پژوهشکده پردازش هوشمند علائم

Get Adobe Flash player

مقالات چاپ شده در مجلات داخلی و خارجی

 

1

 

“A new approach for EEG feature extraction in P300-based lie detection“

V. Abootalebi , M.H. Moradi and M.A. Khalilzadeh , computer Methods and Programs in Biomedicine 2008.

 

Abstract

P300-based Guilty Knowledge Test (GKT) has been suggested as an alternative approach for conventional polygraphy. The purpose of this study was to extend a previously introduced pattern recognition method for the ERP assessment in this application. This extension was done by the further extending the feature set and also the employing amethod for the selection of optimal features. For the evaluation of the method, several subjects went through the designed GKT paradigm and their respective brain signals were recorded. Next, a P300 detection approach based on some features and a statistical classifier was implemented. The optimal feature set was selected using a genetic algorithm from a primary feature set including some morphological, frequency and wavelet features and was used for the classification of the data. The rates of correct detection in guilty and innocent subjects were 86%, which was better than other previously used methods

 

Keywords

Psychophysiological detection of deception, Event-related potential (ERP), P300, Lie detection, Pattern recognition, Feature selection

2

 

 

”A Comparison of Methods for ERP Assessment in a P300_based GKT”

vahid abootalebi, mohammad hassan moradi & mohammad ali khalilzadeh, International Journal of Psychophysiology, vol. 62, pp. 309-320, 2006.

 

Abstract

P300-based GKT (guilty knowledge test) has been suggested as an alternative approach for conventional polygraphy. The purpose of this study is to evaluate three classifying methods for this approach and compare their performances in a lab analogue. Several subjects went through the designed GKT paradigm and their respective brain signals were recorded. For the analysis of signals, BAD (bootstrapped amplitude difference) and BCD (bootstrapped correlation difference) methods as two predefined methods alongside a new approach consisting of wavelet features and a statistical classifier were implemented. The rates of correct detection in guilty and innocent subjects were 74–80%. The results indicate the potential of P300-based GKT for detecting concealed information, although further research is required to increase its accuracy and precision and evaluating its vulnerability to countermeasures.

 

Keywords

Psychophysiological detection of deception; Event-related potential (ERP); P300; Guilty knowledge test (GKT); Lie detection; Wavelet

3

" طبقه‌بندي تک‌ثبت سيگنال‌هاي ERP به منظور آشکارسازي تحريک هدف"

امين محمديان و وحيد ابوطالبي مجلة علمي نامه پژوهشکدة پردازش هوشمند علائم.

Abstract

The purpose of this study was to design and evaluate a target stimulus detector based on detecting P300 component. First, a suitable experiment was designed base on the oddball paradigm, so that a P300 wave is generated when subjects were confronted with Target stimulus. 20 subjects went through the designedparadigm and their respective brain signals were recorded. The best detection method was selected through the implementation and evaluation of some proposed approaches on the recorded data. For the main processing block, which analyses the signal and makes a decision regarding the target or non target stimuli for each subject, the proposed classifiers were LDA(linear Discriminant analysis) and decision tree. Also the optimal feature set was selected using a genetic algorithm method from a primary feature set including Mode frequency, Mean frequency, Median frequency, Discrete Wavelet transform coefficients and some Morphologic Parameters. Finally the LDA was found as the best classifier. The final rate of correct detection of targets was 95% in the Loo (Leave One Out) method. Also the rates of correct classification of single trials were 71% for train data and 70% for test data. The best result was obtained using 18 selected features and the LDA classifier

Key Words

P300 Component, Feature selection, Genetic Algorithm, Linear Discriminant Analysis, Decision Tree, Wavelet Transform

چکیده:

هدف از اين تحقيق طراحي و ارزيابي يک آشکارساز تحريك هدف بر اساس تشخيص مولفه شناختي P300 آنها بوده است. بدين منظور ابتدا آزمايشي مناسب بر اساس الگوي oddball طراحي شد. مولفه شناخي P300  در هنگام مواجه افراد با تحريک هدف در سيگنال مغزي آنها ظاهر مي شود. سيگنالهاي مغزي  از 20 نفر مرد سالم در حين انجام آزمايش طراحي شده  ثبت گرديد. جهت پردازش چندين  روش بر روي دادگان ثبت شده پياده سازي و مورد ارزيابي قرار گرفتند تا بهترين آنها انتخاب شوند. در بلوک اصلي پردازش که به تحليل هر تک ثبت و تصميم در رابطه با هدف و غير هدف بودن آن تحريک مي پردازد،  طبقه بندي کننده هاي مورد بررسي طبقه بندي کننده تحليل تفکيک خطي و درخت تصميم بودند. پس از استخراج مجموعه ويژگيهايي چون فرکانس بيشينه، فرکانس ميانگين، فرکانس ميانه، ضرايب تبديل موجک گسسته و چندين مشخصه ريخت شناسي، مجموعه بهينه اي از ويژگيها با استفاده از جستجوي ژنتيک انتخاب شد. دقت نهايي تشخيص تحريک هدف بر اساس روش  LOO  برابر 95% و نرخ طبقه بندي صحيح تک ثبتهاي P300 دار و بدون P300 در دادگان آموزش و آزمايش به ترتيب 71% و 70% بوده است. اين نتيجه با استفاده از 18 ويژگي انتخابي الگوريتم ژنتيک و طبقه بندي کننده تفکيک پذير خطي بدست آمده است.

واژه هاي کليدي:

مولفه P300، انتخاب ويژگي، الگوريتم ژنتيك، طبقه بندي کننده تحليل تفکيک خطي، درخت تصميم، تبديل موجك

4

" آشکارسازي مؤلفه‌هاي شناختي سيگنال مغز با استفاده از ضرايب ويولت "

وحيد ابوطالبي، دكتر محمدحسن مرادي و دكتر محمدعلي خليل‌‌زاده، مجلة علمي-پژوهشي مهندسي‌پزشکي زيستي، دورة اول، شمارة اول، ص 25-46، پاييز 1383.

چكيده:

مؤلفة P300 يكي از مهم‌ترين سيگنال‌هاي الكتريكي مرتبط با فعاليت‌هاي شناختي مغز است. در اين تحقيق با استفاده از تبديل ويولت گسسته، سيگنال‌هاي تك‌ثبت گرفته‌شده از روي سر، به مؤلفه‌هاي مختلف فركانسي تجزيه گرديده و از ضرايب به‌دست‌آمده به عنوان ويژگي‌هاي مرتبط با فعاليت‌هاي شناختي مورد مطالعه استفاده شده است. بررسي ويژگي‌ها نشان مي‌دهد كه اغلب پردازش‌هاي شناختي مورد بررسي در ويژگي‌هاي مربوط به باندهاي دلتا و تتا بروز يافته‌اند و هر دستة شامل چند ويژگي‌، مربوط به يكي از زيرپردازش‌هاي درگير در طي توليد P300 هستند. هدف از اين تحقيق، به عنوان يك گام اوليه براي طراحي روشي براي دروغ‌سنجي با استفاده از امواج مغزي، پياده‌سازي سيستمي بوده كه بتواند از روي اين ويژگي‌ها، تك‌ثبت‌هاي حاوي موج P300 كه در پاسخ به تحريك هدف (Target) ظاهر مي‌شوند را از تك‌ثبت‌هاي فاقد اين موج كه در مواجهه با تحريك غيرهدف (Non_Target) توليد مي‌شوند تفكيك نمايد. براي اين منظور در مرحلة اول با استفاده از «تحليل تفكيكي قدم به قدم» (Stepwise Discriminant Analysis) يك تابع تفكيك بهينه به صورت تركيب خطي نه عدد از اين ويژگي‌ها طرح شد كه قادر است با دقت حدود 75 درصد در دادگان آموزش و 71 درصد در دادگان آزمون، تك‌ثبت‌هاي مربوط به تحريك‌هاي هدف و غيرهدف را از يكديگر جدا كند. بررسي‌هاي بيشتر نشان داد كه تنها با استفاده از سيگنال ثبت‌شده در كانال Pz نيز مي‌توان تقريباً به همين ميزان تفكيك رسيد. در مرحلة بعد براي دسته‌بندي داده‌ها از يك استراتژي يادگيري مدولار (Modular Learning Strategy) متكي به آناليز مؤلفه‌هاي اصلي و شبكه‌هاي عصبي استفاده شد. در نهايت با تعليم اين سيستم با ثبت‌هاي موجود، در بهترين وضعيت از حالات پياده‌سازي‌شده، حداكثر دقت تفكيك حدود 76 درصد روي دادگان آموزش و حدود 72 درصد روي دادگان آزمون به دست آمد.

واژه‌هاي كليدي:

سيگنال‌هاي الكتريكي مغز؛ فعاليت‌هاي شناختي؛ P300 ؛ دروغ‌سنجي؛ تبديل ويولت گسسته؛ تحليل تفكيكي خطي؛ استراتژي يادگيري مدولار

 

5

 

 

" بکارگيري تحليل زمان‌-فرکانس و ماشين‌ هميار درتشخيص خودکار مؤلّفة P300 جهت ارتباط مغز با رايانه"

سيده زهره سيدصالحي، علي مطيع نصرآبادي و وحيد ابوطالبي، مجله فصلنامه نامه پژوهشكدة پردازش هوشمند علائم

Abstract

In this study we propose a new approach to analyze data from the P300 speller paradigm using the quadratic B-‌Spline wavelet coefficients in comparing to time and frequency features sets on the event related potentials. Data set II from the BCI competition 2005 was used. Mode frequency, Mean frequency, Median frequency and some morphologic parameters ware extracted as features. Three methods were used for comparing three feature subsets, first Davies Bouldin criteria, correlation based method and classification accuracy criteria. For all criteria, best result was extracted from wavelet coefficients, at the final wavelet coefficients were used as inputs into committee machines (CM) based on LDA, MLP and SVM. This algorithm achieved an accuracy of 97.6% for train data and 94.2% for test data of subject A in target and non target detection also accuracy of 98.2% for train data and 92.8% for test data of subject B.

Keywords

P300 Component, Wavelet Transform, BCI Speller 2005 and Committee Machines

چکبده:

در اين مطالعه، به بررسي ضرايب استخراج شده توسط تبديل موجک Quadratic B-Spline، به‌عنوان يک تحليل زمان- فرکانس در مقايسه با دسته ويژگي‌هاي حوزه‌ي زمان (ضرايب AR و ويژگي‌هاي شکلي- زماني) و فرکانس (فرکانس‌هاي ميانگين، نما و ميانه) بر روي پتانسيل وابسته به‌رخداد مغزي پرداخته شده است. بررسي‌ها روي دادگان II مسابقه BCI2005 انجام شده است. مجموعه ويژگي‌ها با سه معيار مقايسه شده‌اند: معيار تفکيک‌پذيري ديويس بولدين، روش مبتني برهمبستگي و معيار درصد صحت طبقه‌بندي. با هر سه معيار بهترين نتيجه مربوط به مجموعه ضرايب تبديل موجک بود. سپس با طبقه‌بندي با يک ماشين هميار مبتني برLDA-SVM-MLP  و ضرايب تبديل موجک در مورد سوژه‌ي A در تشخيص سيگنال هدف و غيرهدف به‌طور ميانگين براي دادگان آموزش، درصد صحّت تشخيص 97.6% و براي آزمون 94.2%  به‌دست آمد. هم‌چنين در مورد سوژه‌ي B نيز نتايج عبارتند از: 98.2% در آموزش و 92.8% در آزمون.

واژه‌هاي کليدي:

مؤلّفه‌ي P300، ، تبديل موجك، BCI Speller 2005 و ماشين هميار

6

 

" طبقه‌بندي پتانسيل‌هاي وابسته به رخداد مربوط به حافظه در بازشناسي تصاوير جديد و قديم با استفاده‌از ويژگي‌هاي زمان-فرکانس "

 

ساجده رضانيا، علي مطيع نصرآبادي، وحيد ابوطالبي، مجيد قشوني- مجلة علمي نامه پژوهشکدة پردازش هوشمند علائم.

 

Abstract

 

The object of this research is development of memory assessment system, using Event Related Potentials. Our approach is using ERPs recorded on Fz, Cz and Pz electrodes. Subjects made old/new recognition judgments on new unstudied unmeaning pictures and old pictures which had been presented at study phase. Features related with memory activity in time-frequency domain were used to achieve this purpose. So that discrete wavelet transform coefficients of Event Related Potentials computed, then using mean, variance and power of specific frequency bands, 36 features on 3 channels were obtained entirely. After appropriate feature selection on single and three channels Linear discriminant analysis was done to get classification results using selected features. Finally we discriminated groups with 89.3% accuracy in test group by combination of three channels features.

 

Key words

Memory, Event Related Potentials, discrete wavelet transform, Linear Discriminant Analysis, Feature selection

 

چکیده:

 

هدف از اين تحقيق طراحي يک سيستم ارزياب حافظه با استفاده از پتانسيل‌هاي وابسته به رخداد مغزي است. به اين منظور، از دادگان پتانسيل‌هاي وابسته به رخداد ثبت شده روي سه کانال Pz،  Czو Fz استفاده شده است که در آن طي آزمايشي از افراد خواسته شده، تصاوير بي‌معنايي را که در فاز آموزش مشاهده ‌کرده اند، از تصاويري که تاکنون نديده‌اند تفکيک نمايند. جهت تحقق اين امر، از ويژگي‌هاي مرتبط با فعاليت حافظه در حوزه زمان-فرکانس استفاده‌گرديد. ضرايب تبديل موجک گسسته پتانسيل‌هاي وابسته به رخداد، محاسبه شد و سپس با استفاده از ميانگين، واريانس و انرژي ضرايب برخي باندها، مجموعا 36 ويژگي روي سه کانال به‌دست‌آمد. پس از انتخاب ويژگي‌هاي مناسب روي تک کانال‌ها و مجموع سه کانال، آناليز تفکيک خطي، جهت به دست آوردن درصد تفکيک دو گروه توسط ويژگي‌هاي منتخب انجام گرفت. سرانجام با ترکيب ويژگي‌هاي سه کانال، دادگان دو گروه با درصد درستي 3/89% در مرحله آزمون تفکيک شدند.

 

واژه‌هاي کليدي:

 
 
پتانسيل‌هاي وابسته به رخداد، تبديل موجک گسسته، آناليز تفکيک خطي