The application of neural network based on the parameters of EEG-signal spectrum characteristics for classification of movement, intention of movement and personal affiliation of the signal

Journal : Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna
Article : Zastosowanie sieci neuronowej opartej na parametrach charakterystyki widma sygnału EEG w celu rozróżnienia ruchu i zamiaru ruchu oraz przynależności personalnej sygnału

Authors :
Paprocka-Borowicz, M.
Katedra Fizjoterapii, Akademia Medyczna, ul. Grunwaldzka 2, 50-355 Wrocław, tel. +48 (0) 71 784 01 83, małgorzata.paprocka@am.wroc.pl,
Ciejka, E.
Wyższa Szkoła Kosmetologii i Ochrony Zdrowia w Białymstoku, ul. Krakowska 9, 15-875 Białystok; Wojewódzki Ośrodek Medycyny Pracy Centrum Profilaktyczno-Lecznicze, Zakład Rehabilitacji Leczniczej,ul. Aleksandrowska 61/63, 91-205 Łódź, +48 (0) 42 272 18, e.ciejka@wompcpl.eu,
Zalewski, P.
Katedra i Zakład Higieny i Epidemiologii Collegium Medicum im. Ludwika Rydygiera, Uniwersytet Mikołaja Kopernika w Toruniu, ul. M. Skłodowskiej-Curie 9, 85-094 Bydgoszcz,
Szyguła, R.
Katedra Aktywnych Form Turystyki i Rekreacji, Wydział Wychowania Fizycznego i Fizjoterapii, Politechnika Opolska, ul. Prószkowska 76 45-758 Opole, tel. +48 (0) 77 400 04 50, r.szygula@po.opole.pl,
Kielnar, R.
Instytut Fizjoterapii, Wydział Medyczny, Uniwersytet Rzeszowski, ul. Warszawska 26a,35-205 Rzeszów, tel. +48 (0) 17 872 19 20, kielnarrenata@o2.pl,
Boerner, E.
Katedra Fizjoterapii, Akademia Wychowania Fizycznego, ul. Paderewskiego 35, 51-617 Wrocław, tel. +48 (0) 71 347 30 90, ewa.boerner@awf.wroc.pl,
Socha, A.
Zakład Propedeutyki i Fizykodiagnostyki Stomatologicznej, Pomorska Akademia Medyczna, al. Powstańców Wlkp. 72, 70-111 Szczecin, tel. +48 (0) 91 466 16 73, zpropst@sci.pam.szczecin.pl,
Witoś, M.
Akademia Wychowania Fizycznego, Wydział Fizjoterapii, Katedra Fizjoterapii, ul Paderewskiego 32, 51-617 Wrocław, tel. +48 (0) 71 347 30 75, halina.podbielska@awf.wroc.pl,
Broniec, A.
Wydział Fizyki i Informatyki Stosowanej/Laboratorium Biocybernetyki EAiIE, Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków, tel. +48 (012) 617-38-73, broniec@novell.ftj.agh.edu.pl,
Abstract : Badanie zmian zachodzących w sygnale elektroencefalograficznym (EEG) pod wpływem zadanego bodźca wymaga założenia, że ta reakcja ma własną i powtarzalną charakterystykę, w przeciwieństwie do ciągłej, spontanicznej aktywności mózgu, która w tym kontekście może być traktowana jako addytywny szum. Na podstawie powyższego założenia podzielono otrzymane w eksperymencie próbki sygnału EEG na grupy danych, związanych z odpowiedzią mózgu na zadane bodźce. Artykuł przedstawia wyniki otrzymane po zastosowaniu prostej sieci neuronowej LVQ (learning vector quantization) do rozróżnienia otrzymanych w eksperymencie danych. Porównano dane związane z ruchem palca i z wyobrażeniem ruchu palcem oraz przeprowadzono rozróżnienie danych otrzymanych od różnych osób. Zastosowanie sieci neuronowej samoorganizującej LVQ, opartej na parametrach charakterystyki widma EEG, pozwoliło na rozróżnienie przynależności personalnej sygnału EEG pomiędzy dwiema osobami ze średnią skutecznością 87,31% oraz pomiędzy czterema osobami ze średnią skutecznością 77,39%.

The evaluation of changes within electroencephalography signal (EEG) occurred in response to stimuli, requires the assumption that this reaction has its own, repeatable characteristics compare to the continuous spontaneous brain activity, which can be treated in this context as the additive noise. Therefore, the recorded EEG signal samples, were divided into data groups connected with brain response to the stimuli. The simple neural network LVQ (learning vector quantization) was applied to evaluate recorded data. Movement of finger and voluntary intention of movement were examined. The application of simple neural network LVQ based on parameters of EEG-signal spectrum characteristics allowed for differentiation of EEG signal between two persons with the average efficiency of 87.31% and between four persons with the 77.39% accuracy.

Keywords : sygnał elektroencefalograficzny, sieć neuronowa, electroencephalography signal, neural network,
Publishing house : Indygo Zahir Media
Publication date : 2009
Number : Vol. 15, nr 3
Page : 244 – 247

Bibliography
: 1. G. Pfurtsheller, E L. da Silva: Handbook of electrcmencephalography and clinical neurophysiology, revised series, Elsevier Science B.V, 1999.
2. G. Pfurtscheller, C. Neuper: Motor imagery activates primary sensorimotor area in humans, Neurosci. Lett., vol. 239,1997, s. 65-68.
3. G. Pfurtscheller, G.R. Müller-Putz, A. Schlögl, B. Graimann, R. Scherer, R. Leeb, C. Brunner, C. Keinrath, E Lee, G. Townsend, C. Vidaurre, C. Neuper: 75 years of BCI research at Graz Unwersity of Technology: Current projects, IEEE Trans Neural Sys. Rehab. Eng., voL 14(2), 2006, s. 205-210.
4. J. R. Wolpaw, N. Birbaumer, D. McFarland, G. Pfurtscheller, T.M. Vaughan: Brain-computer interfaces for communication and control, Clinical Neurophysiology, vol. 113,2004, s. 767-791.
5. J. R. Wolpaw, D.J. McFarland: Multichannel EEG-based brain-computer communication, Electroenceph. Clin. Neurophysiol., vol. 90, 1994, s. 444-449.
6. E J. Durka: Matching Pursuit and Unification in EEG Analysis, Artech House,2007.
7. R. Tadeusiewicz: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
8. K.J. Klinowska-Cieślak: Zagadnienia cyfrowej analizy przebiegów fizjologicznych, WUW, Warszawa 1980.
9. J. Ginter: Analiza czynności elektrycznej mózgu towarzyszącej świadomym ruchom lub ich wyobrażeniu, UW, 2004.
10. A. Grabska-Barwińska: Model zmian synchronizacji czynności EEG związanych z wykonywaniem ruchu, Praca magisterska, Pracownia Fizyki Medycznej, Instytut Fizyki Doświadczalnej, Wydział Fizyki, UW, 2004.
11. J. Deng, B. He: Classification of imaginary tasks from three channels of EEG by using an artificial neural network, Dept. of Bioengineering, Illinois Univ., Chicago, IL, USA, Sept 2003.
12. M. Phothisonothai, M. Nakagawa: EEG-Based Classification of New Imagery Tasks Using Three-Layer Feedforward Neural Network Classifier for Brain-Computer Interface, J Phys Soc Jpn, vol. 75,2006, s. 104801. 1-104801.6.
13. M. Phothisonothai, M. Nakagawa: EEG-Based Classification of Motor Imagery Tasks Using Fractal Dimention and Neural Network for Brain-Computer Interface, IEICE – Transactions on Information and Systems, vol. E91-D, 2008, s. 44-53.
14. X. Liu, S. Hibino, T. Hanai, T. Imanishi, T. Shirataki, T. Ogawa, H. Honda, and T. Kobayashi: Construction of an electroencephabgram-based brain-computer interface using an artificial neural network, IEICE Trans. Inf. & Syst, vol. E86-D, 2003, s. 1879-1886.
DOI :
Qute : Paprocka-Borowicz, M. ,Ciejka, E. ,Zalewski, P. ,Szyguła, R. ,Kielnar, R. ,Boerner, E. ,Socha, A. ,Witoś, M. ,Broniec, A. ,Broniec, A. , Zastosowanie sieci neuronowej opartej na parametrach charakterystyki widma sygnału EEG w celu rozróżnienia ruchu i zamiaru ruchu oraz przynależności personalnej sygnału. Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna Vol. 15, nr 3/2009
facebook