Loading...

Single Trial Event Related Potential Extraction Using Tensor Decompositions

Taghi Beyglou, Behrad | 2019

982 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 52561 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Shamsollahi, Mohammad Bagher
  7. Abstract:
  8. Event related potentials (ERPs), are potentials that arise from the occurrence of an event in the electroencephalogram signals and have very small amplitude compared to the Electroencephalogram (EEG) signal. For that reason, to access ERPs, the experiment is repeated several times under similar conditions and then the are extracted by synchronized averaging, but in this way information such as Amplitude and Delay (Lag) which reflect Mental fatigue and Task habituation of subject is disappeared. Many methods for extracting the ERP components from the EEG signals have been presented as matrices. However, due to the twodimensional information (time and space) available, resource extraction is limited. Tensors are multidimensional arrays that can provide a variety of information depending on their arrangement. So, The tensor analysis can be used to extract information from EEG signals, and to extract ERPs particularly. In following thesis, four methods are proposed for tensorization and adding new information to the matrix data. Next, two new methods, namely ETucker and ETucker2, are proposed based on Tucker decomposition and spatiotemporal filtering. Evaluation of the proposed methods has been done with use of Simulation data and Real one. In the Simulation data, the proposed methods in addition to the good performance compared to the basic methods in low noise condition, showed good performance in high noise values. In real data, BCI Competition IIDataset IIb and BCI Competition IIIDataset II were used and the proposed method (ETucker) revealed an acceptable performance compared to winners of tournaments methods
  9. Keywords:
  10. Event Related Potential (ERP) ; Tensor Decomposition ; Electroencphalogram Signal ; ETrucker 2 Method ; E Trucker Method ; Single Trial Extraction

 Digital Object List

 Bookmark

  • فهرست اشکال
  • فهرست جداول
  • مقدمه
    • هدف پژوهش
    • ساختار گزارش
  • مفاهیم پایه‌
    • مقدمه
    • سیگنال‌های الکتریکی مغز
    • استخراج ERP
    • تقسیم‌بندی ERPها
      • مؤلفه‌ی C1
      • مؤلفه‌ی P1
      • مؤلفه‌ی N100
      • مؤلفه‌ی N200
      • پتانسیل‌های کُند مغزی
      • مؤلفه‌ی P300
        • عوامل موثر بر دامنه و تأخیر P300
        • الگوی‌ Oddball در استخراج P300
        • زیرمؤلفه‌های P3a و P3b
      • پتانسیل وابسته به ‌خطا ErrP
      • مؤلفه‌ی N400
      • پتانسیل آمادگی (RP)
      • مؤلفه‌ی P600
    • جمع‌بندی
  • پیشینه‌ی پژوهش‌
    • مقدمه
    • ‎متوسط‌گیری سنکرون‏
    • ‏‎متوسط‌گیری‏ Woody
    • ‏‎ ‎فیلتر زمانی-مکانی برای‏‏ مؤلفه‌های ناهمبسته
    • ‏‎فیلتر زمانی-مکانی برای دو زیرمؤلفه‌ی همبسته
    • ‏‎فیلتر زمانی-مکانی برای چند زیرمؤلفه‌ی همبسته
    • تخمین مؤلفه با روش RIDE
    • ICAتکرارشونده (iICA)
    • ICA با مرجع زمانی (ICA-R)
    • تجزیه‌ی تانسوری PARAFAC
    • ‎تجزیه تانسوری ‏CP شیفت‌یافته (SCP)
    • جمع‌بندی
  • مفاهیم نظری‌
    • مقدمه
    • نمادگذاری
    • مفاهیم جبر تانسوری
    • تجزیه‌های تانسوری مورد استفاده
      • تجزیه‌ی CP
        • فرمولاسیون ریاضی
        • تخمین رنک و ماتریس‌های عامل
        • جداسازی منابع
      • تجزیه Tucker
        • فرمولاسیون ریاضی
        • تخمین رنک و ماتریس‌های عامل
        • جداسازی منابع
    • جمع‌بندی
  • رویکردهای پیشنهادی استخراج تک مؤلفه و زیرمؤلفه‌ها
    • مقدمه
    • رویکردهای ناموفق
      • تانسوری‌سازی بوسیله تبدیل فوریه زمان-کوتاه
      • حذف نویز بوسیله‌ تبدیل موجک و تانسوری‌سازی
      • تجزیه‌ی تانسوری CP شیفت‌یافته (SCP)
    • روش‌های پیشنهادی تانسوری‌سازی
      • تک مؤلفه‌ای
        • استفاده از آنالیز مؤلفه‌‌های اساسی PCA
        • استفاده از آنالیز مؤلفه‌‌های مستقل ICA
        • استفاده از فیلتراسیون زمانی-مکانی تک مؤلفه‌ای
      • دو زیرمؤلفه‌ای
        • استفاده از فیلتراسیون زمانی-مکانی دومؤلفه‌ای
    • تجزیه‌های تانسوریِ اصلاح شده‌ی پیشنهادی
      • تجزیه‌ی پیشنهادی ETucker
      • تجزیه پیشنهادی ETucker2
    • جمع‌بندی
  • نتایج
    • مقدمه
    • دادگان مورد استفاده
      • دادگان شبیه‌سازی شامل تک مؤلفه‌ی P300
        • شبیه‌سازی دستی با درنظر گرفتن EEG پس‌زمینه بعنوان نویز سفید
        • شبیه‌سازی دستی با مدلسازی EEG پس‌زمینه با فرآیند تصادفی AR
        • شبیه‌سازی به کمک جعبه‌ابزار Brainstorm و مدلسازی EEG با فرآیند AR
        • مقایسه روش‌های شبیه‌سازی
      • دادگان شبیه‌سازی شامل زیرمؤلفه‌های P3a و P3b
      • دادگان واقعی
        • BCI Competition III- Dataset II
        • BCI Competition II- Dataset IIb
        • پیش‌پردازش
    • معیارهای ارزیابی
      • دادگان شبیه‌سازی
      • دادگان واقعی
    • نتایج شبیه‌سازی
      • استخراج تک مؤلفه
        • آنالیز مؤلفه‌های اساسی (PCA)
        • فیلتر زمانی-مکانی تک مؤلفه‌ ناهمبسته (Li)
        • آنالیز مؤلفه‌های مستقل (ICA)
        • مقایسه روش‌های پیشنهادی استخراج تک مؤلفه
      • استخراج زیرمؤلفه‌ها
    • نتایج واقعی
    • جمع‌بندی
  • جمع‌بندی، نتیجه‌گیری و پیشنهادات
    • جمع‌بندی و نتیجه‌گیری
    • پیشنهادها
  • منابع و مراجع
...see more