ขอเสนอโครงงานวศวกรรมไฟฟา วชา 2102490 ปการศกษา 2562

การเปรยบเทยบวธการกำจดสญญาณรบกวนในสญญาณคลนไฟฟาสมองA comparison of EEG artifact removal methods

นายธนกฤต แสนเจรญกจ ID 5930218721อาจารยทปรกษา ผศ.ดร. จตโกมท สงศร

ภาควชาวศวกรรมไฟฟา คณะวศวกรรมศาสตรจฬาลงกรณมหาวทยาลย

สารบญ1 บทนำ 2

2 วตถประสงคของโครงงาน 4

3 หลกการและทฤษฎทเกยวของ 43.1 การตรวจจบบรเวณทมสญญาณรบกวน . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.1.1 การแยกหาคณลกษณะเฉพาะ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63.1.2 การจดการขอมลกอนการประมวลผล . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63.1.3 แบบจำลองสำหรบตรวจจบบรเวณทมสญญาณรบกวน . . . . . . . . . . . . . . . . . . . . . . 7

3.2 การกำจดสญญาณรบกวนในบรเวณทตรวจจบได . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93.3 การประเมนประสทธภาพของวธการกำจดสญญาณรบกวน . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 ผลลพธจากการดำเนนการ 11

5 รายละเอยดของหวขอโครงงาน 135.1 ขอบเขตของโครงงาน . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135.2 แผนการดำเนนการ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145.3 อปสรรคและปญหาทพบ และการแกไข . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

6 เอกสารอางอง 15

1

1 บทนำElectroencephalography (EEG) เปนเทคนคการบนทกสญญาณคลนไฟฟาสมองทมการนำไปประยกตใชอยางแพรหลายโดยเฉพาะการศกษาทางคลนก การทดลองในหองทดลอง การดแลสขภาพผปวย การวนจฉยโรค และ brain-computer interfaces (BCI) ขอไดเปรยบของเทคนคนคอมคาใชจายทไมสงเกนไป อยางไรกตาม ปญหาทพบในการบนทกสญญาณคอ การรบกวนอยางมนยสำคญจากแหลงสญญาณอน ๆ ทไมไดมาจากสมอง เชน สญญาณรบกวนทเกดจากการเคลอนทของตา สญญาณรบกวนทเกดจากการเคลอนทของกลามเนอ สญญาณรบกวนจากคลนไฟฟาหวใจ สญญาณรบกวนจากสงแวดลอมภายนอก ทำใหการวนจฉยโรคมความผดพลาดได ใน BCI สญญาณรบกวนอาจสงผลใหเกดการตความทผดพลาดทำใหเกดการควบคมอปกรณทไมเปนไปตามความตองการ [2] ดงนนการตรวจจบและกำจดสญญาณรบกวนจงเปนขนตอนทสำคญในการเตรยมขอมลเพอนำไปประยกตใชตอ

ในงานวจยกอนหนา วธการหลายวธถกพฒนาขนเพอกำจดสญญาณรบกวน วธหนงทเปนทนยมในการกำจดสญญาณรบกวนทเกดจากตาคอวธการถดถอย (Regression methods) วธการนเปนการประมาณสญญาณรบกวนจากสญญาณ Electrooculography (EOG) จากนนสญญาณทถกประมาณจะถกนำไปลบออกจากสญญาณคลนไฟฟาสมองเพอกำจดสญญาณรบกวน ปญหาของวธการนคอ วธการนอาจจะกำจดสญญาณสมองบางสวนออกไปดวย เนองจากในสญญาณ EOG จะมสญญาณสมองรวมอยปรมาณหนง [15] วธการทสองคอ วธการกำจดสญญาณรบกวนดวยตวกรอง ดวยวธการน ตวกรองจะกำจดสญญาณรบกวนไดอยางมประสทธภาพกตอเมอยานความถของสญญาณรบกวนและยานความถของสญญาณสมองไมซอนทบกน อยางไรกตาม ความถของสญญาณรบกวนมโอกาสซอนทบกบยานความถของสญญาณสมอง ตวกรองแบบปรบตวไดถกพฒนาสำหรบการกำจดสญญาณรบกวนทมความถซอนทบกบยานความถของสญญาณสมอง ซงจะมตวถวงนำหนกทถกปรบคาดวยคาความผดพลาดระหวางสญญาณรบกวนทถกประมาณมาจากสญญาณอางอง กบสญญาณคลนไฟฟาสมอง ตวถวงนำหนกนจะมหนาทเปนตวกรองสญญาณอางอง สญญาณอางองเมอผานตวกรองนกจะไดสญญาณทประมาณเปนสญญาณรบกวน วธการนจะทำวนซำการปรบคาตวถวงนำหนกเพอลดคาความผดพลาดระหวางสญญาณรบกวนทถกประมาณมาจากสญญาณอางองกบสญญาณคลนไฟฟาสมอง [4] อยางไรกตาม ตวกรองนยงตองการสญญาณ EOG เพอใชในการประมาณสญญาณรบกวน วธการตอมาคอ วธการวเคราะหองคประกอบอสระ (Inde-pendent component analysis, ICA) [10] ทใชกนอยางแพรหลายสำหรบการแยกองคประกอบของสญญาณออกเปนองคประกอบทเปนอสระตอกน วธหนงทใชหาเมทรกซของการแปลงสำหรบใชในการแยกองคประกอบ คอ InfoMax [6] InfoMax จะมกระบวนการหาเมทรกซของการแปลง เมอเรานำเมทรกซของการแปลงนไปทำการแปลงเชงเสนกบเมทรกซของสญญาณคลนไฟฟาสมองหลายชองสญญาณ ผลลพธทไดจะเปนการประมาณสญญาณจากแหลงสญญาณตาง ๆ ในสมอง โดย InfoMax จะพยายามลดสารสนเทศรวม (Mutual Information)ของสญญาณทไดจากผลลพธการแปลงเชงเสนนน [6] ผใชงานสามารถนำสญญาณทถกแยกเปนองคประกอบตาง ๆ ไปใชสำหรบการพจารณาวาองคประกอบนนเปนสญญาณรบกวนหรอไม แตวธการนจำเปนจะตองมผเชยวชาญเปนผระบวาองคประกอบไหนเปนองคประกอบของสญญาณรบกวน เพอจะกำจดองคประกอบนนทงออกไป สมมตฐานของวธการนคอ จำนวนขวอเลกโทรดจะตองมจำนวนมากกวาหรอเทากบจำนวนแหลงกำเนดทเปนอสระกนของสญญาณคลนไฟฟาสมอง [2] เปนเหตให วธการนไมเหมาะสมกบการนำไปประยกตใชใน BCI และอปกรณดแลสขภาพทตดอยกบรางกาย เนองจากแหลงกำเนดสญญาณคลนไฟฟาสมองมแหลงกำเนดหลายแหลงจากในสมอง แตอปกรณเหลานสวนใหญแลวจะมขวอเลกโทรดเพยงขวเดยวในอปกรณหนงชน [8]

วธการทไดกลาวไป เราจะใชวธการเหลานนกตอเมอสญญาณคลนไฟฟาสมองมหลายชองสญญาณ วธการตอไปน ผใชสามารถนำไปใชไดกบสญญาณคลนไฟฟาสมองหนงชองสญญาณ วธการหนงทใชคอ Empirical mode decomposition (EMD) เปาหมายของวธการนคอ วธการนตองการแยกสญญาณออกเปนผลรวมของฟงกชนพนฐาน ทเรยกวา intrinsic mode functions (IMFs) โดยสญญาณรบกวนและสญญาณสมองสามารถถกอธบายไดดวยฟงกชนพนฐานแตละฟงกชน [15] แตวธการนจำเปนจะตองมผเชยวชาญเปนผระบวาองคประกอบไหนเปนองคประกอบของสญญาณรบกวน เพอจะกำจดองคประกอบนนทงออกไป นกวจยพฒนาวธการนมาสำหรบ non-stationary processes ดวยเหตผลนวธการนจงเหมาะกบการนำไปใชวเคราะหสญญาณคลนไฟฟาสมอง [2] อยางไรกตาม วธนมขอเสยในขนตอนของการแยกสญญาณออกเปนผลรวมของฟงกชนพนฐานซงจะทำผาน Sifting process กระบวนการนเปนกระบวนการททำให EMD มความซบซอนในการประมวลผลขอมลทสง [2] เราพบวายงมวธกำจดสญญาณรบกวนดวยตวกรองทไมตองการสญญาณอางองอาท วธการกำจดสญญาณรบกวนดวยตวกรองสาวทซก-โกเลย (Savitzky-Golay filter) [13] วธการนจะตองระบบรเวณทมสญญาณรบกวนกอน จากนนจงทำการกำจดสญญาณรบกวนทเกดจากตาในสญญาณคลนไฟฟาสมองหนงชองสญญาณในบรเวณทพบวามสญญาณรบกวนจะถกประมาณดวยวธการถดถอยพหนาม สญญาณทไดจากการประมาณจะถกนำไปลบออกจากบรเวณทพบวามสญญาณรบกวน วธการทใชสำหรบแยกองคประกอบของสญญาณเพอนำองคประกอบนนไประบวาเปนสญญาณรบกวนหรอไมอกวธการหนงคอ วธการแปลงเวฟเลต (Wavelet transform, WT) วธการนเปนวธการทมประโยชนมากสำหรบการนำไปประยกตใชในการวเคราะหสญญาณคลนไฟฟาสมอง วธการนจะแยกสญญาณออกเปนหลายอำนาจจำแนก (Multires-olution) โดยแตละอำนาจจำแนกจะนำเสนอคณลกษณะทางกายภาพทแตกตางกน คณลกษณะทางกายภาพทไมพบในอำนาจจำแนกนง อาจพบในอกอำนาจจำแนกนง ซงมประโยชนสำหรบการใชแยกหาคณลกษณะเฉพาะของสญญาณอยางมาก [15] วธการนแตกตางกบวธวเคราะหองคประกอบอสระตรงท วธการนสามารถใชกบสญญาณคลนไฟฟาสมองหนงชองสญญาณได ทำใหมประโยชนตอการนำไปประยกตใชใน BCIและอปกรณดแลสขภาพทตดอยกบรางกาย [8] และวธการนสามารถนำไปประยกตใชกบ real-time processing ได [14] ดวยเหตผลเหลานวธการนจงถกนำไปประยกตใชเพอหาคณลกษณะเฉพาะของสญญาณสมอง ซงจะเหนไดใน [1] ในตวอยางนสญญาณคลนไฟฟาสมองในแตละชวงเวลาจะถกนำมาแปลงเวฟเลต เพอหาคณลกษณะทางกายภาพในแตละอำนาจจำแนก จากนนคณลกษณะทางกายภาพจะถกนำไปหากรอบของสญญาณดวยวธการกลำสญญาณเชงขนาด (Amplitude modulation) บนพนฐานของ Hilbert transform ตอมานกวจยจะนำกรอบ

2

ของสญญาณไปใชเปนคณลกษณะเฉพาะเพอใชในการเรยนรของเครองตอไปวธการสวนใหญทกลาวมาขางตนจำเปนจะตองมขนตอนหลก คอ จะตองมผเชยวชาญซงทำหนาทระบบรเวณหรอองคประกอบทมสญญาณ

รบกวน งานวจยอกกลมหนงจงสนใจการตรวจจบบรเวณทมสญญาณรบกวนดวยวธการอตโนมต อยางไรกตาม การระบบรเวณทมสญญาณรบกวนอตโนมตกยงตองการคา Threshold สำหรบการจำแนกบรเวณทเกดสญญาณรบกวน เพอทจะกำจดสญญาณรบกวนในบรเวณนนตอไป ทำใหวธการเรยนรของเครองเปนวธการทถกใหความสนใจในโครงงานน วธการเรยนรของเครองทถกใชในการระบบรเวณทมสญญาณรบกวนวธการหนงคอ Support vector machine (SVM) วธการนถกนำไปใชตรวจจบสญญาณรบกวน ดงตวอยางทไดเหนใน [1] การแยกคณลกษณะเฉพาะจะถกแยกดวยวธการแปลงเวฟเลตดงทไดอธบายไปแลวขางตน คณลกษณะเฉพาะจะถกนำไปใชในการเรยนรของเครอง เพอการตรวจจบการขยบนวในสญญาณคลนไฟฟาสมอง วธการทยงถกเลอกใชกนนอยคอ Random forest อยางไรกตาม วธการนมความสามารถในการเลอกคณลกษณะเฉพาะซงเปนประโยชนมากเพราะการเลอกคณลกษณะเฉพาะเปนเรองทยากสำหรบคณลกษณะเฉพาะของสญญาณรบกวนและสมองทมความซบซอน งานวจยทเลอกใชวธการนคอ [11] ในงานวจยนวธการ Random forest จะถกใชในการตรวจจบสญญาณรบกวนโดยสญญาณจะถกตดเปนชวง ๆ จากนนคณลกษณะเฉพาะจากสญญาณชวงนนจะถกคำนวณหาคาตาง ๆ อนไดแก คาขนาดสญญาณมากสดคาพลงงานในชวงความถ 0.5-50 เฮรตซ วธการตอมาคอ Convolutional neural network (CNN) เปนอกวธการหนงทไดรบความสนใจเนองจากวธนจะมระดบชนทใชสำหรบแยกคณลกษณะเฉพาะ ซงเปนขอดทจะนำไปใชกบสญญาณคลนไฟฟาสมองทมคณลกษณะเฉพาะทซบซอน การแยกคณลกษณะเฉพาะนจะอยในระดบชนของ Convolutional layer วธการนถกใชใน [9] ในการทดลองน CNN จะถกใชในการตรวจจบสญญาณรบกวนทเกดใน intracerebral EEG โดยวธการนจะสนใจสญญาณคลนไฟฟาสมองหนงชองสญญาณ สญญาณจะถกแบงเปนชวง ๆ จากนนสญญาณแตละชวงจะถกนำไปผานตวกรองแถบความถผานในชวงความถตาง ๆ ตอมาสญญาณทผานตวกรองแตละชวงความถจะถกนำไปหากรอบของสญญาณ เพอนำกรอบของสญญาณนไปเปนขอมลขาเขาของ CNN เพอการตรวจจบชวงทมสญญาณรบกวน

จากวธทศกษามาทงหมด โครงงานนจะใหความสนใจการกำจดสญญาณรบกวนทเกดจากตา เนองจากอปกรณบนทกสญญาณคลนไฟฟาสมองทมอย ตำแหนงของอเลกโทรดจะอยใกลกบดวงตา สงผลใหสญญาณรบกวนทเกดจากตามอทธพลมากกวาสญญาณรบกวนชนดอน ขอมลสญญาณคลนไฟฟาสมองจะเปนขอมลทไดจากการบนทกสญญาณคลนไฟฟาสมองหนงชองสญญาณ ในโครงงานนขอมลจะถกสงเคราะหขน วธทจะศกษาจะตองสามารถตรวจจบสญญาณรบกวนไดอตโนมต ขนตอนจะถกแบงออกเปนสองสวน 1) ขนตอนของการตรวจจบบรเวณทมสญญาณรบกวน 2) ขนตอนของการกำจดสญญาณรบกวนในบรเวณทถกตรวจจบ วธการดงตอไปนจะถกใชสำหรบการตรวจจบสญญาณรบกวน

1. Thresholding เลอกวธการนสำหรบเปนวธพนฐานเพอนำมาใชสำหรบเปรยบเทยบประสทธภาพของวธการ Random forest และCNN โดยวธการ Thresholding จะใชวธการตรวจจบสญญาณรบกวนดวยการคำนวณพลงงานในยานความถ 0.5-5 เฮรตซของสญญาณในแตละชวงเวลา ถาบรเวณไหนมพลงงานทสงกวาคาคาหนงบรเวณนนจะเปนบรเวณสญญาณรบกวน

2. Random Forest เลอกวธการนเพราะวธการนมความสามารถในการเลอกคณลกษณะเฉพาะ วธการนถกใชใน [11] และถกนำไปเปรยบเทยบประสทธภาพกบวธ Fasst [16] ผลลพธทไดวธการ Random forest ใหประสทธภาพทสงกวา และงานวจยเกยวกบการตรวจจบสญญาณรบกวนในสญญาณคลนไฟฟาสมองยงไมมหลกฐานยนยนวาวธการใดดทสด ในโครงงานนจงอยากทดลองวธการทยงมผทดลองนอย

3. CNN เลอกวธการนเนองจากเปนวธการทมความสามารถในการแยกคณลกษณะเฉพาะของขอมลได และยงมงานวจยจำนวนนอยทใชวธการนในการตรวจจบสญญาณรบกวนหนงชองสญญาณ และยงมการนำวธการนไปใชกบการตรวจจบสญญาณรบกวนใน Intracere-bral EEG [9] แลวใหผลลพธทด ผศกษาจงอยากนำวธการนมาประยกตใชกบการตรวจจบสญญาณรบกวนใน EEGทงสามวธเปนวธการตรวจจบบรเวณทมสญญาณรบกวน ตอมาเมอวธการตาง ๆ สามารถตรวจจบบรเวณทมสญญาณรบกวนไดแลวเราจะตองทำการกำจดสญญาณรบกวนในบรเวณนน ตวกรองสาวทซก-โกเลยจะถกใชสำหรบกำจดสญญาณรบกวนในบรเวณทตรวจจบไดวามสญญาณรบกวน ดงทมใชใน [13] และขอดของตวกรองนคอสามารถใชไดกบสญญาณคลนไฟฟาสมองหนงชองสญญาณ

โครงงานฉบบน จะศกษาวธการตรวจจบและกำจดสญญาณรบกวนทเกดจากตา ทเกดขนในการบนทกสญญาณคลนไฟฟาสมองหนงชองสญญาณ โดยโครงงานนจะทดลองบนขอมลสงเคราะห และโครงงานนมเนอหาทศกษาครอบคลมดงน 1) การศกษาคณลกษณะเฉพาะของสญญาณไฟฟาในสมองและสญญาณรบกวน 2) วธการกำจดสญญาณรบกวน 3) วธการประเมนประสทธภาพของวธการกำจดสญญาณรบกวน จากนนจะทำการทดลองเปรยบเทยบวธการกำจดสญญาณรบกวนทไดศกษานนคอวธการ Thresholding, Random forest และ CNN ตอมาจะวเคราะหผลทไดจากการเปรยบเทยบผลลพธเพอนำเสนอวธการทเหมาะสมสำหรบใชกำจดสญญาณรบกวนซงเกดขนในการบนทกสญญาณคลนไฟฟาสมองหนงชองสญญาณ

3

2 วตถประสงคของโครงงาน1. เพอศกษาวธการกำจดสญญาณรบกวนทประยกตใชไดกบการบนทกสญญาณคลนไฟฟาสมองหนงชองสญญาณ

2. เพอเปรยบเทยบผลลพธและความซบซอนในการคำนวณของวธการกำจดสญญาณรบกวนทแตกตางกน ซงมวธการกำจดสญญาณรบกวนดงตอไปน Thresholding, Random forest และ Convolutional neural network

3 หลกการและทฤษฎทเกยวของขอมลทนำมาใชกบการทดลองกำจดสญญาณรบกวนทง 3 วธ จะเปนขอมลทถกสงเคราะหขน โดยเปนขอมลทไดมาจาก [5] ซงการสงเคราะหขอมลของงานวจยนจะสงเคราะหมาจากการวดคลนไฟฟาสมองจรง ซงมอตราการสมเทากบ 200 เฮรตซ โดยจะวดจากผรวมทดลองจำนวน54 คน เวลาทวดของแตละคนทงหมด 30 วนาท และจะเปนการวดสญญาณคลนไฟฟาสมองหลายชองสญญาณ จะแบงขนตอนการวดเปน 2ขนตอน ดงน

1. ขนตอนการสงเคราะหสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน ขนตอนนสญญาณจะถกบนทกขณะปดตา และควบคมการบนทกไมใหเกดสญญาณรบกวน

2. ขนตอนการบนทกสญญาณรบกวน ขนตอนนสญญาณจะถกบนทกขณะเปดตาและสญญาณคลนไฟฟาสมองจะถกวดพรอมกบ Verti-cal Electrooculogram (VEOG) และ Horizontal Electrooculogram (HEOG) เพอใชเปนสญญาณอางองสำหรบคำนวณสมประสทธa และ b ดวยวธ linear regression โดยสมประสทธนคำนวณเพอตองการทราบวา VEOG และ HEOG สงผลตอสญญาณคลนไฟฟาสมองเทาไหร

กำหนดให y คอ สญญาณคลนไฟฟาสมองทมสญญาณรบกวน, x คอ สญญาณคลนไฟฟาสมองทไมมสญญาณรบกวนซงถกวดในขนตอนท 1, v คอ Vertical Electrooculogram, h คอ Horizontal Electrooculogram สญญาณคลนไฟฟาสมองทมสญญาณรบกวนจะถกสงเคราะห ดงสมการ

y = x+ av + bh

โครงงานของเราสนใจการวดคลนไฟฟาสมองเพยงหนงชองสญญาณ สญญาณคลนไฟฟาสมองชองสญญาณ FP1 จงถกนำมาใชในโครงงานนเพยงชองสญญาณเดยว

ขอมลทมยงมจำนวนนอย ในเทอมหนาจะศกษาวธสงเคราะหสญญาณรบกวนทเกดจากตาดวยสมการคณตศาสตรเพอนำมาใชเปนขอมลเพมเตมสำหรบแบบจำลองตาง ๆ

ขอมลจะม 2 ประเภท 1) สญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน 2) สญญาณคลนไฟฟาสมองทมสญญาณรบกวน ขอมลจะถกแบงเปน 80 เปอรเซนตสำหรบการฝกของวธการตางๆ และอก 20 เปอรเซนตสำหรบการทดสอบวธการกำจดสญญาณรบกวนวธการตางๆ ในโครงงานฉบบนการทดลองจะถกแบงเปน 2 สวน ดงน 1) การตรวจจบบรเวณทมสญญาณรบกวน 2) การกำจดสญญาณรบกวนในบรเวณทตรวจจบได ซงแสดงดง รปท 1 ในหวขอสดทาย จะอธบายวธการประเมนประสทธภาพของวธการกำจดสญญาณรบกวนทง 3 วธ

ตรวจจบบรเวณทม

สญญาณรบกวน

กำจดสญญาณ

รบกวนในบรเวณ

ทตรวจจบได

บรเวณทตรวจจบไดวา

มสญญาณรบกวน

วธการ

1.Thresholding

2.Random forest

3.CNN

วธการ

Savitzky-Golay filter

สญญาณคลนไฟฟาสมองทม

สญญาณรบกวนจากตา

สญญาณคลนไฟฟาสมองท

สญญาณรบกวนจากตาถกกำจด

รป 1: ขนตอนการกำจดสญญาณรบกวนในสญญาณคลนไฟฟาสมอง ทนำเสนอในโครงงานน

4

CNN

Thresholding

Random forest

Data

Segmentation

ขนตอน

1.นำสญญาณ 1 epoch

มาผาน filter ตางๆ 5 แบบ

2.หา envelope ของ

สญญาณทผาน filter

3.normalized envelope ของ

สญญาณ ดวย z-scoreสญญาณ ดวย z-score

Data

Pre-processing

Features

extraction

1

0

ผลลพธจากทง 3 แบบจำลอง คอ

1 เมอ epoch นนมสญญาณรบกวน

0 เมอ epoch นนไมมสญญาณรบกวน

epoch 1 epoch 3

ขอมล 1 epoch Feature ขอท 1

Feature ขอท 1,2,3

matrix 5xn

epoch 2 epoch 4epoch 5

แบงสญญาณเปน epoch

โดยแตละ epoch

จะมจำนวนจดขอมล n จด

Features

1.พลงงานของสญญาณใน

ยานความถ 0.5-5 Hz

2.Amplitude สงสด

3.Wavelet-based

envelope

แบบจำลองสำหรบตรวจจบ

บรเวณทมสญญาณรบกวน

รป 2: ขนตอนของการตรวจจบบรเวณทมสญญาณรบกวน

สญญาณใน epoch

ทพบสญญาณรบกวนสญญาณท

สญญาณรบกวนถกกำจด

Savitzky-Golay

filter-+

สญญาณทไดจากการประมาณ

สญญาณรบกวนใน epoch

รป 3: ขนตอนของการกำจดสญญาณรบกวนในบรเวณทตรวจจบได

3.1 การตรวจจบบรเวณทมสญญาณรบกวนการตรวจจบบรเวณทมสญญาณรบกวน จะมขนตอนตาง ๆ เปนไปดง รปท 2 สำหรบโครงงานนจะมแบบจำลองสำหรบตรวจจบบรเวณทมสญญาณรบกวน 3 แบบจำลอง คอ 1) Thresholding 2) Random forest และ 3) CNN แตในทกแบบจำลองจะตองมขนตอนการแบงสวนของขอมล (Data segmentation) กอนเสมอ นนคอ ขอมลจะถกนำมาแบงออกเปนทอน (epoch) โดยแตละทอนจะมจำนวนจดขอมลn จด จากนนขนตอนในการเตรยมขอมลของแตละแบบจำลองจะตางกน สำหรบแบบจำลอง Thresholding และ Random forest จะมขนตอนเหมอนกน นนคอ ขนตอนการแยกหาคณลกษณะเฉพาะ (Features extraction) สวนแบบจำลอง CNN จะเปนขนตอนการจดการขอมลกอนการประมวลผล (Data pre-processing)

5

3.1.1 การแยกหาคณลกษณะเฉพาะ

การแยกหาคณลกษณะเฉพาะของขอมลจะเปนการคำนวณบนขอมลแตละทอนของสญญาณ จะมทงหมด 3 คณลกษณะเฉพาะ1. พลงงานในยานความถ 0.5-5 เฮรตซ สญญาณในแตละทอนจะถกนำมาแปลงฟรเยไมตอเนอง ดงสมการ

X(f) =N−1∑n=0

x[n]e−j2πnf

โดยท x[n] คอ สญญาณทจะนำมาแปลงฟรเยไมตอเนอง,N คอ จำนวนจดขอมลททำการแปลงฟรเยไมตอเนอง จากนนจะนำผลลพธทไดไปหาความหนาแนนสเปกตรมกำลง ดงสมการ

S(f) = |X(f)|2

ตอมาจะนำความหนาแนนสเปกตรมกำลงไปหาพลงงานในยานความถ 0.5-5 เฮรตซ ดงสมการ

E =5∑

f=0.5

S(f)

ผลลพธทไดคอพลงงานในยานความถ 0.5-5 เฮรตซซงจะใชเปนคณลกษณะเฉพาะในการเรยนรของเครอง ทเลอกใชยานความถนเพราะวาสญญาณรบกวนจากตาจะเกดในยานความถน [7]

2. ขนาดสญญาณ (Amplitude) สงทสด

3. Wavelet-based envelope [1] สญญาณในแตละทอนจะถกนำมาแปลงเวฟเลตไมตอเนองหนงระดบชน ดง รปท 4 จากนน Ap-proximation coefficients และ Detail coefficients ทไดจากการแปลงเวฟเลต จะถกนำไปหากรอบของสญญาณ (Envelope)ดวยวธการกลำสญญาณเชงขนาด ดงสมการ

AA(k) =√cA(k)2 +H(cA(k))2 และ AD(k) =

√cD(k)2 +H(cD(k))2

โดยท cA(k) คอ Approximation coefficient ทตำแหนง k, cD(k) คอ Detail coefficient ทตำแหนง k, AA(k) คอ กรอบของสญญาณของ Approximation coefficient ทตำแหนง k,AD(k) คอ กรอบของสญญาณของ Detail coefficient ทตำแหนงk, H(y) คอ การแปลงฮลเบรทของสญญาณ y กรอบของสญญาณทไดทงสองจะถกนำไปใชเปนคณลกษณะเฉพาะของแบบจำลองRandom forest

g[n]

h[n]

Approximation coefficients

Detail coefficientsx[n]

subsampled by 2

2

2

รป 4: ขนตอนการแปลงเวฟเลตหนงระดบชน โดยท x[n] คอ สญญาณคลนไฟฟาสมองทมสญญาณรบกวน, g[n] คอ ตวกรองความถตำผาน, h[n] คอ ตวกรองความถสงผาน

3.1.2 การจดการขอมลกอนการประมวลผล

การจดการขอมลกอนการประมวลผลในหวขอนจะถกประยกตมาจากงานวจยใน [9] ซงจะมขนตอนดง รปท 5 ในขนตอนนสญญาณแตละทอนจะถกนำมาผานตวกรองทความถยานตางๆ จากนนสญญาณในยานความถตางๆจะถกนำไปหากรอบของสญญาณ ดงสมการ

Envelope = |x+ jH(x)|2

โดยท H(x) คอ การแปลงฮลเบรทของสญญาณ x จากนนกรอบของสญญาณจะถกนำไปทำนอรมลไลเซชน (Normalization) ดวย Z-Score ผลลพธทไดจะเปนเมทรกซ โดยเมทรกซแตละแถวจะเปนคา Z-score ของกรอบของสญญาณในแตละชวงความถ สำหรบเปนขอมลขาเขาของแบบจำลอง CNN โดยท n คอ จำนวนจดขอมลในแตละทอน เหตผลทตองมขนตอนนเพอแยกสญญาณออกเปนชวงความถตาง ๆของสญญาณคลนไฟฟาสมองทสำคญ และสญญาณรบกวนจากตาจะเกดในยานความถ 0.5 - 5 เฮรตซ [7] สญญาณรบกวนทเกดจากตาจะมขนาดสญญาณทสงกวาขนาดสญญาณของสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน ทำใหการหากรอบของสญญาณมประโยชนตอการตรวจจบสญญาณรบกวนทเกดจากตาเพราะกรอบของสญญาณจะแสดงถงขนาดของสญญาณ

6

Envelope

Envelope

Envelope

Envelope

Band-pass filter

25-100 Hz

Band-pass filter

10-30 Hz

Band-pass filter

4-15 Hz

Band-pass filter

0.5-5 Hz

โดย matrix แตละแถว

จะเปนคา Z-score

ของกรอบของสญญาณ

ในแตละชวงความถ

z-score

z-score

z-score

z-score

z-score

Low-pass filter

100 Hz

matrix 5xn

สญญาณ

1 epoch

รป 5: ขนตอนของการจดการขอมลกอนการประมวลผล

3.1.3 แบบจำลองสำหรบตรวจจบบรเวณทมสญญาณรบกวน

แบบจำลองสำหรบตรวจจบบรเวณทมสญญาณรบกวนในโครงงานนจะมทงหมด 3 แบบจำลอง โดยในแบบจำลองแตละหวขอจะอธบายหลกการพนฐานของแบบจำลองนนกอน จากนนจะอธบายวธการนำแบบจำลองนนไปใชกบการตรวจจบบรเวณทมสญญาณรบกวนของโครงงานนแบบจำลองทง 3 แบบจำลอง มดงน

1. Thresholdingแบบจำลองนจะมสมมตฐานสำหรบการตรวจจบบรเวณทมสญญาณรบกวนคอ ถาพลงงานของสญญาณในชวงความถ 0.5 – 5 เฮรตซในทอนใดทอนหนง มคาสงกวาคา Threshold คาหนง ทอนนนจะเปนทอนทพบสญญาณรบกวน ดง รปท 6 การหาคา Thresholdจะมหลกการดงน สญญาณคลนไฟฟาสมองทไมมสญญาณรบกวนในสวนของขอมลทแบงไวสำหรบการฝกจะถกนำมาหาคณลกษณะเฉพาะในแตละทอนตาม หวขอท 3.1.1 นนคอ พลงงานในยานความถ 0.5 - 5 เฮรตซ จากนนจะนำคาพลงงานของแตละทอนทกคามาเรยงเพอเลอกคา Threshold ซงจะเลอกคาทเปอรเซนไทลท 85, 90, หรอ 95 เพอเปนตวแทนของคาพลงงานสงสดในยานความถ0.5 - 5 เฮรตซ ของสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน และใชคาทเลอกเปนคา Threshold ทเลอกใชคาพลงงานสงสดของสญญาณคลนไฟฟาสมองขณะทไมมสญญาณรบกวนเพราะวาคาพลงงานของสญญาณรบกวนควรจะมคาสงกวาคาพลงงานสงสดของสญญาณคลนไฟฟาสมองขณะทไมมสญญาณรบกวน ถาเลอกคาทตำกวานอาจจะทำใหมการกำจดสญญาณคลนไฟฟาสมองไปดวยเมอแบบจำลองถกเลอกคา Threshold ทเหมาะสมแลว ตอไปจะเปนวธการนำแบบจำลองไปใชจรง โดยสญญาณคลนไฟฟาสมองทมสญญาณรบกวนจะถกแบงเปนทอน จากนนสญญาณในทอนนนจะถกนำไปแยกหาคณลกษณะเฉพาะตาม หวขอท 3.1.1 ซงใชเฉพาะพลงงานในยานความถ 0.5 - 5 เฮรตซ คณลกษณะเฉพาะทไดจะถกนำไปใชเปรยบเทยบกบคา Threshlod ในแบบจำลองดง รปท 6ผลลพธทไดจะเปนคา 1 สำหรบทอนทมสญญาณรบกวน และคา 0 สำหรบทอนทไมมสญญาณรบกวน

7

Feature#1 คอ คาพลงงานในยานความถ 0.5 - 5 Hz ของแตละ epoch

Feature#1

YesNo

1 คอ epoch ทมสญญาณรบกวน0 คอ epoch ทไมมสญญาณรบกวน

Feature#1 >= T

T คอ คา Threshold

รป 6: แบบจำลอง Thresholding

2. Random forestแบบจำลองนเปนแบบจำลองทพฒนามาจากแบบจำลองตนไมตดสนใจ (Decision tree) ในเบองตนหลกการของ Classification trees [3]จะมขนตอนดงน

(a) จะแบงพนทของคณลกษณะเฉพาะตางๆออกเปน J พนททไมมการซอนทบกน โดยเรยกแตละพนทยอยวาR1, R2, ..., RJ

และเรยกคณลกษณะเฉพาะตางๆวา X1, X2, ..., Xp, p คอ จำนวนคณลกษณะเฉพาะทงหมด(b) สำหรบทกๆขอมลทตกลงไปในพนท Rj กลม (Class) ของขอมลนนจะถกทำนายจากกลมของขอมลฝกทงหมดทมมากสดใน

พนท Rj นน

สำหรบในขนตอนท 1 จะแบงพนทของคณลกษณะเฉพาะตางๆออกเปนพนทยอยR1, R2, ..., RJ โดยพนทยอยทแบงนน จะทำใหคา Gini index นอยทสด โดย Gini index นยามดงสมการ

G =K∑k=1

pmk(1− pmk)

โดยท K คอ จำนวนกลมทงหมด, pmk คอ สดสวนของกลมท k ทอยในพนทท m จะเหนไดวาคา Gini index จะนอยทสดกตอเมอในพนททถกแบงมจำนวนกลมอยเพยงกลมเดยวในพนทนน ซงพนทจะถกแบงไปเรอยๆ แตในแตละครงของการแบงจะมเงอนไขทพยายามทำให Gini index มคานอยทสดจากทกลาวมาขางตน แบบจำลอง Random forest เปนการรวมแบบจำลองตนไมตดสนใจ หลาย ๆ แบบจำลอง โดยแตละแบบจำลองของแบบจำลองตนไมตดสนใจ จะสมเลอกคณลกษณะเฉพาะมาเพยงบางสวนเพอสรางแบบจำลองตนไมตดสนใจ [3] ในแตละตนไมตดสนใจกจะทำนายผลลพธออกมาเปนกลมตาง ๆ จากนนจะทำการเลอกกลมทถกทำนายจำนวนมากทสด เพอเปนผลลพธการทำนายของแบบจำลอง Random forest กระบวนการดงกลาวเปนการลดคาสหสมพนธระหวางตนไมตดสนใจตางๆในขนตอนของการฝกแบบจำลอง สญญาณทอนตาง ๆ ของขอมลสวนทแบงไวสำหรบการฝก จะถกตดปาย (label) ไววาทอนใดเปนทอนทมสญญาณรบกวนและทอนใดไมมสญญาณรบกวน จากนนจะนำคณลกษณะเฉพาะของทอนนน ซงไดจากหวขอท 3.1.1 และปายของทอนนนเปนขอมลขาเขาสำหรบฝกแบบจำลอง ผลลพธทไดจากการฝกแบบจำลองกคอแบบจำลองทสามารถตรวจจบหรอจำแนกทอนทมสญญาณรบกวนหรอไมมสญญาณรบกวนไดเมอไดแบบจำลองแลว ตอมาจะเปนวธการนำแบบจำลองไปใชจรง วธการนำไปใชจะเปนดง รปท 7 โดยสญญาณคลนไฟฟาสมองทมสญญาณรบกวนจะถกแบงเปนทอน จากนนสญญาณในทอนตาง ๆ จะถกนำไปแยกหาคณลกษณะเฉพาะตาม หวขอท 3.1.1 คณลกษณะเฉพาะทไดจะถกนำไปใชสำหรบเปนขอมลขาเขาของแบบจำลอง Random forest ผลลพธทไดจะเปนคา 1 สำหรบทอนทมสญญาณรบกวน และคา 0 สำหรบทอนทไมมสญญาณรบกวน

8

Feature#2 Feature#3Feature#1Feature#1,2,3 คอ Feature

ทไดจากหวขอท 3.1.1

1 คอ epoch ทมสญญาณรบกวน

0 คอ epoch ทไมมสญญาณรบกวน

Majority vote จาก tree ทงหมด

Feature#1 >= TYes

Yes

1

1

0

0

Yes

No

No

No

Feature#3 >= T3

1

2Feature#2 >= T

รป 7: แบบจำลอง Random forest

3. Convolutional neural networkขนตอนของการฝกแบบจำลอง สญญาณทอนตาง ๆ ของขอมลสวนทแบงไวสำหรบการฝก จะถกตดปาย ไววาทอนใดเปนทอนทมสญญาณรบกวนและทอนใดไมมสญญาณรบกวน จากนนจะนำสญญาณทอนตาง ๆ ไปทำการจดการขอมลกอนการประมวลผล ซงเปนไปตามหวขอท 3.1.2 ผลลพธทไดจะเปนเมทรกซ โดยเมทรกซแตละแถวจะเปนคา Z-score ของกรอบของสญญาณในแตละชวงความถ จากนนจะนำเมทรกซทไดและปายทคกบเมทรกซนนเปนขอมลขาเขาสำหรบฝกแบบจำลอง ผลลพธทไดจากการฝกแบบจำลองกคอแบบจำลองทสามารถตรวจจบหรอจำแนกทอนทมสญญาณรบกวนหรอไมมสญญาณรบกวนไดเมอไดแบบจำลองแลว ตอมาจะเปนวธการนำแบบจำลองไปใชจรง โดยสญญาณคลนไฟฟาสมองทมสญญาณรบกวนจะถกแบงเปนทอนจากนนสญญาณในทอนตาง ๆ จะถกนำไปทำการจดการขอมลกอนการประมวลผล ซงเปนไปตาม หวขอท 3.1.2 เมทรกซทไดจะถกนำไปใชสำหรบเปนขอมลขาเขาของแบบจำลอง CNN โดยในเลยอรแรกของแบบจำลองจะเปนคอนโวลชนเลเยอร เลเยอรนมความสำคญเพราะเปนเลเยอรทไวใชหาคณลกษณะเฉพาะของเมเทรกซขาเขา ผลลพธของแบบจำลองทไดจะเปนคา 1 สำหรบทอนทมสญญาณรบกวน และคา 0 สำหรบทอนทไมมสญญาณรบกวน

3.2 การกำจดสญญาณรบกวนในบรเวณทตรวจจบไดการกำจดสญญาณรบกวนในบรเวณทพบวามสญญาณรบกวน จะใชตวกรองสาวทซก-โกเลยสำหรบกำจดสญญาณรบกวน ซงจะเลอกพนนามอนดบท 3 สำหรบประมาณจดทสนใจ และจำนวนจดขางเคยงทจะนำมาใชประมาณจำนวน 41 จด [13] โดยจะมขนตอนการกำจดสญญาณรบกวน ดง รปท 3 ขอมลแตละจดของสญญาณในบรเวณทพบวามสญญาณรบกวนจะถกประมาณคาในแตละจด ดง สมการ (1) จากนนสญญาณทไดจากการประมาณดวยตวกรองสาวทซก-โกเลยจะถกนำไปลบออกจากบรเวณทพบวามสญญาณรบกวน ผลลพธทไดจะเปนสญญาณคลนไฟฟาสมองทสญญาณรบกวนถกกำจด

yj =

m−12∑

i= 1−m2

Ciyj+i,m− 1

2≤ j ≤ n− m− 1

2(1)

9

j

j-1

j+4

j+3

j+2

j+1

j-4

j-3

j-2

ตาราง 1: ตารางสมประสทธคอนโวลชน

โดยท yj คอ คาทถกประมาณจากจดขางเคยง, n คอ จำนวนจดของขอมลในบรเวณทพบสญญาณรบกวน j = 1, 2, ..., n,m คอ จำนวนจดขางเคยงทจะนำมาใชประมาณ yj , yj+i คอ ขอมลขางเคยงทนำมาใชประมาณ yj ,Ci คอ สมประสทธคอนโวลชน (Convolution coef-ficients) [12] โดยตวอยางคาสมประสทธคอนโวลชนสามารถดไดจาก ตารางท 1 คาสมประสทธคอนโวลชนจะมหลกการหาดงน จากคอนดบ(xj , yj) สมมตให พหนามอนดบท k คอ yj+i = a0+a1zi+a2z

2i +...+akz

ki เปนแบบจำลองของ yj+i โดยท zi = xi+j−xj

h

เมอ h = xj+1 − xj ถาจดทจะนำมาประมาณ yj มทงหมด m จด จะได i = 1−m2 , 3−m

2 , ..., 0, ..., m−32 , m−1

2 นนคอz 1−m

2= 1−m

2 , ..., z0 = 0, ..., zm−12

= m−12 และจะได y = Jθ โดยทแตละแถวของ J มสมาชก 1, zi, z

2i , ..., z

ki , y =

[yj+ 1−m2

yj+ 3−m2

... yj+m−12

]T สมประสทธ θ = [a0 a1 ... ak]T จะหาไดจากการพยายามทำใหคา ∥y − y∥2

มคานอยทสด ซงมผลเฉลยรปแบบปด (Closed form solution) คอ θ = (JTJ)−1JT y สมมตใหแถวท 1 ของ (JTJ)−1JT เทากบ[C 1−m

2... C0 ... Cm−1

2] ซงจด yj จะถกประมาณจาก yj = a0 + a1z0 + a2z

20 + ... + akz

k0 ซง z0 = 0 ดง

นน yj = a0 นนคอ yj = a0 = θ1 = C 1−m2

yj+ 1−m2

+ C 3−m2

yj+ 3−m2

+ ... + C0yj + ... + Cm−32

yj+m−32

+

Cm−12

yj+m−12

จงสรปไดวา C 1−m2

, ..., C0, ..., Cm−12

คอสมประสทธคอนโวลชน

3.3 การประเมนประสทธภาพของวธการกำจดสญญาณรบกวนกำหนดให x คอ สญญาณคลนไฟฟาสมองทมสญญาณรบกวน, x คอ สญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน, x คอ สญญาณคลนไฟฟาสมองทสญญาณรบกวนถกกำจด การประเมนประสทธภาพของวธการกำจดสญญาณรบกวนหนง ๆ จะใชดชนดงตอไปน

1. กำหนดให ρ คอ คาสมประสทธสหสมพนธระหวาง x กบ x และ ρ คอ คาสมประสทธสหสมพนธระหวาง x กบ x ดงนนเราจะใชดชนความแตกตางของสมประสทธสหสมพนธ

∆ρ = ρ− ρ

เพอแสดงวาหลงจากทสญญาณรบกวนถกกำจด ความมลกษณะรวมกนของ x กบ x มมากขนหรอนอยลง เมอเทยบกบกอนสญญาณรบกวนถกกำจด

2. คาความคลาดเคลอนกาลงสองเฉลยแบบบรรทดฐาน (Normalized mean square error, NMSE)

NMSE = 10 log10

(1M

M∑i=1

(∑Nj=1|xj−xj |2∑N

j=1|xj |2

))คาความคลาดเคลอนกาลงสองเฉลยแบบบรรทดฐานมไวใชหาความคลาดเคลอนระหวางสญญาณคลนไฟฟาสมองทสญญาณรบกวนถกกำจดกบสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน โดย N คอ จำนวนจดของขอมลทงหมด, M คอ จำนวนครงของการกำจดสญญาณรบกวนของแบบจำลองหนง

10

4 ผลลพธจากการดำเนนการผลลพธจากการดำเนนงานนเปนผลลพธทไดจากการทดลองกำจดสญญาณรบกวนดวยวธ Thresholding โดยจะมการแบงการทดลองเปน 2การทดลอง ดงน 1) แบงสญญาณคลนไฟฟาสมองทมสญญาณรบกวนใหจำนวนจดขอมลในทอนเทากบ 200 จดขอมล การแบงทอนไมมการซอนทบกน 2) แบงสญญาณคลนไฟฟาสมองทมสญญาณรบกวนใหจำนวนจดขอมลในทอนเทากบ 400 จดขอมล การแบงทอนไมมการซอนทบกน เหตผลทเลอกจำนวนจดในแตละทอนตามจำนวนดงกลาวเพราะวาสญญาณรบกวนทเกดจากตาจะเกดในยานความถ 0.5 - 5 เฮรตซและการบนทกขอมลมอตราการสมเทากบ 200 เฮรตซ ดงนนจำนวนจดในหนงทอนทครอบคลมการเกดสญญาณรบกวนหนงครงคอ 400 จดขอมล จงทำการทดลองท 400 จดขอมล และ 200 จดขอมลซงเปนความยาวทอนทแคบลง ในขนตอนแรกสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวนในสวนของขอมลทแบงไวสำหรบการฝกจะถกนำมาหาคณลกษณะเฉพาะในแตละทอนนนคอ พลงงานในยานความท 0.5 - 5เฮรตซ จากนนจะนำคาพลงงานของแตละทอนทกคามาเรยงเพอเลอกคา Threshold ซงจะเลอกคาทเปอรเซนไทลท 85, 90, หรอ 95 เพอเปนตวแทนของคาพลงงานสงสดในยานความถ 0.5 - 5 เฮรตซ ของสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน จากนนจะนำคาทเปอรเซนไทลตางๆไปพจารณาบน Receiver operating characteristic curve (ROC curve) เพอดประสทธภาพของการตรวจจบบรเวณทมสญญาณรบกวน

1. ผลลพธจากการพลอต ROC curve ดง รปท 8 จะเหนไดวาการแบงจำนวนจดขอมลในแตละทอนสงผลใหได ROC curve ทแตกตางกน การแบงสญญาณใหจำนวนจดขอมลในทอนเทากบ 200 จดขอมล ใหผลลพธทนาพอใจมากทสด โดยจะมคา True Positive Rate(TPR) ทสงกวาการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 400 จดขอมล เมอเทยบทจด False Positive Rate (FPR) เดยวกนและคา Threshold ทเปอรเซนไทลตางๆ กใหประสทธภาพทแตกตางกน โดยการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 200จดขอมล จะใหคา TPR ทสงกวา และ FPR ทตำกวาการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 400 จดขอมล เมอเทยบทเปอรเซนไทลเดยวกน

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

False Positive Rate

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Tru

e P

ositi

ve R

ate

Receiver Operating Characteristic curve

Windowlength = 200 samples/epoch (No overlap)Windowlength = 400 samples/epoch (No overlap)

85th Percentile

90th Percentile

95th Percentile

85th Percentile

90th Percentile

95th Percentile

100th Percentile

100th Percentile

รป 8: Receiver operating characteristic curve เมอ เสนสนำเงน จะไดจากการแบงสญญาณคลนไฟฟาสมองทมสญญาณรบกวนใหจำนวนจดขอมลในทอนเทากบ 200 จดขอมล การแบงทอนไมมการซอนทบกน, เสนสแดง จะไดจากการแบงสญญาณคลนไฟฟาสมองทมสญญาณรบกวนใหจำนวนจดขอมลในทอนเทากบ 400 จดขอมล การแบงทอนไมมการซอนทบกน

2. ผลลพธจากการกำจดสญญาณรบกวนของแตละการทดลองโดยใชคา Threshold คาทเปอรเซนไทลท 90 ดง รปท 9 จะเหนไดวา ใหผลลพธทใกลเคยงกน แตการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 400 จดขอมล จะมการกำจดสญญาณรบกวนในบรเวณทจรง ๆ แลวบรเวณนนไมมสญญาณรบกวน มากกวาการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 200 จดขอมล ทำใหมการคำนวณทเพมมากขนเกนความจำเปน อยางไรกตามจากผลลพธดง รปท 10 แสดงใหเหนวาการทดลองทง 2 วธ สวนใหญแลวใหผลลพธของคาความแตกตางของคาสมประสทธสหสมพนธ (∆ρ = ρ−ρ ) ทมคาเปนบวก นนคอสญญาณคลนไฟฟาสมองทถกกำจดสญญาณรบกวนมคณลกษณะทางกายภาพทคลายกบสญญาณคลนไฟฟาสมองทไมมสญญาณรบกวนมากขน แตจะเหนไดวาการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 200 จดขอมลสวนใหญแลวมคาทเปนบวกมากกวาการทดลองทแบงจำนวนจดขอมลในทอนเทากบ 400จดขอมล

11

รป 9: ตวอยางผลจากการกำจดสญญาณรบกวนดวยวธการ Thresholding ซาย) แบงจำนวนจดขอมลในทอนเทากบ 200 จดขอมล และขวา)แบงจำนวนจดขอมลในทอนเทากบ 400 จดขอมล เมอ pure EEG คอ สญญาณคลนไฟฟาสมองทไมมสญญาณรบกวน, contaminated EEGคอ สญญาณคลนไฟฟาสมองทมสญญาณรบกวน และ cleaned EEG คอ สญญาณคลนไฟฟาสมองทสญญาณรบกวนถกกำจด

Experiment#1

0 20 40

subjects

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

Diff

eren

ce o

f Cor

rela

tion

coef

ficie

nts

Experiment#2

0 20 40

subjects

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

Diff

eren

ce o

f Cor

rela

tion

coef

ficie

nts

รป 10: ความแตกตางของคาสมประสทธสหสมพนธ ( ∆ρ = ρ − ρ ) เมอ ซาย) แบงจำนวนจดขอมลในทอนเทากบ 200 จดขอมล และขวา) แบงจำนวนจดขอมลในทอนเทากบ 400 จดขอมล

จากผลการทดลองของการพลอต ROC curve การกำจดสญญาณรบกวน และความแตกตางของคาสมประสทธสหสมพนธในการทดลองตางๆ จงสรปไดวา การตรวจจบและกำจดสญญาณรบกวนดวยวธ Thresholding ใหผลลพธทนาพงพอใจ และการแบงสญญาณคลนไฟฟาสมองทมสญญาณรบกวนใหจำนวนจดขอมลในทอนเทากบ 200 จดขอมล การแบงทอนไมมการซอนทบกน ใหผลลพธทเหมาะสำหรบเปนวธหนงทนำไปใชกบการแบงสญญาณคลนไฟฟาสมองสำหรบเปนขอมลขาเขาของวธการกำจดสญญาณรบกวนวธการอน

12

5 รายละเอยดของหวขอโครงงาน5.1 ขอบเขตของโครงงาน

1. การกำจดสญญาณรบกวนจะกำจดสญญาณรบกวนทเกดจากตาเทานน อาท การเคลอนทของตา การกะพรบตา ไมสนใจสญญาณรบกวนทเกดจากกลามเนอ และสญญาณรบกวนทเกดจากสญญาณคลนไฟฟาหวใจ

2. วธการทจะศกษาสำหรบกำจดสญญาณรบกวนคอ Thresholding, Random forest และ Convolutional neural network

3. ขอมลทนำมาใชจะเปนขอมลจำลองการบนทกสญญาณจากเครองบนทกคลนไฟฟาสมองหนงชองสญญาณ และไมมการบนทกสญญาณอางองรวมดวย

4. การเปรยบเทยบของวธการกำจดสญญาณรบกวนทเกดจากตา จะทำบนขอมลสงเคราะห

5. การเปรยบเทยบประสทธภาพของการกำจดสญญาณรบกวนทเกดจากตา ผศกษาจะเปรยบเทยบดวยความแตกตางของสมประสทธสหสมพนธ และคาความคลาดเคลอนกาลงสองเฉลยแบบบรรทดฐาน ของวธการตางๆ

13

5.2 แผนการดำเนนการแผนการดำเนนการจะเปนไปตาม ตารางท 2 สเทา คอ ความกาวหนาทวางแผนไว, สดำ คอ ความกาวหนาปจจบน

ส.ค. ก.ย. ต.ค. พ.ย. ธ.ค. ม.ค. ก.พ. ม.ค. เม.ย.วชา 2102490 วชา 2102499

ขนตอนการด าเนนงาน

1. ศกษาวธการก าจดสญญาณรบกวนในคลนไฟฟาสมอง

และลกษณะเฉพาะของสญญาณคลนไฟฟาสมองและ

สญญาณรบกวน

2.เรยนรวธการ Principal component analysis และ

Independent component analysis

3. ทดลองตรวจจบสญญาณรบกวนดวยวธการ

Thresholding และก าจดสญญาณรบกวนดวย

Svitzky-Golay filter

4. ศกษาวธการก าจดสญญาณรบกวนดวยวธการเรยนรของ

เครอง

5. สรปภาพรวมโครงงาน และเลอกวธการก าจดสญญาณ

รบกวนทจะน ามาเปรยบเทยบ

6.จดท ารปเลม proposal และเตรยมตวน าเสนอ

8. ทดลองตรวจจบสญญาณรบกวนดวยแบบจ าลอง

Random forest และปรบจน Hyper parameters ของ

แบบจ าลอง

9. ทดลองตรวจจบสญญาณรบกวนดวยแบบจ าลอง CNN

และปรบเปลยน layer ของแบบจ าลอง

10. ศกษาและเปรยบเทยบ Computational complexity

ของแตละวธการ

11. สรปผลการทดลอง และจดท ารปเลมรายงาน เตรยม

ตวน าเสนอ

7. ศกษาวธการสงเคราะหสญญาณคลนไฟฟาสมอง

ตาราง 2: แผนการดำเนนการ การทำโครงงานวศวกรรม ปการศกษา 2562

14

5.3 อปสรรคและปญหาทพบ และการแกไขเนองจากขอมลทนอยเกนไปทำใหมขอมลไมเพยงพอสำหรบการฝกของแบบจำลอง Random forest และ CNN ในตอนนมฟงกชนสำหรบสงเคราะหคลนไฟฟาสมองทไมมสญญาณรบกวนแลว ในเทอมหนาจะศกษาวธสงเคราะหสญญาณรบกวนทเกดจากตา

6 เอกสารอางอง[1] WY. Hsu, CH. Lin, HJ. Hsu, PH. Chen, and IR. Chen. Wavelet-based envelope features with automatic EOG artifact

removal: Application to single-trial EEG data. Expert Systems with Applications, 39(3):2743–2749, 2012.

[2] M. K. Islam, A. Rastegarnia, and Z. Yang. Methods for artifact detection and removal from scalp EEG: A review.Neurophysiologie Clinique/Clinical Neurophysiology, 46(4-5):287–305, 2016.

[3] G. James, D. Witten, T. Hastie, and R. Tibshirani. An introduction to statistical learning. Springer, 2013.

[4] S. Kanoga and Y. Mitsukura. Review of artifact rejection methods for electroencephalographic systems. Electroen­cephalography, page 69, 2017.

[5] M. A. Klados and P. D. Bamidis. A semi-simulated EEG/EOG dataset for the comparison of EOG artifact rejectiontechniques. Data in brief, 8:1004–1006, 2016.

[6] T. Lee, M. Girolami, and T. Sejnowski. Independent component analysis using an extended infomax algorithm formixed subgaussian and supergaussian sources. Neural computation, 11(2):417–441, 1999.

[7] O. G. Lins, T. W. Picton, P. Berg, and M. Scherg. Ocular artifacts in EEG and event-related potentials I: Scalptopography. Brain topography, 6(1):51–63, 1993.

[8] J. Minguillon, M. A. Lopez-Gordo, and F. Pelayo. Trends in EEG-BCI for daily-life: Requirements for artifact removal.Biomedical Signal Processing and Control, 31:407–418, 2017.

[9] P. Nejedly, J. Cimbalnik, P. Klimes, F. Plesinger, J. Halamek, V. Kremen, I. Viscor, B. Brinkmann, M. Pail, M. Brazdil,et al. Intracerebral EEG artifact identification using convolutional neural networks. Neuroinformatics, 17(2):225–234,2019.

[10] T. Radüntz, J. Scouten, O. Hochmuth, and B. Meffert. EEG artifact elimination by extraction of ICA-componentfeatures using image processing algorithms. Journal of neuroscience methods, 243:84–93, 2015.

[11] E. Saifutdinova, D. Dudysová, L. Lhotská, V. Gerla, and M. Macaš. Artifact detection in multichannel sleep EEG usingrandom forest classifier. In 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), pages2803–2805. IEEE, 2018.

[12] A. Savitzky and M. J. Golay. Smoothing and differentiation of data by simplified least squares procedures. Analyticalchemistry, 36(8):1627–1639, 1964.

[13] D. Szibbo, A. Luo, and T. Sullivan. Removal of blink artifacts in single channel EEG. In 2012 Annual InternationalConference of the IEEE Engineering in Medicine and Biology Society, pages 3511–3514. IEEE, 2012.

[14] M. Unser and A. Aldroubi. A review of wavelets in biomedical applications. Proceedings of the IEEE, 84(4):626–638,1996.

[15] J. A. Urigüen and B. Garcia-Zapirain. EEG artifact removal—state-of-the-art and guidelines. Journal of neuralengineering, 12(3):031001, 2015.

[16] D. Coppieters’t Wallant, V. Muto, G. Gaggioni, M. Jaspar, S. L. Chellappa, C. Meyer, G. Vandewalle, P. Maquet, andC. Phillips. Automatic artifacts and arousals detection in whole-night sleep EEG recordings. Journal of neurosciencemethods, 258:124–133, 2016.

15