Oarnă George Bogdan Fim Esm Grupa1444 [630271]

Universitatea POLITEHNICA din București
FACULTATEA DE INGINERIE MEDICALĂ

PROIECT DE DIPLOMĂ

ANALIZA EEG PENTRU DEZVOLTAREA
APLICAȚIILOR BCI

Student: [anonimizat]: Prof. Dr. Ing. G. Mihaela NEAGU

București
IULIE 2018

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

1

CUPRINS

Pag.
INTRODUCERE ………………………………. ………………………………………. ……………………. . 3
CAPITOLUL 1: BCI 4
1.1. INTERFA ȚA CREIER -MAȘINĂ (BCI) …………………………… …………………….. .
1.2. COMPONENTE BCI …………………………………………….. ………. ……………………… .
1.3. EVOLU ȚIA SISTEMELOR BCI ……………………………………… ………………………
1.4. EXEMPLE DE SISTEME ……………………………………………….. ……………………… 4
4
5
7
1.4.1. MODEL BR EVETAT ÎN 2003 ………………… ………………. ………………………
1.4.2. MODEL BREVETAT ÎN 2014 ……………………. ………….. ……………………. …
1.4.3. MODEL BREVETAT DE MICROSOFT…………………………………………. .. 7
8
8
CAPIT OLUL 2: CREIER UL 10
2.1. FIZIOLOGIA CREIER ULUI ……………………………………….. ……………………… ….
2.2. STRUCTURA NEURONULUI ………………………………………………………………..
2.3. GENERAREA BIOPOTEN ȚIALULUI …………………………….. ………………………
2.4. ENCEFALOGRAFIA …………………………………………………… ……………………… .
2.5. UNDELE CEREBRALE …………………………………………………. ……………………… . 10
11
12
14
16
CAPITOLUL 3: SEMNALE EEG 20
3.1. ACHIZI ȚIA SEMNALELOR EEG …………………………………………………………. …
3.2. DESCRIEREA DATELOR UTILIZATE ……………………………………………….. ….. 20
21
CAPITOLUL 4: PREPROCESARE 22
4.1. PREPROCESAREA SEMNALELOR EEG ……………………………………………… ..
4.2. TIPURI DE ARTEFACTE ……………………………………………………………………… ..
4.3. ELIMINAR E ARTEFACTE …………………………………………………………………… ..
4.4. ELIMINARE TREND ……………………………………………………………………………. .. 22
22
23
23
CAPITOLUL 5: METODE DE ANALIZĂ 24
5.1. METODE MORFOLOGICE PENTRU ANALIZA SEMNALELOR EEG ……..
5.1.1. FUNC ȚIA DE CORELA ȚIE…………………………………………………………… ..
5.2. METODE NEPARAMETRICE DE ESTIMARE A DENSIT ĂȚII DE PUTERE
SPECTRAL Ă……………………………………………………………………………….. ………………..
5.2.1. PERIODOGRAMA ……………………………………………………………………….. … 24
24

25
26

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

2

5.2.2. PERIODOGRAMA PRIN METODA WELCH …………………………………. .. 27
5.3. METODE PARAMETRICE DE ESTIMARE A DENSIT ĂȚII DE PUTERE
SPECTRAL Ă……………………………………………………………………….. ……………………. ..
5.3.1. TIPURI DE MODELE ……………………………………………. ……………………… .
5.3.2. METODA YUL E-WALKER …………………………………… …………………….. ..
5.3.3. METODA BURG ……………………………………………………….. ………… ……… ..
5.4. ALGORITMI ALE ȘI PENTRU A EFECTUA ANALIZA SEMNALELOR
EEG ………. ………………………………………………………………………………………………….. …
28
28
29
31

31
CAPITOLUL 6: REZULTATE ȘI DISCUȚII 34
6.1. APLICAREA METODELOR DE ANALIZ Ă ȘI INTERPRETAREA
REZULTATELOR …………….. …………………………………………………. …………………… …..
6.2. PREPROCESAREA SEMNALELOR EEG ……………………………… ………………. …
6.3. ANALIZA DENSIT ĂȚII DE PUTERE SPECTRAL Ă PENTRU SARCINILE
MOTORII …….. ………………………………………………………………………….. ………………. …..
6.4. ANALIZA DENSIT ĂȚII DE PUTERE SPECTRAL Ă PENTRU SARCINILE
COGNITIVE ………………………………………………………………… ……………………………. …
34
34

37

47
CONCLUZII ………………………………………………………………………………………………. ……… 52
BIBLIOGRAFIE …………………………………………………. ……………………………………… ……… 53
ANEXĂ …………………………………………………………………………………………………………… … 55

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

3

INTRODUCERE

În ultimii ani, interfețele creier -mașină, din engleză Brain Computer -Interfaces, au atras din ce
în ce mai mulți cercetători din diverse domenii, pornind de la medicină și oprindu -ne la
armată, interesul pentru aceste interfețe fiind dat de dorința omului de a controla obiecte,
mașini, roboți etc. prin puterea gândului, nu prin intermediul unui volan, telecomandă, telefon
sau alte dispozitive de control.
Activitatea electrică a creierului este reprezentată de semnalele electroencefalogramei (EEG).
Multe boli neurologice (epilepsie) pot fi diagnosticate prin studierea semnalelor EEG și
totodată aceste semn ale pot fi analizate pentru a se crea dispoziti ve de tip interfețe creier –
mașină ce pot ajuta persoanele cu handicap . Achiziția semnalelor EEG se realizează prin
fixarea unor electrozi pe scalpul subiectului utilizând schema standard de plasare . Cu toate
acestea, e xistă multe surse de artefacte, zgomote care influențează semnalul EEG înregistrat.
De aceea, pentru a putea crea interfețe creier -mașină, aceste artefact e trebuie eliminate, astfel
încât semnalul să reprezinte caracteristica, acțiunea specifică p entru zona cerebrală de unde a
fost înregistrat. Pe lâng ă această etapă de filtrar e, semnalele EEG trebuie să fie analizate și
clasificate pentru ca apoi să se formeze baze de date cu acestea care vor fi folosite în diverse
aplicații BCI.
În această lucra re, sunt prezentate metode de analiză a semnalelor EEG, cu ajutorul cărora se
încearcă identificarea canalelor care conțin semnal EEG specific e anumitor activități , în
special pentru activități ce implică zona cortexului central, zona motorie.
În continua re sunt descrise, explicate conceptul de BCI, producerea de impuls electric la
nivelul neuronilor, modul de achiziție, respectiv encefalograma, și metodele de analiză
împreună cu rezultatele și concluziile obținute.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

4

CAPITOLUL 1 : BCI

1.1. INTERFA ȚA CREIER -MAȘINA (BCI)
O Interfață Creier -Mașină (Brain Computer -Interface) reprezintă un sistem de co municare
care permite unui om să trimită comenzi, să controleze, un dis pozitiv de tip electronic, precum
un calculator s au o protez ă de membru, prin acț iunea volun tară a creierului, prin g ând [1][2].
Pe scurt, un sistem BCI, const ă în preluarea semnalelor electrice ale creierului , biopotențiale,
și transmiterea lor la un dispozitiv extern, pentru a avea loc controlul acestuia.
De-a lungul timpului, începâ nd cu anii 1970, c ând profesorul Jaques Vidal, de la Universitatea
Californ ia, Los Angeles, a implementat ș i a dat denumirea primei idei de BCI, au fost
dezvoltate numeroase interfețe creier -mașină cu diverse î ntrebuin țări. Primele utilizări ale BCI
au fost în aplica ții pentru controlul neuronal al protezelor.
Scopul principal pentru dezvoltarea BCI este acela de a permite reabilitatea persoanelor ce
suferă de anumite afecțiuni de tip neuronal. Afecț iuni care conduc la incapacit ate din punct de
vedere al funcț iei moto rii a corpului uman . Așadar, se dorește preluarea funcț iei
organului/membrului afectat de că tre o component ă hardware care înlocuieș te func ția motorie ,
dar controlul este efectuat tot de către creier.

1.2. COMPONENTELE BCI
Pentru a putea înț elege informația tr ansmisă de către creier prin semnalele electrice este
necesară con struirea unui sistem de tip buc lă închisă cu componente hardware și software care
să facă achiziția semnalului, decodarea și clasificarea sa și aplicarea acțiunii pe care a
decodat -o și cla sificat -o.
Un astfel de sistem este de obicei compus din 4 elemente. În figura 1. 2.1. este o reprezentare
schematică a unui posibil sistem BCI.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

5

Figura 1.2 .1: Schema componentelor BCI

Prima componentă este reprezentată de blocul de a chiziție al semnalului EEG, pentru achiziția
semnalului EEG se folosesc sisteme speciale c are folosesc căști cu electrozi sau electrozi de
tip implantabil, a doua component ă este cea software, în care semnalul este procesat, analizat,
se extrag caracterist ici, se fac clasificări, practic în partea software se încearcă traducerea
semnalului electric provenit de la creier . Cea de -a treia component ă este reprezentată de
partea oarecum activ ă, este o component ă hardware care primește comand ă, care provine din
blocul de procesare. Ultima componentă este reprezentată de protocolul de operare, care
reprezint ă maniera în care sistemul BCI , cuprinzând și celela lte blocuri menționate anterior, se
comportă, este modul prin care tehnicianul, cel care supravheghează func ționarea sistemului
BCI poate controla totalitatea proceselor ce au loc [3].

1.3. EVOLUȚIA SISTEMELOR BCI

Anul 1924 este poate unul din tre cei mai importanți ani pentru neuroști ință, deoarece
psihiatrul de origine german ă Hans Berger pune baz ele, descoperă t ehnica de înregistrare a
activității cerebrale, electroencefalografia , făcând prima înregistrare a activității cerebrale
(EEG) . Astfel de la această invenție pornește și premisa că prin înregistrarea și prelucrarea
activității cerebrale putem crea noi cana le de comunicare, de la creier la “mașină”. Protocol de operare
Achiziția
semnalului
EEG Dispozitiv/Soft
care efectuează
acțiunea Extragere caracteristici +
Clasificare Procesare

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

6

Prima înregistrare a lui Berger a fost făcută cu un dispozitiv rudimentar, electrozii fiind făcuți
din folie de argint și atașați de scalpul pacientului. Rezultatele au fost dez amăgitoare, dar au
reprezentat un s ucces din punct de vedere al evoluției studierii activității cerebrale. În timp, au
fost dezvoltate metode mai competente pentru efectuarea înregistrărilor undelor cerebrale,
precum galvanometru cu bobina dubl ă al Siemens, primul aparat care a înregistrat cu succes
undele cerebrale, deoarece putea înregistra diferențe de zeci de mii de volți.
Primul prototip de interfață creier -mașină a fost creat de către profesorul Jacques Vidal de la
Universitatea California, Los Angeles, care este și cel care a înrămat denumir ea de interfață
creier -mașină ( BCI) [4].
După cercetările profesorului Vidal o perioad ă nu au existat progrese semnificative, până spre
finalul anilor 1990. În prezent interesul pentru cercetarea și dezvoltarea interfețelor creier –
mașină este cresc ut, deoarece prin dorința de a se crea inteligența artificială, cercetătorii
consideră că pot utiliza, îngloba informațiile folosite de aceste interfețe în dispozitive de
inteligență artificială.
Universitatea din Minnesota, SUA, a prezentat în 2016 prima interfață creier -mașină care face
posibil ă mișcarea unui braț robotic folosind doar puterea minții. Sistemul funcționează cu
ajutorul unei c ăști cu 64 de electrozi care achiziționează semnalele emise de activitatea
electrică a creierului. Acestea sunt prel ucrate și apoi transpuse în mișcări. Ce este
impresionant, este faptul că nu a fost necesară utilizarea unor electrozi invazivi, ca în alt e
aplicații asemănătoare acesteia efectuate în trecut [5].
În anul 2017 cercetătorii de la Universitatea Stanford au r eușit să proiecteze o interfață care
permite pacienților paralizați să tasteze rapid și corect, astfel nivelul de comunicare al
pacientului a c rescut considerabil, creându -se un mod de comunicare eficient. Tehnologia
permite oamenilor cu afecțiuni ale colo anei vertebrale să tasteze cuvinte pe un computer prin
intermediul gândurilor, ajungând p ână la 39 de caractere pe minut. Pentru aceast ă aplicatie,
electrozii care înregistrează activitatea cerebrală au fost implantați pe suprafața creierului [6].

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

7

1.4. EXEM PLE DE SISTEME BCI

1.4.1. MODEL BREVETAT ÎN 2003
Modelul propune crearea un ui BCI prin folosirea de electrozi plasați î n contact direct cu
cortexul cerebral, sub craniu, adică o metod ă invazivă de preluarea a semnalelor EEG.
Modelul este o combinație de echipam ente, subansambluri, cu roluri î n înregistrarea
semnalului EEG, analiza semn alului, prelucrarea semnalului și transformarea semnalului î n
semnal de ieșire ce poate controla un alt dispozitiv.
Ideea a pornit de la faptul că semnalul EEG provenit direct de l a cort exul cerebral poate fi
folosit î n timp real pentru acționa rea altor dispozitive externe, în aplicațiile BCI, și prin faptul
că s-a descoperit că semnalele EEG înregistrate pe cortex pot oferi informații bidimensionale.
Prin aceast ă metod ă, subiecții pot controla în timp real un cursor pe un ecran astfel încât s ă
atingă o anumit ă țintă, prin identificarea frecven țelor undelor cerebrale pentru un anumit
deget, astfel cercetătorii au identificat c ă pentru degetul mijlociu frecven ța este de 80 -160 Hz,
iar pentru degetul mare frecven ța este 100 -110 Hz. Prin prinderea mâinii astfel încât subiecții
să poată efectua mi șcări doar cu cele dou ă degete, pentru fiecare deget s -a setat o mișcare,
stânga -dreapta pentru degetul mare și sus -jos pentru degetul mijlociu, iar subiecții prin
mișcarea degetelor au reușit s ă controleze cursorul p e un ecran în direcțiile dorite [7].

Figura 1. 4.1:Schema modelului propus

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

8

1.4.2. MODEL BREVETAT ÎN 2014
Acest model BCI propune folosirea unui modul prin care informațiile pr eluate prin
înregistrarea EEG să fie filtrate ș i „curățate” de informații ne -necesare aplicației BCI pentru
care se folosește.
Activitatea ne uronală a creierului este bazată pe activitate electric ă, în care se regăsește
informația necesar ă pe care o aplicație BCI o po ate utiliza. Fiecare BCI poate analiza
semnalul iar prin acest modul se extrage doar componenta necesar ă din semnal pentru
aplicația în cauz ă astfel încât s ă se poată face ș i o identificare a acțiu nii cu semnalul, astfel
încât să fie elimina tă informația c are este î n plus [8].

Figura 1. 4.2: Modelul și schema de funcționare

1.4.3. MODEL BREVETAT DE MICROSOFT
În 2017 , Microsoft a brevetat un sistem BCI prin care se poate controla sistemul de operare al
uni computer prin interpretarea undelor cerebrale corespunzătoare anumitor gesturi efectuate
de utilizator. Scopul celor de la M icrosoft este acela de a permite utilizatorilor de computere
care folosesc sistemul de operare Windows să poată controla aplicații și funcții implicite ale

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

9

sistemului prin diverse mișcări ale mâinii. În figura 1.4.3.1 . este reprezentat controlul
intensităț ii volumui sistemului prin rotirea pumnului , iar în figura 1.4.3.2. este arătat modelul
de cască folosit pentru achiziția semnalului provenit de la creier, un model nou.

Figură 1.4.3.1 : Controlul volumului sistemului prin rotirea pumnului

Figură 1.4.3 .2: Design pentru casca de achiziție a semnalului EEG

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

10

CAPITOLUL 2 : CREIER UL

2.1. FIZIOLOGIA ENCEFALULUI
Sistemul nervos central este compus din creier , situat în craniu, și din măduva s pinării care se
află în coloana vertebrală. Creierul este împ ărțit în trei zone:
A) Trunchi ul cerebral, este o extensie a m ăduvei spinării și are următoarele funcții:
– Centrul de control pentru anumite reflexe motorii;
– Centrul unor funcții viscerale;
– Punctul de legătură î ntre cortexul cerebral și măduva spinării;
Este forma t din bulb rahidian, punte, mezencefal și diencefal; diencefalul conținând unele
dintre cele mai importante zone cu rol în controlul senzorial și endocrin.
B) Cerebel ul, care împreună cu trunchiul cerebral și cortexul , asigură funcționarea
armonioasă a sistem ului muscular și controlează coordonarea muscular ă, somatic ă.
C) Telencefal ul, cea mai mare componentă a creierului , la nivelul căr uia sunt localizate
majoritatea funcțiilor conștiente.
Telencefalul conține emisferele cerebrale, acestea sunt localizate la niv elul lojei
supratentoriale, superior față de trunchiul cerebral și tentorium cerebelli. Sunt 2 emisfere
despărțite prin intermediul fisurii interemisferice, iar în porțiunea inferioară sunt unite prin
corpul calos, formix și comisura albă anterioară. La ni velul fiecă rei emisfere se pot identificat
patru lobi și anume: frontal, parietal, temporal, occipital. În figura 2.1. se poate observa
aranjarea zonelor cerebrale [9].

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

11

Figure 12.1: Reprezentarea lobilor cerebrali

2.2. STRUCTURA NEUR ONULUI
Sistemul nervos central conține peste 100 de bilioane de neuroni, prin intermediul cărora sunt
produse semnale electrice.
Forma neuronilor este variată, în funcție de zona în care sunt și de rolul pe care îl au. Se pot
clasifica după mai multe crite rii, precum:
– Clasificare în funcție de numărul de prelungiri: unip olari, pesudounipolari, bipolari ,
multipolari;
– Clasificare după funcția pe care o îndeplinesc: receptori (prin dendrite recepționează
stimulii din mediul exterior sau interior organismului), motori (axonii acestor neuroni
sunt legați la organele efectoare) și intercalari (fac legătura între neuronii receptori și
cei motori).
În continuare, în figura 2.1.1 . este prezentată structura unui neuron . Acesta este format din:
a) Corp ne uronal care conți ne: neurilema celulei nervose, nucleu și neuroplasmă cu
organite celulare comune (mitocondrii, ribozomi, reticul endoplasmatic) și organite
specifice( corpusculi Nissl) ;

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

12

b) Prelungiri de tip:
1) Dendrite – recepționează impulsul nervos și îl conduc spre corpul neuronului
2) Axon – prelungire unică, lung și gros , conține ramificații cu structuri de tip butoni
terminali, care conțin mediatori chimici, prin intermediul cărora se mediază
transmiterea influxului nervos la nivelul sinapselor.
La nivelul dendritelor influ xul nervos circulă centripet, în timp ce la nivelul axonului influxul
nervos circulă centrifug [10].

Figur a 2.2.1 : Structura neuronului [11]

2.3. GENERAREA IMPULSULUI ELECTRIC
Transferul impulsului de la un neuron la altul se realizează prin intermediul uno r joncț iuni
intercelulare specializate, denumite sinapse. In general, sinapsele sunt localizate la nivelul
dendritelor neuronale , iar în funcț ie de tip ul de neuron pot exista de la câteva sute până la
câteva sute de mii de sinapse.
Caracteristica specială a sinapselor este aceea c ă semnalu l electric circulă numai pe o direcț ie,
de la axonul neuronului precedent prin dendrite la membrana celulara a neuronilor ulteriori.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

13

Sunt două tipuri de sinapse:
a) Chimice – primul neuron secretă la nivelul sinapsei o substa nță chimică denumit ă
neurotransmi țător, care acționează asupra proteinelor recepto are din membrana
neuronului urmă tor, gener ând astfel un potențial de acț iune;
b) Electrice – spre deosebire de cele chimice, sinapsele electrice au canale, structuri
proteice tu bulare, care fac leg ătura direct ă între doi neuroni, ast fel ionii se pot plimba
liberi î n ambele directii – specific tesutului muscular cardiac.

Figura 2.3 .1: Structura sinapsei [12]

Axonul, componenta presinaptică , este separat de den drite prin intermed iul unui spaț iu de 200 –
300 A denum it fantă sinaptică . Axonu l conține vezicule cu mediator ș i mitocondrii, care atunci
când sunt eliberate î n fanta sinaptic ă, produc excitarea membranei neuronului postsinaptic sau
o pot inhiba, dacă conține receptori inhiba tori. Mitocondriile produc energie prin
descompunerea de ATP și astfel produc noi substanț e transmi țătoare. Astfel, când un potenț ial
de ac țiune a junge la componenta presinaptică, determină un număr de vezicule cu mediat or
chimic să se golească î n zona fa ntei, iar acest neurotransmitator eliberat de mitocondrii va
determina o schimbare de permeabilitate la nivelul membranei componentei postsinaptic e.
Mecanismul descris are o strânsă legătură cu ionii de calciu, prin faptul c ă la nivelul

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

14

membranei există un număr mare de can ale de ioni de calciu care se deschid la sosirea
potențialului de acț iune, astfel se determină un influx de ioni de calciu î n interioru l
componentei presinaptice. Prin influxul de ioni de calciu, se va face o leg ătură cu alț i ioni de pe
fața interioară a membranei care produc deschiderea veziculelor cu mediatori. Astfel
mediatorul v -a fi recepț ionat de componenta postsinaptica, de dendrite.
Activitatea electrică a neuronilor este manifestat ă prin generarea de potențiale de acț iune ș i de
potențiale postsinaptice. Potenț ialele postsinaptice sunt f ormate prin interacțiunea mediatorilor
proveniți de la vezicule, care determină deschiderea canalelor de sodiu din membrana
dendritică , care face c a interiorul membranei să devină mai negativ, rezult ând producerea unui
potenț ial postsinaptic excitator sau inhibitor. Aceste potenț iale sunt dependent e de cantitatea de
neurotransmiță tori, de mediatori i veziculari secretați de către componenta presinaptică .
Prin această activitate electrică, se determină apariția unor curenț i de-a lungul membrane i
celulare care produce un c âmp electric ce poate fi aproximat cu cel generat de un dipol [13].
Acest câmp electric poate fi î nregistrat cu ajutorul electrozilor plasa ți la nivelul scalpului sau
intracranian pentr u a putea studia activitatea electrică a creierului .

2.4. ELECTROENCEFALOGRAFIA. ELECTROENCEFALOGRAMA
Electroencefalografia reprezintă o tehnică de înregistrare și interpretare a activităț ii electrice a
creierului. Electroencefalograma (EEG) reprezintă înregis trarea în timp a activităț ii electrice
cerebrale.
Electroencefalografia reprezintă înregistrarea potențialelor electrice ale activității spontane a
neuronilor corticali, cu ajutorul el ectrozilor aplicați pe scalp. În trecut era o metodă de
diagnostic cu o aplicabilitate vastă . Cu timpul EEG a fost înlocuită de metodele mai
performante de diag nostic, tomografia computerizată (TC) și rezonanța magnetică (RMN). Cu
toate acestea, electroence falografia rămâne a fi utilizată pe larg, în special î n diagnosticul
epilepsiei, a encefalopatiilor, î n monitorizarea activităț ii cerebrale în timpul anesteziei și
pentru aplicații BCI deoarece oferă o conexiune direct ă între creier ș i alte dispozitive, f ață de
tomografie sau rezonan ța magnetică , care sunt metode de investiga ție de tip imagistic.
Electroencefalogra ma se realizează, de regulă, la un pacient aflat cu ochii deschi și, fiind
relaxat așezat î ntr-un fotoliu , într -o poziție comod ă sau culcat. Electrozii de argint, având

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

15

formă de discuri de 0,5 cm în diametru sunt ataș ați de scalp cu ajutorul unei substanțe adezive
și a unei paste conductive (sau doar pastă conductivă ). La o electroencefalografie standard ,
sunt aplicați 21 sau mai mulți electrozi de suprafață . Semnalele preluate de electrozi sunt
amplificate până câ nd s unt suficient de puternice pen tru a devia trasorul cu cerneală,
determinâ nd trasarea unei linii ondulată, care variază în funcție de intensitatea semnalului, pe
o hârtie care se mi șcă cu o vitez ă de 3 cm/s. De regulă , se înregistreaz ă concomitent mai multe
semna le din diferite regiuni ale bolț ii cranie ne. Traseele obținute reprezintă
electroencefalograma. Î n ultimul timp, tot mai mult se u tilizează electroencefalografia
digitală, î n care traseele sunt vizu alizate pe ecranul monitorului și stocate în forma e lectronică .
Electroencefalografia este utilizat ă în următoarele situaț ii:
• În diagnosticul epilepsiei și diferenț ierea acesteia de alte stări de natură convulsivă
(convulsiile psihogenice, sincopele, tulburările extrapiramidale ale miș cării);
• În diagnos ticul encefalopatiilo r (EEG este practic unica metodă de diagnostic a
encefalitei spongiforme subacute);
• Ca test de stabilire a morț ii cerebrale ;
• În monitorizarea și pronosticul pacienț ilor în stare de comă;
• Pentru interfețe creier -mașină ;
În figura 2.4.1 este prezentată o cască cu electrozi fo losită pentru înregistrarea EEG, iar î n
figura 2.4.2 este un model de înregistrare obținută î n urma procedurii.

Figure 2.4.1: Casca pentru EEG [13]

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

16

Figure 2.4.2: Model semnal EEG înregistrat [14]

2.5. UNDELE CERE BRALE
O electroencefalogramă normală se consideră a fi caracteriz ată prin existen ța unui ritm
dominant de aproximativ 10 Hz ș i o amplitudine medie de 20 -100 μV. Amplitudinea reflectă
numărul de neu roni care funcționează sincron ș i nu gradul de activitate a l fiecărui neuron.
Când creierul este a ctiv (starea de veghe) predomină undele de mi că amplitudine, când
creierul este inactiv (î n timpul somnului profund) p redomină undele de amplitudine mare și
frecvență mică deoarece neuronii tind să funcționeze sincron . Au fost identificate mai multe
tipuri de unde (ritmuri) cerebrale [15][16]:

I.Undele A lfa
Sunt oscilații de amplitudine mică, aproximativ 50 μV și frecvență medie, 8 -13 Hz . În mod
normal, amplitudinea lor crește ș i descrește regulat formând fusuri carac teristice (figura

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

17

2.5.1 ). Se presupune că aceste unde reflectă activitatea electrică sincronă a neuronilor din
cortexul occipital. De cele mai multe ori undele alfa indică o stare de veghe relaxată. Sub
influența activității senzoriale și î n special a exci tațiilor luminoase are loc o re acție de oprire a
undelor alfa ș i de creștere a ponderii undelor be ta. Același fenomen se produce și î n cazul unei
activități corticale, a unei stări emotive etc.

Figură 2.5.1: Unde alfa

II.Undele B eta
Se caracterizează p rintr-o frecvență de 13 -30 Hz ș i o amplitudine de 5 -30 μV (figura 2.5.2 ).
Spre deosebire de ritmul alfa, undele beta sunt foarte neregulate și semnifică o desincronizare
a activității neuronilor corticali. Undele beta reflectă activitatea n euronilor din c ortexul frontal
și parietal anterior.

Figura 2.5.2: Unde beta

III.Undele Theta
Sunt unde cu o frecven ță de 4-8 Hz și o amplitudine maxim ă de 20 μV (figura 2.5.3 ). Deși
sunt normale la copii, prezenta lor la adulții î n stare de veghe este considerată an ormală .

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

18

Figura 2.5.3: Unde theta

IV.Undele D elta
Aceste un de au cea mai mare amplitudine și o frecvență mică de maximum 4 Hz. Sunt
caracteristice fazelor de somn pro fund sau stărilor de anestezie î n care sistemul reticulat
activator ascendent este inhi bat. Prezența undelor delta la adulți, în stare de veghe semnifică
existenț a unor leziuni cereb rale. Aceste unde pot să apară î n orice derivație, neexistând practic
zone corticale de maximă incidență .

Figura 2.5.4: Unde delta
V.Undele Gamma
Au o frecvență mare î n jur de 30 -100 Hz (figura 2.5.5). Acestea se înregis trează pe
electroencefalogramă î n condiții de activitate cortical ă superioară , ca de exemplu: percepția,
rezolvarea unor probleme complicate, teamă, conștiință, etc.

Figura 2.5.5: Unde gamma

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

19

VI. Undele Mu
Au frecvenț e caracteristice undelor Alfa, dar se deosebesc prin faptul că se înregistrează î n
altă zonă cerebrală, respectiv î n zona cortexului motor și reprezintă activitatea de tip motor a
corpului uman . De obicei au frecvențe î ntre 7 -13 Hz ș i amplitudini de p ână la 10 µ V,
comparativ cu undele alfa, amplitudinea este mult mai mică . În figu ra 2.5.6 este un exemplu
de undă Mu.

Figure 2.5.6: Unda Mu

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

20

CAPITOLUL 3 : SEMNALELE EEG

3.1. ACHIZIȚ IA SEMNALULUI EEG
În eta pa de achiziție, activitatea electrică produsă la nivelul creierului este înregistrată,
adunată cu ajutorul unor senzori, electrozi de suprafață . Această reprez entare se numeș te
encefalogramă . Înregistrarea semnalului EEG se realizează cu ajutorul unor ele ctrozi Ag/AgCl
plasați pe scalpul subiectului folosind schema standard de plasare a electrozilor, sistemul
standard 10-20 [ 17] [18 ], prezentat î n Figura 3.1.1 . Locația exactă a electrozilor este
importantă pentru interpretarea și compararea rezultatelor, d in acest motiv a fost nevoie de
crearea unui standard la nivel internațional.
Standardul 10 -20 pres upune plasarea a 19 electrozi în anumite zone pe scalp ș i 2 electrozi pe
lobii urechilor (A1 și A2). Zonele scalpului sunt etichetate prin litere, ce simboli zează locația
de la frunte spre spate: Fp și F – Frontal, C – Central, P – Parietal, T – Temporal, O –
Occipital. Se folosesc și numere, pare pentru partea stângă și impare pentru partea dreapta, iar
pe centru se noteaza cu litera z în loc de numar (Fz, Cz . Pz).
De asemenea în unele cazuri se pot folosi configurații cu mai mulți electrozi, 32 de electrozi
precum înregistrările EEG ce vor fi analizate, procesate în aceasta lucrare , sau 64, 128 , în
funcție de necessitate.

Figura 3.1.1 : Sistemul Internaț ional 10-20

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

21

După poziț ionarea electrozilor, trebuie aleasă metoda de măsurat a biopotenț ialelor, care poate
fi unipolară, bipolară sau cvasi -unipolară /mediată [19]:
a) Unipolar: diferența de potențial se măsoară între fiecare electrod în parte și electrodul
de re ferință
b) Bipolară: diferența de potential se măsoară între doi electrozi plasați adiacent, metodă
prin care se obțin informații legate de diferența de potențial dintre doua zone cerebrale
c) Mediată: diferența de potențial se măsoară între un electrod și media ponderată a
potențialelor electrozilor vecini.

3.2. DESCRIEREA DATELOR UTILIZATE
Pentru realizarea obiectivelor propuse în această lucrare, am folosit un set de date din baza de
date medicale PhysioBank.
Setul de date este format din semnale înregistrare într -un interval de 4 minute, în care subiecții
au stat așezati pe un scaun, relaxați, și au avut de efectuat 3 sarcini:
1. Să își imagineze mișcarea mâinii stângi;
2. Să își imagineze mișcarea mâinii drepte;
3. Să se gândească la cuvinte care încep cu aceeași literă;
Fiecare sarcină a fost efectuată la comand ă de către subiecți, iar la fiecare 15 secunde sarcina
este schimbată aleatoriu , la comanda celui care a efectuat înregistrarea . Pentru fiecare subiect
s-au realizat trei î nregistr ări cu pauz ă de zece minute între ele.
Înregistrarea EEG a fost efectuată folosind o cască cu 32 de electrozi , plasa ți conform
sistemului interna țional 10 -20, ceea ce înseamnă că înregistrarea conține 32 de canale,
semnale pr ovenite din regiunile cerebrale. Pentru semnalul înregistrat a fost efectuat ă
eșantionare a la 512 Hz și nu a fost procesat pentru eliminarea artefactelor. Canalele care
conțin biopotențialele sunt: Fp1, AF3, F7, F3, FC1, FC5, T7, C3, CP1, CP5, P7, P3, Pz, PO3,
O1, Oz, O2, PO4, P4, P8, CP6, CP2, C4, T8, FC6, FC2, F4, F8 , AF4, Fp2, Fz, Cz.
Pentru fiecare sarcină efectuată de către subiecți s -a creat o clasă de apartenență, astfel putând
ulterior să se extragă și să se clasifice caracteristici din semnalele EEG.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

22

CAPITOLUL 4 : PREPROCESARE

4.1. PREPROCESAREA SEMNALELOR EE G
Următoarea etapă, după cea de achiziție a semnalelor EEG, este cea de procesare, de
prelucrare a semnalelor EEG, în vederea atingerii obiectivelor stabilite pentru aceast ă lucrare,
adică obținerea de vectori de caracteristici ce vor putea fi utilizați în formarea de aplica ții
BCI.
În prealabil, pentru a putea extrage caracteristicile cât mai bine, se mnalul EEG trebuie
pregătit, pașii efectuaț i pentru preg ătirea semnalelor EEG și metodele teoretice abordate vor fi
descrise la punctele 4.2 – 4.4, urmând ca apoi în capitolul 5 să fie discutate metodele teoretice,
respectiv metodele alese pentru extragerea caracteristicilor.
Primul pas constă î n îndep ărtarea artefactelor și a trendului fiecărui canal în parte al
semnalului achiziționat. Acest pas se realizeaz ă folosind funcții implicite din mediul de
programare Matlab, pentru care specificăm parametrii conform cărora se vor efectua cele 2
operații.

4.2. TIPURI DE ARTEFACTE
Semnalele EEG, deoa rece au am plitudini foarte mici, de ordinu l microvolților, sunt
susceptibile la artefacte. Aceste artefacte sau zgomote, pot fi î mpărțite în două categorii:
a) Artefacte generate de subiect:
– Semnalul ECG provenit de la activitatea electrică a inimii, semnalul EMG generat
de sistemul muscular scheleti c, semnalul EOG provenit d in miș carea ochilor,
mișcări involuntare, etc.;
b) Artefacte generate de echipament:
– Interferențe de la rețeaua de alimentare, zgomote interne provenite de la
echipamentul cu care se face achiziția semnalelor, etc.;

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

23

Eliminarea acestor artefacte se poate face din punct de ve dere hardware, dar este nevoie ș i de
algoritmi complecși de procesare pentru semnal, care să elimine artefactele, dar să nu
afecteze, să nu producă distorsiuni semnalului EEG.
4.3. ELIMINARE ARTEFACTE
Pentru eliminarea artefactelor provenit e de la rețeaua de alimentare, am ales să implementez
software, un filtru de tip notch, stop -bandă, care v -a atenua frecvența de 50 de Hz, specifică
rețelei. Acest tip de filtre pot fi reprezentate ca o combinație între filtre de tip trece -jos și
trece -sus. Funcția de transfer pentru un astfel de filtru este descrisă de ecua ția (1), unde ɯz
este frecvența care reprezintă frecvența de tăiere a filtrului , ɯp este frecvența circulară de pol
în funcție de care se determin ă tipul filtrului notch: standard ( ɯz=ɯp), trece -jos (ɯz >ɯp) sau
trece -sus (ɯz<ɯp), iar Q este factorul de calitate [20].

𝐻(𝑠)=𝑠2+ɯ𝑧2
𝑠2+ɯ𝑝
𝑄𝑠+ɯ𝑝2 (1)

Implementarea acestui filtru a fost efectuată folosind mediul de programare Matlab .

4.4. ELIMINARE TREND
Pentru a extrage corect caracteristicile din semnalele EEG, metodele de ident ificar e a
caracteristicilor trebuie a plicate pe semnale după ce elimină m trendul. Trendul sau tendința
este dată de forma generală a se mnalului, care poate fi liniară, polinomială, exponenția lă sau
logaritmică, provenită de la corelația dintre valorile semnalului în timp.
Eliminarea trendulu i se face pentru fiecare canal î n parte, prin intermediul mediului de
programare Mat lab, utilizând funcția implicită “DETREND” . Necesitatea eliminarii trendului
este observabil ă la folosirea modelelor autoregresive de extragere a vectorilor de
caracteristici, prin permiterea alegerii unui ordin mai mic al modelului [ 21].

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

24

CAPITOLUL 5 : METODE DE ANALIZ Ă

În acest capitol vor fi descr ise metodele teoretice folosite pentru analiza semnalelor pentru ca
apoi după aceast ă analiză să se poată extragă vectori de caracteristici din semnalele EEG . Am
ales să descriu mai multe metode ce pot fi implementate pe ntru a putea face o comparație î ntre
acestea și a putea alege metodele optime pentru atingerea obiectivului propus prin această
lucrare.

5.1. METODE MORFOLOGICE DE ANALIZĂ A SEMNALELOR
Metodele de corelaț ie se folosesc pentru a analiza similaritatea dintre două se mnale,
înregistrate simultan de electrozi aflați în zone diferite pe scalp. Dacă în ambele semnale este
prezent un anumit ritm, funcț ia de corelație va pune în evidenț ă acest lucru prin e xistenț a unui
semnal periodic ce are aceeași frecvenț ă cu cea a ritmu lui prezent în ambele semnale EEG.
Când a ctivitatea celor două semnale EE G prezintă caracteristici diferite, deosebirea dintre cele
două va crește atunci când unul este ca lculat față de celălalt și funcț ia de c orelaț ie va descrește
la 0.
Corelaț ia dintre semnale EEG înregistrate în zone diferite ale scalpului depinde de
conectivitatea, cuplajul funcț ional dintre părț ile corespunzătoare ale creierului. Se poate
analiza efectul simetriei (sau lipsa ecesteia) dintre cele două semnale de pe emisfere diferite la
aceeași poziție utilizând funcț ia de co relație sau densitatea spectrală de putere de interacț iune.

5.1.1. FUNCȚIA DE CORELAȚ IE
Corelația este o metodă matemat ică ce necesită două semnale, și constă î n a măsura gradul de
similaritate dintre aceste două semn ale. În continuare es te dată relația 1 care defineș te această
operație pentru două semnale x(n) și y(n):

𝑟𝑥𝑦(𝑙)=∑ 𝑥(𝑛)𝑦(𝑛−𝑙)∞
𝑛=−∞ (1)

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

25

sau
𝑟𝑥𝑦(𝑙)=∑ 𝑥(𝑛+𝑙)𝑦(𝑛)∞
𝑛=−∞ (2)

“l” reprezintă decalajul în timp, iar ordinea indicilor “xy” arată direcția pe care este aplicat
decalajul.
Atunci câ nd x(n)=y(n) se definește funcția de autocorelație rxx(l) fiind:

𝑟𝑥𝑥(𝑙)=∑ 𝑥(𝑛)𝑥(𝑛+𝑙)∞
𝑛=−∞ (4)
sau
𝑟𝑥𝑥(𝑙)=∑ 𝑥(𝑛+𝑙)𝑥(𝑛)∞
𝑛=−∞ (5)

Pentru a calcula funcția de co relație cu formula din relația (1) trebuie parcurși următorii pași:
a) Se translatează y(n) cu l unități, spre dreapta dacă l este pozitiv sau spre stânga dacă l
este negativ;
b) Se multiplică x(n) cu y(n-l);
c) Se adună toate produsele calculate la punctul anterior.

5.2. METODE NEPARAMETRICE DE ESTIMARE A DENSIT ĂȚII DE
PUTERE SPECTRAL Ă
Aceste metode r eprezint ă o abordare de tip statistic, aplicată pentru estimarea caracteristicilor
spectrale ale semnalelor atunci când nu este posibilă aplicarea directă a analizei Fourier.
Densitatea spectrală de pute re (PSD) a unui proce s aleator staționar este transformata Fourier
a funcției de autocorelație:

Γ𝑥𝑥(𝑓)=∑ 𝑦𝑥𝑥[𝑘]𝑒−𝑗2𝜋𝑓𝑘 ∞
𝑘=−∞ (1)

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

26

Func ția de autocorelație statistică este:

𝑦𝑥𝑥[𝑘]=𝐸(𝑥[𝑛+𝑘]𝑥[𝑛])=∑ 𝑥[𝑛+𝑘]𝑥[𝑛]∞
𝑛=−∞ (2)

Estimarea spectrului de putere este echivalenă cu estimarea funcției de autocorelație.

Γ𝑥𝑥(𝑓)=|𝑋(𝑓)|2 (3)

Din relaț iile (1) și (3) se observă două moduri de a calcula densitatea spectrală de putere, una
directă, în care se calculează pătratul modulului transformatei Fourier (din relația 3), și una
indirectă, în care se calculează în tâi funcția de autocorelație, iar apoi transformata Fourier (din
relația 1).

5.2.1. PERIODOGRAMA
În procesarea semnalelor, o periodogramă este o estimare a densității spectrale a unui semnal.
Este instrumentul cel mai comun pentru examinarea caracterist icilor amplitudinii vs frecvență
pentru filtrele FIR . Anali zele de spectru FFT sunt, de asemenea, implementate ca o secvență
de timp a periodogramelor.
Relațiile (4) și (5) defines c estimantul corespunzător al densității spectrale de putere, respectiv
periodograma.

𝑃𝑥𝑥(𝑓)=∑ 𝑟𝑥𝑥[𝑚]𝑁−1
𝑚=−(𝑁−1) 𝑒−𝑗2𝜋𝑓𝑚 (4)

𝑃𝑥𝑥(𝑓)=1
𝑁|𝑋𝑁(𝑓)|2 (5)

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

27

Valoarea medie a periodogramei este dat ă de relația:

𝐸[𝑃𝑥𝑥(𝑓)]=∑ (1−|𝑚|
𝑁𝑁−1
𝑚=−(𝑁−1) )𝑦𝑥𝑥[𝑚]𝑒−2𝑗𝜋𝑓𝑚 (6)

Se obse rvă că media spectrului estimat este transformata Fourier a funcției de autocorelație
înmulțită cu o fereastră triunghiulară.
Periodograma nu este un estima nt consistent al densității spectra le de putere. Spectrul estimat
suferă de efecte de netezire și scurgere spectrală, cauzate de înmulțirea cu fereastra
triunghiulară.

5.2.2. PERIODOGRAMA PRIN METODA WELCH
Periodograma prin metoda Welch se face cu ajutorul a dou ă modifică ri aplicate la metoda
anter ioară. Prima modificare constă î n posibilitatea suprapunerii segmen telor obținute din
vectorul iniț ial, iar cea de -a doua metodă constă în aplicarea unei ferestre pentru fiecare
segment.
Fie x[n] o secvență de lugime N, reprezentând semnalul EEG, vor rezul ta k segmente fiecare
de lungimea M, de forma: 𝑥𝑖[𝑛]=𝑥[𝑛+𝑖𝐷] cu n=0,1…M -1 si i=0,1…k -1.
Periodograma rezultată este:

𝑝̃𝑥𝑥(𝑖)=1
𝑀∙𝑈|∑ 𝑥𝑖𝑀−1
𝑛=0 [𝑛]𝑤[𝑛]𝑒−𝑗2𝜋𝑛𝑓|2 i=0,1… L-1 (7)

Unde U este un factor de normalizare 𝑈=1
𝑀∑ 𝑤2 𝑀−1
𝑛=0 [𝑛], iar puterea spectrală estimată
devine:

𝑝𝑥𝑥𝑤(𝑓)=1
𝑘∑ 𝑝̃𝑥𝑥(𝑖)(𝑓)𝐿−1
𝑖=0 (8)

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

28

5.3. METODE PARAMETRICE DE ESTIMARE A DENSIT ĂȚII DE
PUTERE SPECTRALĂ
Deoarece la metodele neparametrice avem o limitare a rezoluției în frecvență , cât și apariția
fenomenului de scur gere spectral ă, datorat corelației, ceea ce î nseamnă că unele componente
ale semnalelor, cu amplitudine mică , pot fi masca te, s-au dezv oltat metode parametrice, care
înlatură aceste dezavantaje [22] [23].
Pentru aceste metode avem de efectuat 3 pași:
a) select area modelul ui corespunzător seriei temporale;
b) estimarea parametrilor pentru modelul respectiv;
c) calcul ul estimatorului sp ectral prin î nlocuirea parametrilor de la punctul b) în formula
densității spectrale de putere specific modelului selectat.

5.3.1. TIPURI DE MODELE
Modelele parametrice se bazează pe faptul ca se consideră secvența de date x[n], respectiv
semnalul EEG, ca fiind ieșirea unui sistem liniar cu o funcție de transfer de forma:

𝐻(𝑧)=∑ 𝑏𝑘𝑧−𝑘 𝑞
𝑘=0
1+∑ 𝑎𝑘𝑧−𝑘𝑝
𝑘=1 (1)

Ținând cont de forma sub care se poate prezenta funcția de transfer, s-au stabilit trei modele
[24]:
a) Model AR (autoregressive) denumit model “numai poli” ;
– In calcul se ține cont doar de valorile de la x[n] până la x[n-N], ecuația
caracteristică pentru acest model este:

𝑥[𝑛]+𝑎1𝑥[𝑛−1]+𝑎2𝑥[𝑛−2]+⋯+𝑎𝑁𝑥[𝑛−𝑁]=𝑤[𝑛] (2)

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

29

– Funcția de transfer este:

𝐻(𝑧)=1
∑ 𝑎𝑘𝑧−𝑘 𝑁
𝑘=0 (3)

b) Model MA (moving average) denumit model “numai zerouri” ;
– În calcul se ține cont și de valoril e w[n] pânp la w[n-M], ecua ția caracteristică
pentru acest model este:

𝑥[𝑛]=𝑏0𝑤[𝑛]+𝑏1𝑤[𝑛−1]+𝑏2𝑤[𝑛−2]+⋯+𝑏𝑀𝑤[𝑛−𝑀] (4)

– Funcția de transfer este:

𝐻(𝑧)=∑ 𝑏𝑘𝑧−𝑘 𝑀
𝑘=0 (5)

c) Model ARMA (autoregressive -moving -average) denumit model “poli și zerouri ”.
– Este o combinție între cele două modele de la subpunctel e anterioare a) și b), iar
ecuaț ia caracteristică pentru acest model este:

𝑥[𝑛]+𝑎1𝑥[𝑛−1]+⋯+𝑎𝑁𝑥[𝑛−𝑁]=𝑏0𝑤[𝑛]+𝑏1𝑤[𝑛−1]+⋯+𝑏𝑀𝑤[𝑛−𝑀] (6)

– Funcția de transfer este:

𝐻(𝑧)=∑ 𝑏𝑘𝑧−𝑘 𝑀
𝑘=0
∑ 𝑎𝑘𝑧−𝑘 𝑀
𝑘=0 (7)

5.3.2. METODA YULE -WALKER
Prin aceast ă metodă se e stimează secvența de autocorelație din datele introduse și apoi
estimanții rezultați se folosesc î n relațiile Yule -Walker , descrise de ecuațiile (8), (9) și (10),

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

30

pentru a se determina parametrii modelului AR. În relația (11) este descris ă funcția de
autoc orelație.
Prin adoptarea unui model AR, relațiile dintre parametrii modelului ș i secvența de
autocorelație devine:
𝑦𝑥𝑥[𝑚]={−∑ 𝑎𝑘𝑦𝑥𝑥[𝑚−𝑘]𝑝
𝑘=1 𝑚>0
−∑ 𝑎𝑘𝑦𝑥𝑥𝑝
𝑘=1[𝑚−𝑘]+𝜎𝑤2 𝑚=0
𝑦𝑥𝑥∗[−𝑚] 𝑚<0 pentru q=0 (8)

Parametrii ak se vor obține din solu ția sisemului de ecuații (9) care reprezintă ecuațiile Yule –
Walker [ 9]:

[𝑦𝑥𝑥[0] 𝑦𝑥𝑥[−1] ⋯ 𝑦𝑥𝑥[−𝑝]
𝑦𝑥𝑥[1] 𝑦𝑥𝑥[0] ⋯ 𝑦𝑥𝑥[−𝑝+2]
⋯ ⋯ ⋯ ⋯
𝑦𝑥𝑥[𝑝−1] 𝑦𝑥𝑥𝑝[𝑝−2] ⋯ 𝑦𝑥𝑥[0]]∙[1
𝑎1
⋯
𝑎𝑝]=[𝑦𝑥𝑥[1]
𝑦𝑥𝑥[2]
⋯
𝑦𝑥𝑥[𝑝]] (9)

Ecua țiile (8) și (9) sunt combinate, astfel rezultând ecuația (10), fiind o matrice de tip Toeplitz
aceasta poate fi rezolvată eficient cu algoritmul Levison -Durbin .

[𝑦𝑥𝑥[0] 𝑦𝑥𝑥[−1] ⋯ 𝑦𝑥𝑥[−𝑝]
𝑦𝑥𝑥[1] 𝑦𝑥𝑥[0] ⋯ 𝑦𝑥𝑥[−𝑝+1]
⋯ ⋯ ⋯ ⋯
𝑦𝑥𝑥[𝑝] 𝑦𝑥𝑥𝑝[𝑝−1] ⋯ 𝑦𝑥𝑥[0]]∙[1
𝑎1
⋯
𝑎𝑝]=[𝜎𝑤2
0
⋯
0]] (10)

Din ecua ția (10), 𝜎𝑤2 =𝑦𝑥𝑥[0]+∑ 𝑎𝑘𝑦𝑥𝑥𝑝
𝑘−1 [−𝑘] repezintă dispersia .
Toți parametrii modelului AR pot fi determinați din secvența de autocorela ție yxx[m]. După
determinarea coeficiențiilor ak din relația (8) se calculează funcția de autocorelație p entru
m>p.
Estimantul corespunzător al spectrului de putere este dat î n relația (11), unde 𝑎̂𝑝[𝑘] sunt
estiman ții parametrilor AR rezultați cu algoritmul Levison -Durbin, iar

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

31

𝜎̂𝑤𝑝2=𝐸̂𝑝𝑓=𝑟𝑥𝑥[0]∏ [1−(𝑎̂𝑝[𝑘])2]𝑝
𝑘=1 este valoarea p ătratică medie minimă a erorii de
predicție es timate pentru predictorul de ordin p.

𝑃𝑥𝑥𝑌𝑊(𝑓)=𝜎̂𝑤𝑝2
|1+∑ 𝑎̂𝑝𝑝
𝑘=1[𝑘]𝑒−2𝑗𝜋𝑘𝑓 |2 (11)

5.3.3. METODA BURG
Metoda Bu rg are la baz ă tot algoritmul Levinson -Durbin pentru a determina estimanții
parame trilor modelului, dar diferă față de metoda Yule -Walker prin determinarea parametrilor
pe baza minimizării erori lor din predi cția liniară înainte și înapoi, direct din x[n], adică direct
din semnalul EEG, fară a se mai face partea de autocorelație a semgmentului de date. Metoda
Burg calculeaz ă coeficienții de reflexi e ai structurii lattice echivalente cu relația (1 2) și din
estimanții astfel obținuți se calculează spectrul de putere (13).

𝐾̂𝑚=−∑ 𝑓𝑚−1[𝑛]𝑔𝑚−1[𝑛−1]𝑁−1𝑛=𝑚
1
2[𝐸̂𝑚−1𝑓+𝐸̂𝑚−1𝑏] 𝑚=1,2…,𝑝 (12)

Unde 𝐸̂𝑚−1𝑓+𝐸̂𝑚−1𝑏 este un estimant al erorii p ătratice globale.

𝑃𝑥𝑥𝐵𝑈(𝑓)=𝐸̂𝑝
|1+∑ 𝑎̂𝑝𝑝
𝑘=1[𝑘]𝑒−2𝑗𝜋𝑓𝑘 |2 (13)

Unde 𝐸̂𝑝 este valoarea p ătratică medie a erorii globale de predicție estimate pentru predictorul
de ordin p.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

32

5.4. ALGORITMI ALEȘ I PENT RU A ANALIZA SEMNALELE EEG
Pentru a analiza semnalele EEG în vederea extragerii vectorilor caracteristici pentru sarcinile,
acțiunile efectuate, din metodele descrise la subpunctele anterioare, am ales implementarea
metodelor neparametrice, cât ș i a celor parametrice. Primele metode neparametrice sunt
periodograma și periodograma prin metoda Welch , iar cele parametrice sunt metoda Yule –
Walker , respectiv metoda Burg. Alegerea acestor două metode a fost facută în urma
consultării literaturii de specialitate, din care am extras avantajele si dezavantajele diverselor
metode, cu ajutorul căr ora am putut să decid pașii urmă tori.
Densitatea spectrală de putere descrie cum este distribuită puterea semnalului î n funcție de
frecvență, ceea ce înseamnă că o analiză a distribuirii puterii semnalului E EG pe diferite
canale trebuie să fie precisă, rapidă și de încredere, pentru a putea extrage caracteristici
utilizabile în aplicații de tip BCI. Viteza și acuratețea fazei de extracție a caracteristicilor
procesării semnalel or EEG sunt foarte importante, pentru a nu pierde informații vitale din
semnal . Până în prezent, în literatura de specialitate se discută o multitudine de metode de
analiză. Metod ele autoregresiv e suferă de viteze mai mic i de calcu l și nu sunt întotdeauna
aplicabile în analiza în timp real, în timp ce modelele FFT pare să fie cel mai puțin eficient ă
dintre metodele discutate din cauza incapacității de a putea a examina semnalele non –
staționare. Preferința metodei AR se poate accentua prin compararea perform anței acesteia cu
cea a FFT clasic așa cum se arată în tabelul 1 [25][26].

TABEL 1: COMPARAȚIE AR ȘI FFT
Metodă Rezoluție Scurgere spectrală
FFT Mică Mare
AR Mare Mică

Așadar, ca o scurtă c oncluzie, consider că este recomandat să se utiliz eze metode AR
împreună cu metode mai conservatoare, cum ar fi periodogra ma, pentru a putea alege ordinul
corect al modelelor parametrice astfel încât să obțin caracteristici spectrale care să poată fi
analizate, interpretate [25].

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

33

Tabelul 2 prezintă avantajele și dez avantajele metodelor menționate mai sus, precizia, viteza
și gradul de adecvare a acestora, pentru a face mai ușor compararea performanțelor acestora.

TABEL 2: AVANTAJE LE ȘI DEZAVANTAJE LE METODE LOR
Metodă Avantaje Dezavantaje Domeniu de
analiză Potrivire
Periodograma – Necesită cele mai
puține i nformații
pentru a fi realizată;
– Viteză de realizare; – Nu oferă un spectru
ușor de interpretat ;
– Este afectată de
raportul mare
zgomot/semnal;
– Varianță mare; – Frecvență – Pentru
semnale
staționare;
Welch – Necesită mai puț ine
informații pentru a
fi realizată;
– Oferă o densitate
mai mare; – Varianță mare;
– Afectat de raportul
mare
zgomot/semnal; – Frecvență – Pentru
semnale
staționare;
Yule -Walker – Pierdere spectrală
redusă; – Rezultate proaste
pentru segmente cu
lungimi reduse; – Frecv ență –
Burg – Rezoluție de
frecvență bună;
– Pierdere spectrală
redusă;
– Rezultate bune
pentru segmente de
lungimi reduse; – Ordinul modelului
greu de ales; – Frecvență – Pentru
semnale cu
caracteristici
spectrale
bruște;

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

34

CAPITOLUL 6 : REZULTATE ȘI DISCUȚII

6.1. APLICAREA METODELOR DE ANALIZĂ Ș I INTERPRETAREA
REZULTATELOR
Pentru a putea extrage vectorii caracteristici specifici activităț ilor efectuate, pentru baza de
date aleasă, ținând cont de faptul că achiziția semnalelor EEG a fost efectuată pentru un stud iu
al activiății electrice motorie cât și cognitive a neuronilor, trebuie efectuat ă o analiză a
spectrului frecvenței pentru canalele specifice ac estei activități. Din literatura de specialitate,
canalele analizate pentru acest caz sunt cele din zona centr ală, cortexul central, a cărui
activitate este specifică acțiunilor bazate pe mișcare sau pe intenția de a efectua mișcare.
Canalele pentru care voi realiza implementarea m etodelor alese la subcapitolul 5.4 sunt C3,
C4, F3 și F4 [27] [28].
Această etapă de analiză este cea mai importantă penru realizarea de aplicații BCI, deoarece
așa cum am menționat în capitolul 1, aplicațiile BCI se bazează pe formarea unei baze de date
cu vectorii de caracteristici, iar din acest motiv, extra gerea vectorilor urmată de clasificarea
acestora este crucial ă. Fară a avea o analiză corectă a semnalelor, nu am putea cr ea acea bază
de date astfel încâ t aplicația BCI să fie utilizabilă pentru scopul dorit.

6.2. PREPROCESAREA SEMNALELOR EEG
Primul lucru efectuat a fost acela de a repreze nta grafic semnalul EEG pentru fiecare canal în
parte, în figura 6.2.1 . se observă această reprezentare.
Următorul pas a fost acela de a efectua filtrarea semnalului pentru eliminarea artefactelor
provenite de la rețeaua de alimentare a aparatului cu care s -a realizat achiziți a semnalului.
Fiind date achiziț ionat e pe teritoriu European, această filtrare a fost efectuată pentru 50 Hz.
Deoarece baza de date nu conține informații despre alt tip de semnale, eliminarea artefactelor
provenite de la EOG, EMG sau din alte surse fiziologice nu a fost realizată.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

35

Figură 6.1.1 : Reprezentarea canalelor EEG
În figura 6.1.2 . se observă semnalul EEG după aplicarea filtrării. Pentru a se putea observa
efectul aplicării procesului de filtrare am ales să reprezint o p orțiune mă rită a unui canal
oarecare. De culoare mov este semnalul inițial, iar de culoare albastră este semnalul după
aplicarea fi ltrului. De asemenea în figura 6.1.3. este reprezentată caracteristica filtrului folosit.
Filtrul este IIR, de tip trece -band ă pentru frecvențele de 7 -30 Hz, am ales acest tip de filtru
deoarece este vorba de biopotențiale înregistrate în zona cortexului central, iar pe acea zonă
sunt specifice undele de tip Beta și Mu, cu frevențe de la 7 până la 30 Hz.

Figură 6.1.2 : Porțtiun e mă rită a unui canal pentru a se observa efectul filtrului; cu mov este semnalul înainte de filtrare, iar
cu albastru semnalul după filtrare.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

36

Figură 6.1.3 : Caracteristica filtrului IIR

Figură 6.1.4 : Densitatea de putere spectrală după aplicarea filtr ului IIR pentru toate canalele EEG

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

37

Figură 6.1.5 : Densitatea de putere spectrală dupa aplicare filtru IIR pentru frecvența de 50Hz

Figurile 6.1.4. și 6.1.5. reprezintă densitatea de putere spectrală după aplicarea filtrarii. În
figura 6.1.5. este vizibil ă filtrarea pentru artefactele de la reț eaua de alimentare, respectiv î n
figura 6.1.4. este vizibil faptul că s -a efectuat o filtrare de tip trece bandă pentru a p ăstra doar
frecvențele de interes in intervalul 7 -30 Hz.
În continuare, sunt analizate canale le C3 și C4 din punct de vedere al puterii spectrale pentru
cele 2 acțiuni ce țin de activitatea neuronilor cu funcție motorie.

6.3. ANALIZA DENSIT ĂȚII DE PUTERE SPECTRALĂ PENTRU
SARCINILE MOTORII
Pentru a putea identifica dacă comportamentul bio potențialului este cel aș teptat, conform
literaturii de specialitate, am decis să reprezint grafic densitatea de putere spectrală pentru cele
două sarcini cu activitate de tip motor. Inițial am inceput prin a identifica , prin a separa
eșantioanele semnalului î n funcție de clasa de apartenență, pentru a ști atunci când calculez
densitatea de putere spectral ă pentru ce sarcină este efectuată.
Separarea în cele 3 cl ase s -a putut efectua deoarece î n momentul achiziției, semnalul a fost
supus unei clasific ări de tip Gaussian . Fiecare clasă a primit un numă r, pentru acțiunile

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

38

neuronilor motori: pentru comanda de imaginare a mișcării mâinii stângi clasa 2, pentru
comanda de imaginare a mișcării mâinii drepte clasa 3, iar pentru comanda de gândit la
cuvinte care î ncep cu aceeași literă clasa 7.
Deoarece semnalul analiza t este din zona cortexului central, unde sunt specific e undele Mu, în
figura 6.3.1. este reprezentată forma undei conform literaturii de specialitate . Amplitudinea
undelor Mu este î ntre 0 -10 µV, pentru momentele de inactivitate motorie, iar la activare a
neuronilor pentru ac țiuni motorii apare supresia, iar amplitudinea scade [29].

Figură 6.3.1 : Forma undei Mu, 7 -13 Hz . A) Forma din literatura de specialitate; B) Forma din se mnalele utilizate pentru
analiză

Figura 6.3.2. prezintă semalul canalului C3 î nainte de a fi preg ătit, filtrat și după filtrare. În
figurile 6.3.3. și 6.3.4. sunt reprezentate grafic segmente din semnalul pentru canalul C3,
segment pentru activitate normală a undelor Mu, respectiv segment când activitate a este
suprimată ceea ce indică efectuarea unei acțiuni de tip motor.
B A

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

39

Figură 6.3.2 : Forma undei canalului C3 înainte și după filtrare

Figură 6.3.3: Segment C3 normal, nesuprimat

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

40

Figură 6.3.4: Segment C3 suprimat

Se obs ervă din figur ile 6.3.3. și 6.3 .4. diferența de amplitudine; în prima figură este
reprezentat un segment anterior primirii comenzii de efectuare a acțiunii, iar în cea de -a doua
figură este reprezentat un segment din timpul efectuarii acțiunilor. Se observă suprimarea
aparută specific, de la amplitudini de aproximativ 5 µV la amplitudini de 1.5 -2 µV. De
asemenea forma undei este asemănătoare cu cea din literatura de specialitate [30].
Următ orul pas este acela de a repreze nta puterea spectrală prin metode le alese în subca pitolul
5.4. În figura 6.3.5. este reprezentată densitatea de putere spectrală obținută prin intermediul
periodogramei cu funcție implicită din mediul de pr ogramare Matlab , în figura 6.3.6. este
reprezentată densitatea de putere spectrală obținută p rin periodograma cu metoda Welch,
figura 6.3.7. reprezintă densitat ea de putere spectrală prin metoda parametrică Yule -Walker,
iar figura 6.3.8. prin metoda parametrică Burg.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

41

Figură 6.3.5 : Densitate de putere spectrală cu Periodograma pentru canalul C3

Figură 6.3 .6: Densitatea de puter e spectrală pentru canalul C3 cu metoda Welch

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

42

Figură 6.3.7: Densitatea de putere spectrală prin metoda Yule -Walker de ordinul 8

Figură 6.3.8: Densitatea de putere spectrală prin metoda Burg ordin 5 pentru canalul C3

Din cele 2 reprezentări , neparametrice și parametrice, se observă că puterea maximă pentru
acțiunea mâinii stângi este obținută în zona de frecv ențe 10 -12 Hz. Din p eriodograma, prin
ambele metode diferența de putere pentru acțiunea mâinii stângi și a mâini i drepte nu este
mare, ceea ce î n mod normal nu este corect, deoarece di ferența între acestea trebuie să fie
sesizabilă, diferență observabilă prin intermediul metode lor parametrice . Pentru acțiunea
mâinii stângi este specific ă o putere mai mare a semnalului p entru ca nalul C3, iar pentru mâna
dreaptă trebuie să se observe o putere mai mare în zona de frecvențe 10 -12 Hz pentru canalul
C4.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

43

În continuare va fi reprezentat grafic semnalul pentru canalul C4, în figurile 6.3.9. fiind
reprezentat semnalul înainte și d upă filtrare, iar în figurile 6.3.10 și 6.3.11 sunt reprezentate
segmente din semnal, segment pentru activitate normala a undelor Mu, respectiv segment
când activitate este suprimată ceea ce indică efectuarea unei acțiuni de tip motor.

Figură 6.3.9 : Forma undei canalului C4 înainte și după filtrare

Față de canalul C3, pentru canalul C4 se observă o activitate mai intensă, cu diferențe între
activitatea de repaus și activitatea ordonată mai vizibilă.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

44

Figură 6.3.10: Segment C4 normal nesuprimat

Figur ă 6.3.11:Segment C4 suprimat

Se observă din figurile 6.3.10 și 6.3.11 diferența de amplitudine, în prima figură este
reprezentat un segment anterior primirii comenzii de efectuare a acțiunii, iar în cea de -a doua
figură este reprezent at un segment din tim pul efectuă rii acțiu nilor. Se observă suprimarea
apărută specific, de la amplitudini de aproximativ 4-5 µV la amplitudini de 2 µV. De
asemenea forma undei este asemănătoare cu cea din literatur a de specialitate [30].

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

45

Următ orul pas este acela de a repreze nta puterea spectra lă prin cele doua metode alese î n
subcapitolul 5.4. În figura 6.3.12. este reprezentată densitatea de putere spectrală obținută prin
intermediul periodogramei cu funcție implicită din mediul de programare Matlab, în figura
6.3.13. este rep rezentată densitatea de putere spectrală obținută prin periodograma cu metoda
Welch, figura 6.3.14. reprezintă densitatea de putere spectrală prin metoda parametrică Yule –
Walker de ordin ul 8, iar figurile 6.3.15 și 6.3.16 prin me toda Burg de ordinul 5, respectiv de
ordinu l 8.

Figură 6.3.12: Densitatea de putere spectrală cu Periodograma pentru canalul C4

Figură 6.3.13 : Densitatea de putere spectrala folosint metoda Welch pentru canalul C4

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

46

Figură 6.3.14: Densitatea de putere spectrală folosind metoda Yule-Walker de ordin 8

Figură 6.3.15 : Densitatea de putere spectrală cu metoda Burg de ordin 5

Figură 6.3.16 : Densitatea de putere spectrală cu metoda Burg de ordin 8

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

47

Din cele 5 reprezentări se observă că puterea maximă pentru acțiunea mâinii drepte este
obținută în zona de frecvențe 10 -12 Hz. Din cele 2 metode de obținere a periodogram ei,
diferența de putere pentru acțiunea mâinii stângi și a mâinii drepte nu este mare, dar se
observă că pentru mâna dreaptă puterea este maximă pentru frecvența de 11 Hz, iar pentru
mâna stângă este maximă pentru frecvența de 12 Hz, dar sub cea a puterii mâinii drepte .
Metoda Yule -Walker oferă informați i despre puterea spectrală asemănă toare, ia r în cazul
metodei Burg, a fost necesar reprezentarea p entru mai multe ordin e. Folosind metoda Burg cu
ordinu l 5, la fel ca la canalul C3, densitatea de putere spectrală este maximă în zona 16 -18 Hz,
ceea ce implică trecerea la unda de tip Beta. Prezența undei Beta este un indice al fa ptului că
sarcinile pe care le î ndeplinesc sub iecții în cadrul achiziției semnalului sunt de tip cognitiv,
deoarece cele 3 sarcini nu presupun efectuarea fizic ă, dinamică , ci faptul de a se gândi la
acțiunea respectivă . Pentru a putea concluziona dacă putem identifica și acțiunea de mișcare a
mâinii d repte, am folosit metoda Burg cu un ordin mai mare, iar din figura 6.3.16. se observă
o densitat e de putere spectrală mai mare î n zona de 12 Hz, față de densitatea de putere
spectrală pentru mână stângă.

6.4. ANALIZA DENSIT ĂȚII DE PUTERE SPECTRALĂ PENTRU
SARCI NILE COGNITIVE
Pentru cea de -a treia acțiune, respectiv subiectul trebuie s ă se gândească la cuvinte care î ncep
cu aceeași literă, trebuie observată, analizată densitatea de pute re spectrală pentru canalele
F3/F4, respectiv să se facă o compara ție cu canal ele C3, C4 [31]. Comparația î ntre canalele
EEG v -a ajuta la obținerea unei concluzii elocve nte, deoarece toată natura achiziției bazei de
date de semnale are la bază activități cognitive.
În figura 6.4.1. este reprezentat grafic semnalul EEG pentru canalul F3 înainte, respectiv după
filtrare.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

48

Figură 6.4.1: Semnlaul EEG pentru canalul F3 înainte, respectiv după filtrare
În figura 6.4.2. este prezentat un segment al canalului F3, unde se poate observa că forma
semnalului este asemănă toare cu cea din figur a 6.3.1, dar nu este vo rba de unda Mu, ci se
observă că este vorba de unda Beta, deoarece frecvența este specifică pentru Beta, cât și
amplitudinea semnalului este mai mare, față de cea pentru canalele C3 sau C4. Asemănarea
formei de undă se poate explica prin natura stimulilor din timpul achiziției. Deoarece toate
cele 3 acțiuni ce sunt efectuate de către subi ecți sunt de tip cognitiv, iar î n procesele cognitive
se remarcă apariția undei Beta.

Figură 6.4.2: Segment a formei semnalului pentru canalul F3

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

49

Figură 6.4.3: Densitatea de putere spectrală prin periodograma pen tru canalele F3 și F4

Figură 6.4.4: Densitatea de putere spectrala prin metoda Welch pentru canalul F4

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

50

Figură 6.4.5: Densitatea de putere spectrală prin metoda Yule -Walker ordin 5 pe ntru canalul F4

Figură 6.4.6: Densitatea de putere spectrală prin metoda Yul -Walker pentru canalul F3

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

51

Figură 6.4.7 : Densitatea de putere spectrală prin metoda Burg pentru canalul F3

Prin reprezent ările densității spectrale, î n cazul canalelor F3 și F 4 se observă o similarita te,
atât în reprezentarea prin metodele neparametrice de tip periodograma, cât și la folosirea
metodelor parametrice cu mode lele Yule -Walker sau Burg de ordin 5. Densitatea de putere
este oarecum constantă, având un maxim la frecve nța de 18 Hz din analiza cu met oda Burg,
dar dacă ne uită m pe densitatea de putere calculată prin metodele Yule -Walker sau Welch
observăm o putere mai mare predomin antă pentru frecvența de 12 -14 Hz . Din faptul că este
constantă î n intervalul 7-16 Hz putem deduce faptul că acțiunea de repetare a unor cuvinte
care încep cu aceeași literă, este într -adevă r identificată conform literaturii de specialitate
[31] la frecvențe Beta joase. Acest fapt se confirmă dacă ne uită m pe toate reprezentările,
indiferent de metoda folosită.
În anexă este atașat codul folosit pentru obținerea rezultatelor analizate în acest capitol. Pentru
realizarea analizei a fost folosit mediul de lucru Matlab versiunea 2016 .

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

52

CONCLUZII

Scopul lucrării a fost acela de a analiza semnale EEG special achiziționate pentru folosirea în
aplica ții de tip BCI. Pentru a realiza acest lucru au fost implementate mai multe metode de
analiză în frecvență , cât și analiza morfologică a semnalului, deoarece procesarea unor astfel
de semnale necesită o a tenție deosebită și nu se poate face print -o singură metodă .
Pentru semnalele EEG au fost aplicate două tipuri de metode descrise în lucrare prin care s -a
calculat densitatea de putere spectrală a fiecărui canal EEG în parte, pentru fiecare tip alegând
să implementez două , modele deoarece am vrut să pot compara rezultatele între probe pentru a
putea obține un răspuns concludent.
Din literatur a de specialitate se consideră că nu există o metod ă perfectă , dar metodele
autoregresive, implementate cu un ordin ales corect, pot da cele mai concludente rezultate.
Pentru a putea alege ordinul bun al metodelor autoregresive Yule -Walker și Burg, inițial am
calculat densitatea de putere spectrală folosind metoda periodogramei. Prin periodogramă se
obține densitatea d e putere spectrală, dar deoarece are dezavantaje precum scurgere spectrală
mare și este influențată de raportul zgomot/semnal, nu putem obține un r ăspuns sigur, în
schimb ne putem orienta pentru a alege ordinul pentru metodele autoregresive. Așadar prin
cele patru metode folosite am putut vedea că semnalele EEG provenite de la canalele C3 și
C4, au densitatea de putere spectral ă maxim ă la frecvențe de 11 -12 Hz, specifică cortexului
motor, iar pentru canalele F3 și F4 au densitatea de putere spectrală maximă în jurul
frecvențelor de 16 -18 Hz . Acest lucru înseamnă că semnalele acestor canale pot fi utilizate la
crearea de aplicații BCI pentru control bazat e pe funcția motorie a creirului.
Deoarece nu există o metodă universală considerată potrivită pentru a an aliza semnalele EEG,
din analiza efectuată consider că cel mai bine este să se folosească metode diferite de obținere
a densității de putere spectrală, altfel se pot obține rezultate eronate ce nu pot fi utilizate
pentru aplicații BCI.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

53

BIBLIOGRAFIE

[1] N. Birbaumer. “Breaking the silence: Brain -computer interfaces (BCI) for communication and
motor control. Psychophysiology ”, 43(6):517 –532, 2006.
[2] U. Hoffmann, J. Vesin, and T. Ebrahimi . “Recent advances in brain -computer interfaces. In IEEE
Internati onal Workshop on Multimedia Signal Processing ”, 2007.
[3] Eric C. Leuthardt, Gerwin Schalk, Jarod Roland, Adam Rouse, Daniel W. Moran , „Evolution of
brain -computer interfaces: going beyond classic motor physiology”
[4] Vidal, JJ (1973). "Toward direct brai n-computer communication". Annual Review of Biophysics
and Bioengineering. 2 (1): 157 –80.
[5] https://twin -cities.umn.edu/news -events/umn -research -shows -people -can-control -robotic -arm-
their-minds – accesat la 25.05.2018
[6] https://dash.har vard.edu/bitstre am/handle/1/3171757/5 19839.pdf?sequence=1 acesat la 25.05.2018
[7] United States Patent – Brain Computer Interface Design, patent numar 120486
[8] United States Patent – Brain Computer Interface anonymizer, brevent numar 0228701
[9] Cezar Th. Niculescu, Ra du Carmaciu, Bogdan Voiculescu, Carmen Salavastru, Cristian Nita,
Catalina Ciornei , „Anatomia si fiziologia omului – Compendiu ”
[10][11] Dragos Taralunga, “Instrumentație Biomedicală. Măsurarea și Analiza Biopotențialelor ”
[12] Cezar Th. Niculescu, Radu Ca rmaciu, Bogdan Voiculescu, Carmen Salavastru, Cristian Nita,
Catalina Ciornei, „Anatomia si fiziologia omului – Compendiu”
[13] http://www.liamed.ro/detalii_produs.php?id_produs=1195&id_clasa=117 accesat la 25.05.2018
[14] [15] [16] Tania Kotsos, „Brain Wa ves ans the Deep States of Consciousness” Clinical
Neurophysiology (journal)
[17] Journal of Clinical Neurophysiology , "American Electroencephalographic Society Guidelines for
Standard E lectrode Position Nomenclature", April 1991.
[18] Klem, GH, Lüders, HO , Jasper, H, Elger, "The ten -twenty electrode system of the International
Federation. The International Federation of Clinical Neurophysiology". Electroencephalograp hy and
clinical neurophysiology, 1999.

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

54

[19] J.W Osselton , „Acquisition of EEG data by bipol ar unipolar and average reference methods: a
theoretical comparison ” 1965
[20] USA: Analog Devices Inc. "Chapter 8: Analog Filters . Basic Linear Design ”, 2006.
[21] “Procesare taskuri mentale” – accesat la 10.05.2018 –
http://www.etc.tuiasi.ro/cin/Courses/ Epiom/Course/Lab_asdR3vf56xxXwa/Lab%2013%20 –
%20EEG%20preprocesare.pdf
[22] A. Subasi, M. K. Kiymik, A. Alkan, and E. Koklukaya, “Neural network classification of EEG
signals by using AR with MLE preprocessing for epileptic seizure detection,” Mathematical and
Computational Applications, vol. 10
[23] O. Faust, R. U. Acharya, A. R. Allen, and C. M. Lin, “Analysis of EEG signals during epileptic
and alcoholic states using AR modeling techniques,” IRBM, vol. 29
[24] Mathuranathan, “LTI system models for random signals – AR, MA and ARMA models”
[25] Gidon Eshel , “The Yule Walker Equations for the AR Coefficients”
[26] M. Polak and A. Kostov , “Feature extraction in development of brain -computer interface: a case
study,” in Proceedings of the 20th Annual Internatio nal Conference of the IEEE Engineering in
Medicine and Biology Society (EMBC '98), pp. 2058 –2061,
[27] A. Subasi and E. Erçelebi , “Classification of EEG signals using neural network and logistic
regression,” Computer Methods and Programs in Biomedicine, vo l. 78, no. 2, pp. 87 –99, 2005.
[28] A. Sivakami, S. Shenbaga Devi „ ANALYSIS OF EEG FOR MOTOR IMAGERY BASED
CLASSIFICATION OF HAND ACTIVITIES” International Journal of Biomedical Engineering and
Science (IJBES), Vol. 2, No. 3, July 2015
[29] Pawel Herman, Girijesh Prasad, Thomas Martin McGinnity and Damien Coyle , “Comparative
Analysis of Spectral Approaches to Feature Extraction for EEG -Based Motor Imagery Classification”,
IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol.16, No.4, Au gust 2008.
[30] Siyang Yin, Yuelu Liu, and Mingzhou Ding , “Amplitude of Sensorimotor Mu Rhythm Is
Correlated with BOLD from Multiple Brain Regions: A Simultaneous EEG -fMRI Study”, 2016.
[31] Chris Berka, Daniel J. Levendowski, Michelle N. Lumicao, Alan Yau , Gene Davis, Vladimir T.
ivkovic, Richard E. Olmstead, Patrice D. Tremoulet, and Patrick L. Craven „EEG Correlates of Task
Engagement and Mental Workload in Vigilance, Learning, and memory Tasks”

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

55

ANE XĂ
Încărcare și afișare semnal
load('semnaleeg.mat')
i=n;
N=length(X);
f_sampling = nfo.fs;
Ts = 1/f_sampling;
time = [0:(N -1)]*Ts;
figure,
plot(time, X)
xlabel('Timp (s)');
ylabel('Amplitudine (uV)')
title('EEG inițial’)
grid on
Eliminare trend și eliminare artefacte
Xd=detrend(X(: ,i));

d = designfilt('bandpassiir','FilterOrder',20, …
'HalfPowerFrequency1',7,'HalfPowerFrequency2',30,
'SampleRate',f_sampling);
XX=filtfilt(d,Xd); % zero phase filter
figure
plot(time, XX) % plotting
xlabel('Timp (s)');
ylabel('Amplitudine (uV )')
title('EEG filtrat')
grid on
d = designfilt('bandstopiir','FilterOrder',2, …
'HalfPowerFrequency1',49,'HalfPowerFrequency2',51, …
'DesignMethod','butter','SampleRate',f_sampling);
XX=filtfilt(d,X);

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

56

w=50/(Fs/2);
bw=w;
[num,den]=i irnotch(w,bw);
eeg_notch=filter(num,den,Xd); N1=length(eeg_notch);
t1=[0:N1 -1]/Fs;
figure,
plot(t1,eeg_notch,'r');
title( ‘EEG filtrat ')
xlabel('Timp (s)')
ylabel('Amplitudine (uV)')

Identificare și împărțirea datelor din semnale în funcți e de acțiunea efectuată
ind2=find(Y==2);
ind3=find(Y==3);
ind7=find(Y==7);
left_movement=X(ind2,:); %
right_movement=X(ind3,:);
word_generation=X(ind7,:);
Calcularea estiman ților necesari pentru a se calcula densitatea de putere spectrală
[pxx_Right,f _Right] = periodogram(right_movement,[],[],fs);
[pxx_Left,f_Left] = periodogram(left_movement,[],[],fs);
[pxx_Word,f_Word] = periodogram(word_generation,[],[],fs);
[pxx_Right,f_Right] = pwelch(right_movement,[],[],[],f_sampling);
[pxx_Left,f_Left] = pwelc h(left_movement,[],[],[],f_sampling);
[pxx_Word,f_Word] = pwelch(word_generation,[],[],[],f_sampling);
[pxx_Right,f_Right] = pyulear(right_movement,5,[],f_sampling);
[pxx_Left,f_Left] = pyulear(left_movement,5,[],f_sampling);
[pxx_Word,f_Word] = pyulear(w ord_generation,5,[],f_sampling);
[pxx_Right,f_Right] = pburg(right_movement, 5,fs);
[pxx_Left,f_Left] = pburg(left_movement, 5,fs);
[pxx_Word,f_Word] = pburg(word_generation, 5,fs);

Universitatea POLITEHNICA d in București
FACULTATEA DE INGINERIE MEDICALĂ

57

Calcularea densit ății de putere spectrală
L_pband = bandpower(pxx_Left(:,i ),subband,f_Left,'psd');
L_ptot = bandpower(pxx_Left(:,i),f_Left,'psd');
per_power_L(n,i) = 100*(L_pband/L_ptot);

R_pband = bandpower(pxx_Right(:,i),subband,f_Right,'psd');
R_ptot = bandpower(pxx_Right(:,i),f_Right,'psd');
per_power_R(n,i) = 100*(R_pband /R_ptot);

W_pband = bandpower(pxx_Word(:,i),subband,f_Word,'psd');
W_ptot = bandpower(pxx_Word(:,i),f_Word,'psd');
per_power_W(n,i) = 100*(W_pband/W_ptot);
Reprezentarea grafic ă
str = sprintf(formatSpec, Electrodes{1,32});
figure
hold on;
set(gca, 'YScale','log')
plot(x,per_power_L(:,32),'r')
plot(x,per_power_R(:,32),'b')
plot(x,per_power_W(:,32),'k')
xlabel('Frecventa (Hz)')
ylabel('% Putere')
title(str);
xlim([7 30])
legend('Stanga','Dreapta','Cuvant')