های EEG مبتنی بر شبکه‌های عصبی گراف
موضوع: علوم کامپیوتر، هوش مصنوعی
دریافت بخشی از پایان نامه
چکیده
پایان نامه کامپیوتر – سیستم‌های واسط بین مغز و کامپیوتر به منظور بهبود زندگی افراد ناتوان جسمی به وجود آمده‌اند. این سیستم‌ها معمولا از طریق دریافت پتانسیل‌های الکتریکی مغز می‌توانند انجام کاری را تشخیص دهند. معمولترین شیوه در این سیستم‌ها، بکارگیری سیگنال‌های الکتروانسفالوگرافی یا به اختصار EEG می‌باشد. این سیگنال‌ها به صورت غیر تهاجمی و از روی پوست سر دریافت می‌شوند به همین علت رزلوشن مکانی کم و سیگنال به نویز پایینی دارند. در این پژوهش برای دستهبندی سیگنال‌های EEG تصور حرکتی از شبکه‌های عصبی گراف بهره می‌جوییم. گراف ابزار مناسبی برای تحلیل سیستم‌های پیچیده می‌باشد و شبکه‌های عصبی گراف به تازگی برای این نوع داده‌ها معرفی شده است. معیاری که در این پژوهش برای تعیین ماتریس اتصال از روی سیگنال الکتروانسفالوگرافی در نظر می‌گیریم شاخص تاخیر فاز است. این روش در علوم اعصاب برای تعیین ارتباط عملکردی سیگنال‌های EEG استفاده می‌شود. بردار ویژگی توسط یک شبکه عصبی خود کدگذار به دست آورده می‌شود. سپس با به کارگیری همبسته‌گیر در ساختار پیشنهادی شبکه عصبی گراف با سیگنال به نویز پایین سیگنال‌های EEG مقابله می‌شود. بکارگیری همبسته‌گیر منجر به افزایش کارایی سیستم دستهبندی پیشنهادی در مقایسه با روش‌های Attention-based graph ResNet و Attention-based BiLSTM-GCN می‌شود. روش پیشنهادی ما (CSMGCN-CAE) در این پژوهش نسبت به روش EEGNet در تشخیص صحیح فعالیت حدود 3 درصد بهتر عمل می‌کند و نیز در شرایط نویزی مقاومت بیشتری نسبت به این روش دارد.
یادگیری عمیق یک شاخه نسبتا جدید در یادگیری ماشین می‌باشد که در کاربردهای بسیاری نسبت به سایر الگوریتم‌های یادگیری نتایج بهتر و امیدوارکننده‌ای دارد. الگوریتم‌های مربوط به یادگیری عمیق به دلیل داشتن ساختار سلسه مراتبی، قابلیت بالایی در دستهبندی داده‌ها دارند. هم‌چنین ساختارهای عمیق می‌توانند ارائه جامع‌تری از توابع در مقایسه با ساختارهای سطحی فراهم کنند. در حال حاضر یادگیری عمیق در زمینه‌های بسیاری از جمله بینایی ماشین، تشخیص صدا، پردازش زبان طبیعی و پردازش سیگنال کاربرد دارد. در این پایان‌نامه از یادگیری عمیق برای دستهبندی سیگنال‌های مغزی بهره گرفته می‌شود.
حالت‌های احساسی در زمینه‌های مختلف زندگی روزمره انسان‌ها تأثیر می‌گذارند. توانایی کشف و تشخیص حالات احساسی فرد در تعاملات انسان و ماشین ضروری می‌باشد تا هرچه بیشتر این تعاملات به رابطه انسان با انسان نزدیک شوند. بدین منظور از الگوریتم یادگیری عمیق برای دستهبندی سیگنال EEG در کاربرد تشخیص احساسات مورد استفاده قرار گرفته است. در روش پیشنهادی ابتدا تجزیه حالت تجربی (EMD) بر روی سیگنال EEG اعمال می‌شود. EMD سیگنال را به مجموعه‌ای از توابع حالت ذاتی (IMF) تجزیه می‌کند. انتخاب بهترین و موثرترین اجزای IMF توسط الگوریتم تجزیه مقدار منفرد (SVD) انجام می‌شود. به این منظور اجزای IMF متناظر با بیشترین مقادیر ویژه انتخاب شده، سپس بقیه اجزا حذف می‌شود.
IMFها
IMFها با استفاده از اجزا با بیشترین مقادیر ویژه بازسازی می‌شوند. بدست آوردن طیف IMF توسط تبدیل هیلبرت انجام می‌شود. در مرحله استخراج ویژگی از گشتاور طیفی که از طیف IMF استخراج می‌شود به عنوان ویژگی استفاده می‌شود. سپس تعداد ویژگی‌ها با روش مبتنی بر وابستگی آماری کاهش پیدا می‌کند. در نهایت از نوعی شبکه باور عمیق که واحد سازنده آن ماشین بولتزمن محدود می‌باشد به منظور دستهبندی سیگنال به احساسات مختلف بر اساس مدل‌های دوبعدی در فضای valence و arousal استفاده شده است.در این تحقیق از پایگاه داده DEAP جهت ارزیابی عملکرد الگوریتم پیشنهادی استفاده شده است. روش پیشنهادی در مقایسه با روش‌های دیگر که از این پایگاه داده استفاده کرده‌اند، بهبود قابل توجهی داشته است. نتایج حاصل از دستهبندی هر کدام از معیارهای valence و arousal به سه دسته به ترتیب 60/52 و 67/36 درصد می‌باشد.
کلمات کلیدی
یادگیری عمیق/Deep learning – دسته بندی سیگنال eeg – تشخیص احساس – الکترومغزنگاری/Electroencephalography – الگوریتم یادگیری/learning algorithm – قلب نگاری/Electrocardiography – بازشناسی تصویر/image recognition – تجزیه مقدار منفرد/Singular value decomposition
پایان نامه کامپیوتر
پروَژه هوش مضنوعی
فصل 1 مقدمه 1
1 – 1 یادگیری عمیق 2
1 – 2 انگیزه استفاده از یادگیری عمیق 4
1 – 2 – 1 انگیزه‌های بیولوژیکی 4
1 – 2 – 2 توان محاسباتی 4
1 – 2 – 3 توان پردازش حجم زیاد داده‌ها 5
1 – 3 کاربردهای یادگیری عمیق در دنیای واقعی 5
1 – 4 تعریف و هدف پایان‌نامه 8
1 – 5 ساختار پایان‌نامه 9
فصل 2 یادگیری عمیق و احساسات 11
2 – 1 مفاهیم یادگیری عمیق 12
2 – 1 – 1 شبکه عصبی مصنوعی 12
2 – 1 – 2 مدل‌های بر مبنای انرژی شبکه‌های عصبی 14
2 – 1 – 3 مدل‌های شرطی بر مبنای انرژی 16
2 – 1 – 4 نمونه‌برداری گیبز 16
2 – 1 – 5 ماشین بولتزمن محدود (RBM) 17
2 – 1 – 6 همگرایی متقابل 21
2 – 1 – 7 شبکه باور عمیق 24
2 – 1 – 8 شبکه عصبی عمیق 25
2 – 2 مقدمه‌ای بر احساسات 28
2 – 2 – 1 هوش احساسی و تعامل انسان و ماشین 29
2 – 2 – 2 محاسبه‌های احساسی 30
2 – 2 – 3 کاربردهای سیستم‌های بر پایه احساسات 31
2 – 2 – 4 تعریف احساسات 34
2 – 2 – 5 تعریف اجزا 36
2 – 2 – 6 مدل کردن احساسات 36
2 – 2 – 7 چالش‌های فنی 40
فصل 3 دانش پیش‌زمینه و کارهای گذشته 45
3 – 1 مغز انسان 46
3 – 1 – 1 ساختار مغز و فعالیت‌های آن‌ها 47
3 – 1 – 2 فیزیولوژی عصبی مغز انسان 49
3 – 1 – 3 الکتروانسفالوگرافی 50
3 – 2 مروری بر دستهبندی سیگنال EEG 55
3 – 2 – 1 تشخیص احساس با دستهبندی سیگنال EEG 56
3 – 2 – 2 الگوریتم یادگیری عمیق در دستهبندی احساسات 63
فصل 4 روش پیشنهادی 65
4 – 1 معرفی پایگاه داده‌های موجود 66
4 – 1 – 1 IAPS 66
4 – 1 – 2 IADS 68
4 – 1 – 3 eNTERFACE 2005 69
4 -1 – 4 MAHNOB-HCI 69
4 – 1 – 5 DEAP 70
4 – 2 نحوه دستهبندی احساسات در روش پیشنهادی 72
4 – 1 روش پیشنهادی 74
4 – 2 استخراج ویژگی 76
4 – 2 – 1 تجزیه حالت تجربی (EMD) 77
4 – 2 – 2 تجزیه مقدار منفرد(SVD): 82
4 – 2 – 3 گشتاور طیفی 83
4 – 3 کاهش ویژگی 85
4 – 3 – 1 وابستگی آماری (SD) بین ویژگی‌ها و برچسب‌ها 86
4 – 4 دستهبندی با شبکه عصبی عمیق 87
فصل 5 آزمایش‌ها و نتایج 91
5 – 1 اعتبار سنجی متقابل 92
5 – 2 نرخ صحت 93
5 – 3 پیاده‌سازی روش پیشنهادی 94
5 – 3 – 1 تنظیم پارامترهای اولیه شبکه DNN 96
5 – 4 نتایج روش پیشنهادی در دستهبندی 3 کلاسه 98
5 – 5 انتخاب کانال‌ها 98
5 – 6 ارزیابی روش با اعمال روش‌های کاهش ویژگی مختلف 99
5 – 7 ارزیابی روش با استفاده از ویژگی‌های مختلف 102
5 – 8 ارزیابی روش با استفاده از دیگر دسته‌بندها 106
5 – 9 مقایسه روش با کارهای دیگر انجام شده در DEAP 109
فصل 6 نتیجه‌گیری 111
6 – 1 کلیات پایان‌نامه 112
6 – 2 نتیجه‌گیری و پیشنهاد‌ها 113
مراجع: 115
خرید پایان نامه های مختلف از مدرسان امیرکبیر
