‫ﻓﻴﻠﺘﺮ ﺳﺎزي ﻏﻴﺮﺧﻄﻲ ‪ EOG‬از ﺳﻴﮕﻨﺎل ‪ EEG‬ﺑﺎ اﺳﺘﻔﺎده از ‪ANFIS‬‬

‫‪2‬‬
‫ﻣﻬﺪي ﻋﺒﺪاﻟﺼﺎﻟﺤﻲ‪ ،1‬ﻣﺠﻴﺪ ﻗﺸﻮﻧﻲ‪ ،1‬ﻣﺤﻤﺪ ﻋﻠﻲ ﺧﻠﻴﻞ زاده‬
‫‪1‬داﻧﺸﺠﻮي ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ ﻣﻬﻨﺪﺳﻲ ﭘﺰﺷﻜﻲ‪ 2 ،‬اﺳﺘﺎدﻳﺎر ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﭘﺰﺷﻜﻲ‬
‫داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﻣﺸﻬﺪ‪،‬‬
‫داﻧﺸﻜﺪه ﻓﻨﻲ ﻣﻬﻨﺪﺳﻲ‪ ،‬ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﭘﺰﺷﻜﻲ‬
‫‪abdossalehi@gmail.com‬‬

‫ﭼﻜﻴﺪه‪:‬‬
‫‪١‬‬
‫ﺳﻴﮕﻨﺎل ‪ EEG‬در ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎري ﻫﺎي ﻣﻐﺰ و اﻋﺼﺎب و ﻧﻴﺰ ﺗﺤﻘﻴﻘﺎت ﻣﺨﺘﻠﻒ ﭘﺰﺷﻜﻲ داراي اﻫﻤﻴﺖ وﻳﮋه اي ﻣﻲ ﺑﺎﺷﺪ ‪.‬‬
‫‪ EOG٢‬ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ آرﺗﻴﻔﻜﺖ ﻫﺎي ‪ EEG‬اﺳﺖ ﻛﻪ در اﺛﺮ ﺣﺮﻛﺖ ﭼﺸﻢ اﻳﺠﺎد ﺷﺪه و ﺑﺎﻋﺚ ﺑﻲ اﻋﺘﺒﺎر ﺷﺪن ﺳﻴﮕﻨﺎل‬
‫‪ EEG‬ﻣﻲ ﺷﻮد‪ .‬ﻟﺬا در اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎ اﺳﺘﻔﺎده از ﻓﻴﻠﺘﺮ ﻏﻴﺮ ﺧﻄﻲ ‪ ANFIS3‬ﺑﻪ ﺣﺬف ‪ EOG‬ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻ ﭘﺮداﺧﺘﻪ ﺷﺪه اﺳﺖ‬
‫‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﺳﻴﮕﻨﺎل ﻫﺎي ‪ EOG‬ﻋﻤﻮدي و اﻓﻘﻲ ﺑﻪ ﻋﻨﻮان ﻣﺮﺟﻊ ﻧﻮﻳﺰ ورودي ﺑﻪ ﺳﻴﺴﺘﻢ داده ﻣﻲ ﺷﻮد و ﭘﺲ از ﺗﺨﻤﻴﻦ‬
‫‪ EOG‬ﺗﺪاﺧﻠﻲ ﺑﻪ وﺳﻴﻠﻪ ‪ ANFIS‬از ﺳﻴﮕﻨﺎل ‪ EEG‬اﺻﻠﻲ ﻛﻢ ﻣﻲ ﮔﺮدد‪ ANFIS .‬ﺑﺮاي ﺗﺨﻤﻴﻦ ‪ EOG‬ﺗﺪاﺧﻠﻲ از‬
‫ورودﻳﻬﺎي ﻣﺮﺟﻊ ﺑﻪ ﺗﺨﻤﻴﻦ ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ )‪ f(.‬ﻛﻪ ﺑﻴﺎﻧﮕﺮ ﺗﺎﺑﻊ ﻣﺒﺪل ﺳﻴﮕﻨﺎل ‪ EOG‬ﻣﺮﺟﻊ ﺑﻪ ‪ EOG‬ﺗﺪاﺧﻠﻲ اﺳﺖ ﻣﻲ ﭘﺮدازد‬
‫و از اﻳﻦ روش ﺳﻴﮕﻨﺎل ‪ EOG‬ﺗﺪاﺧﻠﻲ را ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻪ ﻧﺤﻮي ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ‪ 4‬ﺧﻄﻲ ﺳﻴﮕﻨﺎل ‪ EEG‬ﺑﺎ ‪ VEOG5‬و‬
‫‪ HEOG6‬واﻗﻌﻲ ﭘﺲ از ﺣﺬف ‪ EOG‬ﻛﺎﻫﺶ زﻳﺎدي داﺷﺘﻪ اﺳﺖ ﺑﺪون اﻳﻨﻜﻪ ﻣﺎﻫﻴﺖ ﺳﻴﮕﻨﺎل ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه ‪ EEG‬ﺗﻐﻴﻴﺮ‬
‫ﭼﻨﺪاﻧﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪.‬‬
‫ﻛﻠﻤﺎت ﻛﻠﻴﺪي‪ ،ANFIS ،HEOG ،VEOG :‬ﻓﻴﻠﺘﺮ ﺗﻄﺒﻴﻘﻲ ﻏﻴﺮ ﺧﻄﻲ‬

‫اﻟﻜﺘﺮواﻧﺴﻔﺎﻟﻮﮔﺮاﻓﻲ ﮔﻮﻳﻨﺪ ﻛﻪ از ﻃﺮﻳﻖ ﻧﺼﺐ اﻟﻜﺘﺮود ﻫﺎي‬ ‫‪ -1‬ﻣﻘﺪﻣﻪ‪:‬‬

‫ﻣﻨﺎﺳﺐ ﺑﺮ روي ﭘﻮﺳﺖ ﺳﺮ ﻣﻘﺪور ﻣﻲ ﮔﺮدد]‪. [1‬‬
‫ﻫﻤﭽﻨﻴﻦ ﭼﺸﻢ ﻫﺎ را ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﻳﻚ دو ﻗﻄﺒﻲ‬
‫اﻟﻜﺘﺮﻳﻜﻲ در ﻧﻈﺮ ﮔﺮﻓﺖ ﻛﻪ ﻗﺮﻧﻴﻪ ﺳﻤﺖ ﻣﺜﺒﺖ و ﺷﺒﻜﻴﻪ‬
‫ﻗﺴﻤﺖ ﻣﻨﻔﻲ اﻳﻦ دوﻗﻄﺒﻲ را اﻳﺠﺎد ﻣﻲ ﻧﻤﺎﻳﺪ ‪ .‬در ﻫﻨﮕﺎم‬
‫ﺣﺮﻛﺖ ﻛﺮه ﭼﺸﻢ و ﭘﻠﻚ زدن ‪ ،‬اﻳﻦ دوﻗﻄﺒﻲ ﺗﻐﻴﻴﺮ ﺟﻬﺖ‬
‫داده و در ﻧﺘﻴﺠﻪ روي ﻣﻴﺪان اﻟﻜﺘﺮﻳﻜﻲ اﻃﺮاف ﺧﻮد را ﺗﻐﻴﻴﺮ‬
‫ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺎﻋﺚ اﻳﺠﺎد ﻳﻚ ﺳﻴﮕﻨﺎل اﻟﻜﺘﺮﻳﻜﻲ ﺑﻪ ﻧﺎم‬
‫‪ EOG‬ﻣﻲ ﮔﺮدد و ﻫﻨﮕﺎﻣﻲ ﻛﻪ اﻳﻦ ﺳﻴﮕﻨﺎل ﺑﺮ روي ﭘﻮﺳﺖ‬
‫ﻣﻐﺰ و ﺳﻴﺴﺘﻢ اﻋﺼﺎب ﻣﺮﻛﺰي ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ارﺗﺒﺎﻃﺎت‬
‫اﻟﻜﺘﺮﻳﻜﻲ‪ -‬ﻳﻮﻧﻲ ﺑﻴﻦ ﻧﻮرون ﻫﺎي ﻋﺼﺒﻲ و ارﺳﺎل اﻃﻼﻋﺎت‬
‫ﺑﻪ ﺻﻮرت ﭘﺎﻟﺲ ﻫﺎي اﻟﻜﺘﺮﻳﻜﻲ ‪ ،‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻣﺠﻤﻮﻋﻪ‬
‫وﺳﻴﻊ از دو ﻗﻄﺒﻲ ﻫﺎي اﻟﻜﺘﺮﻳﻜﻲ ﺑﻪ ﺷﻤﺎر ﻣﻲ آﻳﻨﺪ ﻛﻪ‬
‫ﻛﻠﻴﻪ ﭘﺮدازش ﻫﺎي ذﻫﻨﻲ اﻧﺴﺎن در آن ﺑﺮوز ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ ‪.‬‬
‫ﺛﺒﺖ اﻳﻦ ﻓﻌﺎﻟﻴﺖ ﻫﺎي اﻟﻜﺘﺮﻳﻜﻲ را ‪ EEG‬ﻳﺎ‬

‫‪ElectroEncephaloGram‬‬ ‫‪1‬‬

‫‪ElectroOculogram‬‬ ‫‪2‬‬

‫‪Adaptive Neuro Fuzzy Inference System‬‬ ‫‪3‬‬

‫‪Correlation‬‬ ‫‪4‬‬

‫‪Vertical EOG‬‬ ‫‪5‬‬

‫‪Horizontal EOG‬‬ ‫‪6‬‬

 ‫‪2-2‬ﺣﺬف ﻧﻮﻳﺰ ﺗﺪاﺧﻠﻲ ﺑﺎ اﺳﺘﻔﺎده از ‪:ANFIS‬‬
‫‪ ANC‬ﺑﺮاي اوﻟﻴﻦ ﺑﺎر ﺗﻮﺳﻂ ‪ Widrow‬و ﻫﻤﻜﺎرش‬
‫‪ [8] Glover‬در ﺳﺎل ‪ 1975‬ﻣﻴﻼدي اراﺋﻪ ﮔﺮدﻳﺪ ‪ .‬اﻳﻦ‬
‫روش ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ ﻛﻪ ﻣﻮﻟﻔﻪ ﻫﺎي ﺗﺪاﺧﻠﻲ را ﺑﺎ‬
‫ﺷﻨﺎﺳﺎﻳﻲ ﻳﻚ ﻣﺪل ﺧﻄﻲ ﺑﻴﻦ ﻣﻨﺒﻊ ﻧﻮﻳﺰ ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي‬
‫و ﺗﺪاﺧﻞ ﻏﻴﺮ ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي واﺑﺴﺘﻪ ﺑﻪ دﺳﺖ ﻣﻲ آورﻧﺪ ‪.‬‬
‫‪ ANC‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﻴﻠﺘﺮ ﻫﺎي ﺧﻄﻲ ﺑﻪ ﺻﻮرت ﻣﻮﻓﻘﻴﺖ‬
‫آﻣﻴﺰي در ﻛﺎرﺑﺮد ﻫﺎ ‪ ،‬از ﻗﺒﻴﻞ ﺣﺬف ﻧﻮﻳﺰ در ‪، ECG‬‬
‫ﺣﺬف اﻛﻮ در ﺧﻄﻮط اﻧﺘﻘﺎل ﺗﻠﻔﻦ و ﺣﺬف ‪Sidelobe‬‬
‫آﻧﺘﻦ ﻫﺎ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ‪.‬‬
‫‪ ANFIS‬ﺑﺮاي ﺷﻨﺎﺳﺎﻳﻲ ﻳﻚ دﻳﻨﺎﻣﻴﻚ ﻏﻴﺮ ﺧﻄﻲ‬
‫ﻧﺎﺷﻨﺎﺧﺘﻪ‪ ،‬ﺑﺴﻴﺎر ﺗﻮاﻧﻤﻨﺪ ﺑﻮده و ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﻳﻚ ﻣﻨﺒﻊ‬
‫ﻧﻮﻳﺰ را ﺑﻪ ﻳﻚ ﻣﺆﻟﻔﻪ ﺗﺪاﺧﻠﻲ در ﻳﻚ ﺳﻴﮕﻨﺎل اﻧﺘﻘﺎل دﻫﺪ و‬
‫در ﺷﺮاﻳﻂ ﺧﺎص ﺑﺴﻴﺎر ﻣﻨﺎﺳﺐ ﺗﺮ از ﺣﺬف ﻧﻮﻳﺰ ﺑﺎ اﺑﺰارﻫﺎي‬
‫ﻓﻴﻠﺘﺮﻫﺎي اﻧﺘﺨﺎب ﻓﺮﻛﺎﻧﺴﻲ ﻋﻤﻞ ﻛﺮده اﺳﺖ ‪ .‬ﺷﻜﻞ ‪ 2‬ﻳﻚ‬
‫ﻣﻮﻗﻌﻴﺖ اﻳﺪه آل ﻛﻪ ‪ ANFIS‬ﻣﻲ ﺗﻮاﻧﺪ اﺳﺘﻔﺎده ﻛﻨﺪ را‬
‫ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﻣﻮﻟﻔﻪ ﻫﺎي درﻛﻲ ﺳﻴﮕﻨﺎل ‪ EEG‬ﭘﺮداﺧﺘﻪ اﻧﺪ ‪ .‬ﻫﻤﭽﻨﻴﻦ‬
‫‪+‬‬
‫)‪x(k‬‬
‫‪+‬‬ ‫)‪y(k‬‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ‪ CBSS5‬ﻣﻮﻟﻔﻪ ﻫﺎي ‪ EOG‬را از‬
‫)‪n(k‬‬ ‫)‪d(k‬‬
‫‪f‬‬
‫ﺷﻜﻞ ‪– 2‬ﺗﺪاﺧﻞ آرﺗﻴﻔﻜﺖ ﻫﺎ ﺑﺎ ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت‬
‫ﻓﻴﻠﺘﺮ ‪ ANFIS‬ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻﻳﻲ ﻗﺎدر ﺑﻪ ﺗﺨﻤﻴﻦ اﻳﻦ‬
‫ﻛﻪ )‪ x(k‬ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﺑﻮده و ﻏﻴﺮﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي‬
‫ﻣﻲ ﺑﺎﺷﺪ )در اﻳﻦ ﻛﺎرﺑﺮد ﻣﻨﻈﻮر ﺳﻴﮕﻨﺎل ‪ EEG‬ﺧﺎﻟﺺ ﻣﻲ‬
‫ﺑﺎﺷﺪ( و )‪ n(k‬ﻫﻤﺎن ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي ﻳﺎ‬
‫‪ EOG‬ﺛﺒﺖ ﺷﺪه اﺳﺖ‪ .‬ﺳﻴﮕﻨﺎل ﻫﺎي ﻣﻨﺒﻊ ﻧﻮﻳﺰ از ﻣﻴﺎن‬
‫ﻳﻚ دﻳﻨﺎﻣﻴﻚ ﻏﻴﺮ ﺧﻄﻲ ﻋﺒﻮر ﻛﺮده و ﺗﻮﻟﻴﺪ ﻳﻚ ﻧﻮﻳﺰ ﺗﻐﻴﻴﺮ‬
‫ﺷﻜﻞ و ﺗﺄﺧﻴﺮ ﻳﺎﻓﺘﻪ در ﻣﺤﻞ ﺛﺒﺖ ﺳﻴﮕﻨﺎل اﺻﻠﻲ ﻣﻲ ﻧﻤﺎﻳﺪ‬
‫))‪ (d(k‬ﻛﻪ ﺑﻪ ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت )‪ (EEG‬اﺿﺎﻓﻪ ﺷﺪه و‬
‫ﻧﺘﻴﺠﻪ آن ﺳﻴﮕﻨﺎل ﺧﺮوﺟﻲ ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي )‪ y(k‬ﻣﻲ‬
‫ﺑﺎﺷﺪ‪.‬‬
‫در اﻳﻦ ﺗﺤﻘﻴﻖ ﺳﻌﻲ در ﺑﺎزﻳﺎﺑﻲ ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت اﺻﻠﻲ از‬
‫ﺳﻴﮕﻨﺎل ﺧﺮوﺟﻲ ﻛﻪ ﺷﺎﻣﻞ )‪ x(k)+d(k‬ﻣﻲ ﺑﺎﺷﺪ‪ ،‬ﺷﺪه‬
‫اﺳﺖ‪.‬‬
‫)…‪d(k)=f(n(k),n(k-1),n(k-2),‬‬ ‫)‪(11‬‬
‫ﻛﻪ )‪ f(.‬ﺑﻴﺎﻧﮕﺮ ﻣﺴﻴﺮ دﻳﻨﺎﻣﻴﻜﻲ اﺳﺖ ﻛﻪ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ از‬
‫آن ﻋﺒﻮر ﻛﺮده اﺳﺖ‪ .‬اﮔﺮ )‪ f(.‬ﺑﻪ درﺳﺘﻲ ﺷﻨﺎﺧﺘﻪ ﺷﺪه‬
‫ﺳﺮ اﻧﺘﺸﺎر ﻣﻲ ﻳﺎﺑﺪ ‪ ،‬در ‪ EEG‬ﺛﺒﺖ ﺷﺪه ﺑﻪ ﻋﻨﻮان ﻧﻮﻳﺰ و‬
‫آرﺗﻴﻔﻜﺖ ﻇﺎﻫﺮ ﻣﻲ ﮔﺮدد ﻛﻪ ﺑﺎﻋﺚ ﺑﻲ اﻋﺘﺒﺎر ﺷﺪن ﺳﻴﮕﻨﺎل‬
‫‪ EEG‬ﻣﻲ ﺷﻮد]‪.[2‬‬
‫ﺑﺮاي ﺣﺬف اﻳﻦ ﺳﻴﮕﻨﺎل ﻧﺎﺧﻮاﺳﺘﻪ ﺗﺎ ﻛﻨﻮن ﺗﻼﺷﻬﺎي زﻳﺎدي‬
‫ﺑﺮ ﭘﺎﻳﻪ ﻓﻴﻠﺘﺮ ﻫﺎي ﺗﻄﺒﻴﻘﻲ اﻧﺠﺎم ﺷﺪه اﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‬
‫در ﺳﺎل ‪ 1999‬ﻣﻴﻼدي‪ Selvan ،‬و ﻫﻤﻜﺎرش ]‪ [3‬ﺑﻪ‬
‫ﺣﺬف ‪ EOG‬ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻋﺼﺒﻲ و ﺗﻜﻨﻴﻚ‬
‫ﻓﻴﻠﺘﺮﻫﺎي ﺗﻄﺒﻴﻘﻲ ﭘﺮداﺧﺘﻪ اﻧﺪ و ﺑﺎ اﺳﺘﻔﺎده از دو ﻓﻴﻠﺘﺮ‬
‫ﺗﻄﺒﻴﻘﻲ ‪ ANC1‬و ‪ ASE2‬ﺑﻪ ﺣﺬف آرﺗﻴﻔﻜﺖ ‪ EOG‬ﺑﻪ‬
‫ﺻﻮرت ﭘﺮدازش ﻫﻤﺰﻣﺎن‪ 3‬ﭘﺮداﺧﺘﻪ و ﺑﻪ ﻧﺘﺎﻳﺞ ﻗﺎﺑﻞ ﻗﺒﻮﻟﻲ‬
‫رﺳﻴﺪه اﻧﺪ‪ .‬در ﺗﺤﻘﻴﻖ دﻳﮕﺮي ‪ Jung‬و ﻫﻤﻜﺎراﻧﺶ ]‪ [4‬در‬
‫ﺳﺎل ‪ 2000‬ﻣﻴﻼدي ﺑﺎ اﺳﺘﻔﺎده از ﭘﺮدازش ﻣﺆﻟﻔﻪ ﻫﺎي‬
‫ﻣﺴﺘﻘﻞ )‪ (ICA‬ﻣﻮﻓﻖ ﺑﻪ ﺟﺪاﺳﺎزي آرﺗﻴﻔﻜﺖ ﻫﺎي ‪EOG‬‬
‫از ‪ EEG‬ﮔﺸﺘﻪ اﻧﺪ‪ .‬اﻟﺒﺘﻪ اﻳﻦ روش ﻧﻴﺎزﻣﻨﺪ ﭘﺮدازش‬
‫ﻏﻴﺮﻫﻤﺰﻣﺎن‪ 4‬و ﺗﻌﺪاد داده ﺟﻤﻊ آوري ﺷﺪه ﺑﺎﻻ از روي‬
‫ﭼﻨﺪﻳﻦ ﻛﺎﻧﺎل ﻣﻲﺑﺎﺷﺪ‪ .‬در ﺳﺎل ‪ 2003‬ﻣﻴﻼدي ‪Ivanova‬‬
‫و ﻫﻤﻜﺎراﻧﺶ ﻧﻴﺰ ]‪ [5‬ﺑﻪ ﺣﺬف آرﺗﻴﻔﻜﺖ ﻫﺎي ‪ EOG‬در‬
‫‪ Shoker‬و ﻫﻤﻜﺎراﻧﺶ ]‪ [6‬در ﺳﺎل ‪ 2004‬ﻣﻴﻼدي ﺑﺎ‬
‫ﺳﻴﮕﻨﺎل ‪ EEG‬ﺣﺬف ﻧﻤﻮده اﻧﺪ ‪.‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﺎﺻﻴﺖ ﻏﻴﺮ ﺧﻄﻲ ﺳﻴﮕﻨﺎل ‪ EOG‬ﺗﺪاﺧﻠﻲ‪،‬‬
‫ﺳﻴﮕﻨﺎل ﺗﺪاﺧﻠﻲ ﻣﻲ ﺑﺎﺷﺪ‪ .‬در اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎ اﺳﺘﻔﺎده از‬
‫‪ ANFIS‬ﺑﻪ ﺣﺬف ﻣﻮﻟﻔﻪ ﻫﺎي ﻋﻤﻮدي و اﻓﻘﻲ ﺳﻴﮕﻨﺎل‬
‫‪ EOG‬از ﺳﻴﮕﻨﺎل ‪ EEG‬ﺑﺎ ﻛﻴﻔﻴﺖ ﺑﺎﻻ ﭘﺮداﺧﺘﻪ ﺷﺪه اﺳﺖ‬
‫‪ ،‬ﺑﻪ ﻧﺤﻮي ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺳﻴﮕﻨﺎل ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه ‪EEG‬‬
‫ﺑﺎ ﻣﻮﻟﻔﻪ ﻫﺎي ‪ VEOG‬و ‪ HOEG‬ﻛﺎﻫﺶ زﻳﺎدي ﻳﺎﻓﺘﻪ و‬
‫ﻣﺎﻫﻴﺖ اﺻﻠﻲ ﺳﻴﮕﻨﺎل ﻧﻴﺰ ﺣﻔﻆ ﺷﺪه اﺳﺖ‪.‬‬
‫‪ -2‬روش ﻛﺎر‪:‬‬
‫‪ANFIS -1-2‬‬
‫‪Adaptive Noise Canceller‬‬ ‫‪1‬‬
‫‪Adaptive Signal Enhancer‬‬ ‫‪2‬‬
‫‪Online‬‬ ‫‪3‬‬
‫‪Offline‬‬ ‫‪4‬‬
‫‪Constrained Blind Source Separation‬‬ ‫‪5‬‬
 ‫‪2‬‬
‫∧‬ ‫ﺑﺎﺷﺪ‪ ،‬ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت اﺻﻠﻲ ﺑﻪ راﺣﺘﻲ ﺑﻪ وﺳﻴﻠﻪ ﻛﻢ‬
‫)‪d ( k ) − f ( n ( k ), n ( k − 1),...‬‬ ‫) ‪(13‬‬
‫ﻛﺮدن )‪ d(k‬از ﺧﺮوﺟﻲ ﻗﺎﺑﻞ ﺑﺎزﻳﺎﺑﻲ اﺳﺖ‪ .‬اﻣﺎ ﻣﺘﺄﺳﻔﺎﻧﻪ در‬
‫ﻟﺬا ﻣﻌﺎدﻟﻪ ‪ 12‬ﺗﺒﺪﻳﻞ ﺑﻪ ﻣﻌﺎدﻟﻪ ‪ 14‬ﻣﻲ ﮔﺮدد‪:‬‬ ‫اﻏﻠﺐ ﻛﺎرﺑﺮدﻫﺎ اﻳﻦ ﺗﺎﺑﻊ ﺑﻪ وﺳﻴﻠﻪ ﻣﺤﻴﻂ و ﻳﺎ ﮔﺬﺷﺖ زﻣﺎن‬
‫‪2‬‬ ‫‪2‬‬
‫∧‬ ‫‪2‬‬
‫ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ اﺳﺖ و ﻃﻴﻒ )‪ d(k‬ﻧﻴﺰ در اﻛﺜﺮ ﻣﻮارد ﺑﺎ‬
‫) ‪e(k‬‬ ‫) ‪= x(k‬‬ ‫) ‪+ d (k ) − d (k‬‬ ‫) ‪(14‬‬
‫ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﻫﻢ ﭘﻮﺷﺎﻧﻲ دارد و درﻧﺘﻴﺠﻪ اﻋﺘﺒﺎر روش‬
‫∧‬
‫) ‪+ 2 x(k )d (k ) − 2 x(k ) d (k‬‬ ‫ﻫﺎي ﻓﻴﻠﺘﺮ ﻛﺮدن داﻣﻨﻪ‪ -‬ﻓﺮﻛﺎﻧﺲ از ﺑﻴﻦ ﻣﻲ رود‪.‬‬
‫و ﺑﺎ ﮔﺮﻓﺘﻦ اﻣﻴﺪ رﻳﺎﺿﻲ از دو ﻃﺮف ﻣﻌﺎدﻟﻪ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ‬ ‫ﺑﺮاي ﺗﺨﻤﻴﻦ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ ﺗﻐﻴﻴﺮ ﺷﻜﻞ ﻳﺎﻓﺘﻪ‪ ،‬ﻧﻴﺎز ﺑﻪ ﻣﻨﺒﻊ‬
‫∧‬ ‫ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ‪ ،‬ﻣﺴﺘﻘﻞ از ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﻣﻲ ﺑﺎﺷﺪ‪ .‬و ﺑﻪ‬
‫اﻳﻦ ﻣﺴﺄﻟﻪ ﻛﻪ ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﺑﺎ ) ‪ d (k‬ﻫﻤﺒﺴﺘﻪ ﻧﻴﺴﺖ‬
‫ﻃﻮر ﻣﺴﺘﻘﻴﻢ ﻧﻤﻲ ﺗﻮان ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ ﺗﻐﻴﻴﺮ ﻳﺎﻓﺘﻪ را از روي‬
‫ﺑﻪ راﺑﻄﻪ ‪ 15‬ﻣﻲ رﺳﻴﻢ‪.‬‬
‫∧‬ ‫∧‬
‫ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﺑﻪ دﺳﺖ آورد ﻟﺬا ﺑﺎ ﻓﺮض اﻳﻦ ﻣﺴﺄﻟﻪ ﻛﻪ‬
‫)‪E[e 2 ] = E[ x 2 ] + E[(d − d )] − 2 E[ x d ] (15‬‬ ‫ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت )‪ ،x(k‬داراي ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ اﺳﺖ و ﻧﻴﺰ‬
‫ﺑﺎ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ )‪ n(k‬ﻫﻤﺒﺴﺘﮕﻲ ﻧﺪارد‪ ،‬ﻣﻲ ﺗﻮان ﺳﻴﮕﻨﺎل‬
‫ﭼﻮن ﺳﻴﮕﻨﺎل ‪ EEG‬داراي ﻣﺎﻫﻴﺖ ﺗﺼﺎدﻓﻲ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ‬ ‫ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ ﺧﺮوﺟﻲ )‪ y(k‬را ﺑﻪ ﻋﻨﻮان ﺧﺮوﺟﻲ ﻣﻄﻠﻮب‬
‫‪1 n‬‬ ‫∧‬
‫ﺑﺮاي آﻣﻮزش ‪ ANFIS‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬
‫ﻫﻨﮕﺎﻣﻴﻜﻪ ‪ n‬ﺑﻪ‬ ‫∑‬
‫‪n k =1‬‬
‫ﺻﻔﺮ ﻣﻲ ﺑﺎﺷﺪ ﻟﺬا ) ‪x(k ) d (k‬‬

‫ﺳﻤﺖ ﺑﻴﻨﻬﺎﻳﺖ ﻣﻴﻞ ﻣﻲ ﻛﻨﺪ ﺑﺮاﺑﺮ ﺻﻔﺮ ﻣﻲ ﺷﻮد و دارﻳﻢ ‪:‬‬

‫‪Primary Input‬‬ ‫‪+‬‬ ‫‪Clean EEG‬‬
‫∧‬ ‫∑‬ ‫‪-‬‬
‫‪E[ x d ] = 0‬‬ ‫)‪(16‬‬ ‫‪-‬‬
‫∧‬
‫] ‪E[e 2 ] = E[ x 2 ] + E[(d − d ) 2‬‬ ‫∧‬ ‫‪-‬‬
‫‪VEOG‬‬ ‫) ‪d v (k‬‬
‫‪ANFIS‬‬

‫ﻛﻪ در ﻛﺎﻫﺶ ﻣﻘﺪار ]‪ E[e2‬ﻣﻘﺪار ]‪ E[x2‬ﺗﺤﺖ ﺗﺄﺛﻴﺮ ﻗﺮار‬ ‫∧‬

‫ﻧﻤﻲ ﮔﻴﺮد‪ .‬آﻣﻮزش ﺷﺒﻜﻪ ‪ ANFIS‬ﺳﻌﻲ در ﺣﺪاﻗﻞ ﻛﺮدن‬ ‫‪HEOG‬‬ ‫) ‪d h (k‬‬
‫‪ANFIS‬‬
‫ﺧﻄﺎي ﻧﻬﺎﻳﻲ دارد ﻛﻪ اﻳﻦ ﻣﺴﺄﻟﻪ ﻫﻤﺘﺮاز ﺑﺎ ﺣﺪاﻗﻞ ﻛﺮدن‬
‫∧‬
‫] ‪ E[(d − d ) 2‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬در ﻧﺘﻴﺠﻪ ﺑﺎ ﻛﺎﻫﺶ ﺧﻄﺎي ‪e2‬‬ ‫ﺷﻜﻞ ‪ -3‬ﺳﺎﺧﺘﺎر ﻓﻴﻠﺘﺮ‬
‫∧‬ ‫∧‬
‫‪1‬‬
‫ﺗﺎﺑﻊ )‪ f (.‬ﺗﺨﻤﻴﻦ زده ﺷﺪه ﺗﻮﺳﻂ ‪ ،ANFIS‬ﺗﺎ ﺣﺪ‬ ‫ﺧﺮوﺟﻲ ﺷﺒﻜﻪ ‪ ANFIS‬را ) ‪ d ( k‬ﻣﻲ ﻧﺎﻣﻴﻢ‪ .‬ﻗﻮاﻧﻴﻦ‬
‫اﻣﻜﺎن ﻧﺰدﻳﻚ ﺑﻪ ﺗﺎﺑﻊ اﺻﻠﻲ )‪ f(.‬ﻛﻪ ﻫﻤﺎن ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ‬ ‫ﺷﺒﻜﻪ ‪ ANFIS‬ﻃﺒﻖ راﺑﻄﻪ زﻳﺮ ﺳﻌﻲ در ﻛﺎﻫﺶ ﺧﻄﺎ‬
‫ﻧﻮﻳﺰ ﺗﺪاﺧﻠﻲ اﺳﺖ‪ ،‬ﻣﻲﺷﻮد‪.‬‬ ‫دارد ‪.‬‬
‫‪2‬‬ ‫‪2‬‬
‫ﻫﻤﺎﻧﻄﻮر ﻛﻪ در ﺷﻜﻞ ‪ 3‬دﻳﺪه ﻣﻲﺷﻮد ‪ ANFIS‬ﺑﺎ اﺳﺘﻔﺎده‬ ‫‪2‬‬
‫∧‬ ‫∧‬
‫) ‪e( k ) = y ( k ) − d ( k ) = x ( k ) + d ( k ) − d ( k‬‬
‫از ﺧﻄﺎي ﻧﺎﺷﻲ از اﺧﺘﻼف ﺑﻴﻦ ‪ EOG‬ﺗﺨﻤﻴﻦ زده ﺷﺪه و‬
‫‪2‬‬
‫ﺳﻴﮕﻨﺎل ‪ EEG‬ورودي ﺑﻪ ﺗﻨﻈﻴﻢ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﻘﺪم و ﻣﺆﺧﺮ‬ ‫∧‬
‫)‪= x(k ) + d (k ) − f (n(k ), n(k − 1),...‬‬ ‫)‪(12‬‬
‫ﺧﻮد ﻣﻲﭘﺮدازد‪ .‬ﺑﻪ ﻃﻮرﻳﻜﻪ از ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﺑﺮاي ﺗﻨﻈﻴﻢ‬
‫∧‬
‫ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺆﺧﺮ و ﭘﺲ اﻧﺘﺸﺎرﺧﻄﺎ ﺑﺮاي ﭘﺎراﻣﺘﺮﻫﺎي ﻣﻘﺪم‬
‫ﻛﻪ ‪ f‬ﺗﺎﺑﻊ ﺗﺨﻤﻴﻦ زده ﺷﺪه ﺗﻮﺳﻂ ‪ ANFIS‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺗﻌﺪاد ‪ epoch‬ﺑﺮاي آﻣﻮزش‬
‫ﻫﻨﮕﺎﻣﻴﻜﻪ ﺳﻴﮕﻨﺎل اﻃﻼﻋﺎت ﺑﺎ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ واﺑﺴﺘﮕﻲ‬
‫‪ ANFIS‬ﺑﺮاﺑﺮ‪ 250‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ اﺳﺖ‪ .‬و ﻧﻴﺰ درﺟﻪ ﺗﺎﺑﻊ‬
‫ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ‪ ANFIS‬ﺳﻌﻲ در ﺣﺪاﻗﻞ ﻛﺮدن ﺧﻄﺎي‬
‫)‪ f(.‬ﺑﺮاﺑﺮ ‪ 2‬ﻓﺮض ﺷﺪه اﺳﺖ‪ .‬و ﺗﻮاﺑﻊ ﻋﻀﻮﻳﺖ ورودي ﺑﻪ‬
‫)‪ d(k‬دارد ﻛﻪ اﻳﻦ ﺧﻄﺎ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬
‫ﺻﻮرت ﻣﺜﻠﺜﻲ و ﺑﺮاﺑﺮ ‪ 2‬در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‬
‫ﻫﺮ ‪ ANFIS‬ﺑﺎ ﻣﺠﻤﻮﻋﻪ دادهﻫﺎي])‪[n(k),n(k-1);y(k‬‬
‫‪Rules‬‬ ‫‪1‬‬
‫‪ VEOG‬ﺛﺒﺖ ﺷـﺪه و‪ EOG‬ﻋﻤـﻮدي ﺗﺨﻤـﻴﻦ زده ﺷـﺪه‬ ‫آﻣﻮزش داده ﺷﺪه اﺳﺖ‪ .‬ﻛﻪ در آن )‪ n(k‬ﻫﻤﺎن ‪ VEOG‬و‬
‫ﺑﻮﺳﻴﻠﻪ ‪ ANFIS‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬ ‫ﻳﺎ ‪ HEOG‬و )‪ y(k‬ﺳﻴﮕﻨﺎل ‪ EEG‬اوﻟﻴﻪ ﻣﻲﺑﺎﺷﺪ‪ .‬ﭘﺲ از‬
‫در ﺷﻜﻞ ‪ 6‬ﺳﻴﮕﻨﺎل ‪ EEG‬اوﻟﻴﻪ و ‪ VEOG‬و ‪ HEOG‬و‬ ‫آﻣﻮزش ﻫﺮ ‪ ANFIS‬ﺑﺎ ﻣﺠﻤﻮﻋﻪ داده ﻫﺎي ورودي و‬
‫ﻧﻴﺰ ﺳﻴﮕﻨﺎل ‪ EEG‬را ﭘﺲ از ﺣﺬف ‪ EOG‬دﻳﺪه ﻣﻲ ﺷﻮد‪.‬‬ ‫ﺧﺮوﺟﻲ‪ ،‬در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﺑﺎ دادن وروديﻫﺎي‬
‫ﻫﻤﺎﻧﻄﻮر ﻛﻪ در اﻳﻦ ﺷﻜﻞ ﻣﺸﺎﻫﺪه ﻣـﻲﺷـﻮد اﻳـﻦ ﺳﻴﺴـﺘﻢ‬ ‫])‪ [n(k),n(k-1);y(k‬ﺧﺮوﺟﻲ ﻫﺎي ﺗﺨﻤﻴﻦ زده ﺷﺪه ﻛﻪ‬
‫∧‬
‫ﺗﻮاﻧﺴﺘﻪ اﺳـﺖ ﺑـﺎ ﻛﻴﻔﻴـﺖ ﻣﻄﻠـﻮﺑﻲ آرﺗﻴﻔﻜﺘﻬـﺎي ﺗـﺪاﺧﻠﻲ‬ ‫∧‬
‫ﻫﻤﺎن ) ‪ d v (k‬و ) ‪ d h (k‬را ﺑﻪ دﺳﺖ آورده و از ﺳﻴﮕﻨﺎل‬
‫‪ EOG‬را از ﺳــﻴﮕﻨﺎل ‪ EEG‬ﺣــﺬف ﻛﻨــﺪ؛ ﺑــﺪون اﻳﻨﻜــﻪ‬
‫ﺧﺮوﺟﻲ ﻛﻢ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﻛﻪ ﺣﺎﺻﻞ آن ﺳﻴﮕﻨﺎل ‪EEG‬‬
‫ﻟﻄﻤﻪاي ﺑﻪ ﻣﺎﻫﻴﺖ ﺳﻴﮕﻨﺎل ‪ EEG‬وارد ﺷﻮد‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑـﻪ‬
‫ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﻨﻈﻮر ﺑﺮرﺳﻲ ﺑﻴﺸﺘﺮ ﻛﻴﻔﻴﺖ ﺳـﻴﮕﻨﺎل ﺣـﺬف ﻧـﻮﻳﺰ ﺷـﺪه‪،‬‬
‫ﻣﻘﺎدﻳﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺧﻄﻲ ﺑﻴﻦ ﺳـﻴﮕﻨﺎل ‪ EEG‬ﺑـﺎ ﺳـﻴﮕﻨﺎل‬
‫‪ -3‬ﻧﺘﺎﻳﺞ‪:‬‬
‫ﻫﺎي ‪ VEOG‬و ‪ HEOG‬ﻗﺒﻞ ﺑﻌﺪ از ﺣﺬف ﻧـﻮﻳﺰ ‪EOG‬‬
‫ﺳﻴﮕﻨﺎل ‪ EEG‬اﻧﺘﺨﺎب در اﻳﻨﺠﺎ ﻃﺒﻖ ﺳﻴﺴـﺘﻢ اﺳـﺘﺎﻧﺪارد‬
‫ﻣﺤﺎﺳﺒﻪ و در ﺟﺪول ‪ 1‬ﮔﺰارش ﺷﺪه اﺳﺖ‪.‬‬
‫‪ 10-20‬از ﻛﺎﻧﺎل ‪ F8‬ﻣﻲﺑﺎﺷﺪ ﻛـﻪ داراي ﺑﻴﺸـﺘﺮﻳﻦ ‪EOG‬‬
‫ﺗﺪاﺧﻠﻲ ﻧﺴﺒﺖ ﺑﻪ ﻛﺎﻧﺎﻟﻬﺎي ﻧﻮاﺣﻲ ﻣﺮﻛﺰي و ﭘﺮﻳﺘﺎل اﺳﺖ‪.‬‬
‫ﺷــﻜﻞ ‪ 4‬ﺳــﻴﮕﻨﺎل ‪ HEOG‬ﺛﺒــﺖ ﺷــﺪه و‪ EOG‬اﻓﻘــﻲ‬
‫ﺗﺨﻤﻴﻦ زده ﺷـﺪه ﺑﻮﺳـﻴﻠﻪ ‪ ANFIS‬و ﺷـﻜﻞ ‪ 5‬ﺳـﻴﮕﻨﺎل‬
‫‪Horizontal EOG‬‬ ‫‪Vertical EOG‬‬
‫‪600‬‬ ‫‪1500‬‬

‫‪400‬‬
‫‪1000‬‬

‫‪200‬‬
‫‪500‬‬
‫‪0‬‬
‫‪0‬‬
‫‪-200‬‬

‫‪-500‬‬
‫‪-400‬‬

‫‪-600‬‬ ‫‪-1000‬‬
‫‪0‬‬ ‫‪0.2‬‬ ‫‪0.4‬‬ ‫‪0.6‬‬ ‫‪0.8‬‬ ‫‪1‬‬ ‫‪1.2‬‬ ‫‪1.4‬‬ ‫‪1.6‬‬ ‫‪1.8‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪0.2‬‬ ‫‪0.4‬‬ ‫‪0.6‬‬ ‫‪0.8‬‬ ‫‪1‬‬ ‫‪1.2‬‬ ‫‪1.4‬‬ ‫‪1.6‬‬ ‫‪1.8‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪x 10‬‬ ‫‪x 10‬‬

‫‪Estimated Horizontal EOG‬‬ ‫‪Estimated Vertical EOG‬‬

‫‪300‬‬ ‫‪300‬‬

‫‪200‬‬ ‫‪200‬‬

‫‪100‬‬ ‫‪100‬‬

‫‪0‬‬ ‫‪0‬‬

‫‪-100‬‬ ‫‪-100‬‬

‫‪-200‬‬ ‫‪-200‬‬

‫‪-300‬‬ ‫‪-300‬‬
‫‪0‬‬ ‫‪0.2‬‬ ‫‪0.4‬‬ ‫‪0.6‬‬ ‫‪0.8‬‬ ‫‪1‬‬ ‫‪1.2‬‬ ‫‪1.4‬‬ ‫‪1.6‬‬ ‫‪1.8‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪0.2‬‬ ‫‪0.4‬‬ ‫‪0.6‬‬ ‫‪0.8‬‬ ‫‪1‬‬ ‫‪1.2‬‬ ‫‪1.4‬‬ ‫‪1.6‬‬ ‫‪1.8‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪x 10‬‬ ‫‪x 10‬‬

‫ﺷﻜﻞ )‪ (5‬ﺗﺨﻤﻴﻦ ‪ EOG‬ﻋﻤﻮدي ﺑﺎ‪ANFIS‬‬ ‫ﺷﻜﻞ )‪ (4‬ﺗﺨﻤﻴﻦ ‪ EOG‬اﻓﻘﻲ ﺑﺎ ‪ANFIS‬‬

 ‫‪Vertical EOG‬‬
‫‪1000‬‬

‫‪500‬‬

‫‪0‬‬

‫‪-500‬‬
‫‪6000‬‬ ‫‪7000‬‬ ‫‪8000‬‬ ‫‪9000‬‬ ‫‪10000‬‬ ‫‪11000‬‬ ‫‪12000‬‬
‫‪Horizontal EOG‬‬
‫‪1000‬‬

‫‪0‬‬

‫‪-1000‬‬
‫‪6000‬‬ ‫‪7000‬‬ ‫‪8000‬‬ ‫‪9000‬‬ ‫‪10000‬‬ ‫‪11000‬‬ ‫‪12000‬‬
‫‪Orginal EEG with EOG‬‬
‫‪500‬‬

‫‪0‬‬

‫‪-500‬‬
‫‪6000‬‬ ‫‪7000‬‬ ‫‪8000‬‬ ‫‪9000‬‬ ‫‪10000‬‬ ‫‪11000‬‬ ‫‪12000‬‬
‫‪EEG after Artifact removing‬‬
‫‪200‬‬

‫‪0‬‬

‫‪-200‬‬
‫‪6000‬‬ ‫‪7000‬‬ ‫‪8000‬‬ ‫‪9000‬‬ ‫‪10000‬‬ ‫‪11000‬‬ ‫‪12000‬‬

‫‪Original‬‬ ‫‪Clean‬‬
‫ﺷﻜﻞ )‪ EEG (6‬ﻗﺒﻞ و ﺑﻌﺪ از ﺣﺬف آرﺗﻴﻔﻜﺖ‬ ‫‪HEOG‬‬ ‫‪VEOG‬‬ ‫‪EEG‬‬ ‫‪EEG‬‬
‫‪HEOG‬‬ ‫‪Pearson‬‬
‫ﺧﻄﻲ ﻣﻘﺪم و ﻏﻴﺮ ﺧﻄﻲ ﻣﺆﺧﺮ در ‪ ANFIS‬ﺳﺒﺐ‬ ‫‪Correlation‬‬
‫‪1‬‬ ‫‪.276‬‬ ‫‪-.519‬‬ ‫‪-.029‬‬
‫‪VEOG‬‬ ‫‪Pearson‬‬
‫ﺗﺨﻤﻴﻦ ﻣﻨﺎﺳﺐ ﺗﺎﺑﻊ ﻧﻮﻳﺰ ))‪ (f(.‬ﺷﺪه اﺳﺖ‪.‬‬ ‫‪Correlation‬‬
‫‪.276‬‬ ‫‪1‬‬ ‫‪.486‬‬ ‫‪.019‬‬
‫‪Original‬‬ ‫‪Pearson‬‬
‫ﻋﻼوه ﺑﺮ اﻳﻦ در اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺮ ﺧﻼف ﺗﺤﻘﻴﻘﺎت ﻗﺒﻠﻲ ﻛﻪ‬ ‫‪-.519‬‬ ‫‪.486‬‬ ‫‪1‬‬ ‫‪.462‬‬
‫‪EEG‬‬ ‫‪Correlation‬‬
‫‪Clean‬‬ ‫‪Pearson‬‬
‫ﺗﻨﻬﺎ ﺑﻪ ﺻﻮرت ﻛﻴﻔﻲ ﺑﻪ اﻋﺘﺒﺎر ﺳﻨﺠﻲ ﺳﻴﮕﻨﺎل ﺣﺬف ﻧﻮﻳﺰ‬ ‫‪-.029‬‬ ‫‪.019‬‬ ‫‪.462‬‬ ‫‪1‬‬
‫‪EEG‬‬ ‫‪Correlation‬‬
‫ﺷﺪه ‪ EEG‬ﭘﺮداﺧﺘﻪ اﻧﺪ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﻴﺎر ﻫﻤﺒﺴﺘﮕﻲ‬ ‫ﻫﻤﺎﻧﻄﻮر ﻛﻪ در ﺟﺪول ‪ 1‬ﻣﺸﺎﻫﺪه ﻣﻲﺷﻮد ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ‬
‫ﺧﻄﻲ ﺑﻪ ارزﻳﺎﺑﻲ ﺳﻴﮕﻨﺎل ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه در ﻣﻘﺎﺑﻞ‬ ‫ﺳﻴﮕﻨﺎل ‪ EEG‬ورودي ﻗﺒﻞ و ﺑﻌﺪ از ﺣﺬف آرﺗﻴﻔﻜﺖ ﺑﺎ‬
‫ﺳﻴﮕﻨﺎل ‪ EEG‬ورودي ﭘﺮداﺧﺘﻪ اﺳﺖ و ﻧﺸﺎن داده ﺷﺪه‬ ‫ﺳﻴﮕﻨﺎل ‪ VEOG‬از ‪ 0/486‬ﺑﻪ ‪ 0/019‬و ﺑﺎ ﺳﻴﮕﻨﺎل‬
‫اﺳﺖ ﻛﻪ ﻣﻘﺎدﻳﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺧﻄﻲ ﺳﻴﮕﻨﺎل ‪ EEG‬ﺑﺎ‬ ‫‪ HEOG‬از ‪ 0/519‬ﺑﻪ ‪ 0/029‬ﻛﺎﻫﺶ ﻳﺎﻓﺘﻪ اﺳﺖ‪.‬‬
‫ﺳﻴﮕﻨﺎل ﻫﺎي ‪ VEOG‬و ‪ HEOG‬ﭘﺲ از ﺣﺬف ﻧﻮﻳﺰ‬ ‫ﻫﻤﭽﻨﻴﻦ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺳﻴﮕﻨﺎل ‪ EEG‬ورودي و‬
‫ﻛﺎﻫﺶ ﺑﺴﻴﺎر ﭼﺸﻤﮕﻴﺮي داﺷﺘﻪ اﺳﺖ‪.‬‬ ‫ﺳﻴﮕﻨﺎل ‪ EEG‬ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه ﺑﺮاﺑﺮ ‪ 0/462‬ﺑﻪ دﺳﺖ‬
‫روش اراﺋﻪ ﺷﺪه در اﻳﻦ ﺗﺤﻘﻴﻖ‪ ،‬ﺣﺬف ﻧﻮﻳﺰ ‪ EOG‬ﺑﺎ‬ ‫آﻣﺪه اﺳﺖ ﻛﻪ ﻧﺸﺎن دﻫﻨﺪه ﻧﺤﻮه ﻋﻤﻠﻜﺮد ﺻﺤﻴﺢ و ﺧﻮب‬
‫اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ‪ ANFIS‬ﺑﻪ ﻋﻨﻮان ﺗﺨﻤﻴﻦ زﻧﻨﺪه‬ ‫اﻳﻦ روش ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﺧﺼﻮﺻﻴﺎت ﻛﺎﻧﺎل ارﺗﺒﺎﻃﻲ ‪ EOG‬از ﻣﺤﻞ ﭼﺸﻢ ﻫﺎ ﺗﺎ‬
‫ﻣﺤﻞ ﺛﺒﺖ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﺑﺮاي اﺟﺮاي اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻧﻴﺎز اﺳﺖ‬ ‫ﺟﺪول ‪ -1‬ﻫﻤﺒﺴﺘﮕﻲ ﺧﻄﻲ ﺳﻴﮕﻨﺎل ﺣﺬف ﻧﻮﻳﺰ ﺷﺪه ﺑﺎ ﺳﻴﮕﻨﺎل‬
‫ﺷﺒﻜﻪ در اﺑﺘﺪا ﻳﻚ ﺑﺎر آﻣﻮزش دﻳﺪه و ﺳﭙﺲ ﺑﻪ ﺻﻮرت‬ ‫اﺻﻠﻲ و ‪EOG‬‬

‫ﻫﻤﺰﻣﺎن ﺑﻪ ﺣﺬف ‪ EOG‬اﻗﺪام ﻛﻨﺪ ‪ .‬اﮔﺮ ﺑﺘﻮان ﺗﺎﺑﻊ ﻏﻴﺮ‬

‫ﺧﻄﻲ ﻧﻮﻳﺰ ﺗﺪاﺧﻠﻲ ))‪ (f(.‬را ﺣﺪاﻗﻞ ﺑﺮاي ﻫﺮ ﻓﺮد ﺑﻪ ﻃﻮر‬
‫دﻗﻴﻖ ﺗﺨﻤﻴﻦ زد‪ ،‬اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻛﺎراﻳﻲ ﺑﺎﻻﻳﻲ ﺧﻮاﻫﺪ داﺷﺖ‬
‫ﻛﻪ اﻳﻦ اﻣﺮ ﻧﻴﺎزﻣﻨﺪ داﻧﺴﺘﻦ درﺟﻪ ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ اﻳﻦ ﻛﺎﻧﺎل‬
‫در ﻫﺮ ﻓﺮد ﻣﻲﺑﺎﺷﺪ‪ .‬ﮔﺮﭼﻪ در اﻳﻦ ﺗﺤﻘﻴﻖ درﺟﻪ ﺗﺎﺑﻊ ﺑﻪ‬
‫ﺻﻮرت ﺗﺠﺮﺑﻲ و روش ﺳﻌﻲ و ﺧﻄﺎ ﺗﺨﻤﻴﻦ زده ﺷﺪه اﺳﺖ‪،‬‬
‫اﻣﺎ اﮔﺮ ﺑﺘﻮان ﻳﻚ روش ﻣﻌﺘﺒﺮي ﺑﺮاي ﺑﻪ دﺳﺖ آوردن‬
‫درﺟﻪ ﺗﺎﺑﻊ ﻏﻴﺮ ﺧﻄﻲ ﭘﻴﺪا ﻛﺮد‪ ،‬ﻣﻄﻤﺌﻨﺎً ﭘﺎﺳﺦ ﻫﺎ ﺑﻬﺒﻮد‬
‫ﺑﻬﺘﺮي ﺧﻮاﻫﻨﺪ ﻳﺎﻓﺖ‪.‬‬
‫آرﺗﻴﻔﻜﺖ ‪ EOG‬از ﺳﻴﮕﻨﺎل ‪ ،EEG‬ﻧﺴﺒﺖ ﺑﻪ ﻧﺘﺎﻳﺞ ﺑﻪ‬
‫‪ -5‬ﻣﺮاﺟﻊ‬
‫‪ -4‬ﺑﺤﺚ و ﻧﺘﻴﺠﻪ ﮔﻴﺮي‬
‫ﺗﺌﻮري ﻣﺠﻤﻮﻋﻪ ﻫﺎي ﻓﺎزي ﻧﻘﺶ ﻣﻬﻤﻲ در ﺗﺼﻤﻴﻢ ﮔﻴﺮي‬
‫ﺑﺮاي داده ﻫﺎي ﺑﺎ ﻋﺪم ﻗﻄﻌﻴﺖ در ﻛﺎرﺑﺮد ﻫﺎي ﭘﺰﺷﻜﻲ‬
‫دارد‪ .‬اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي ‪ ،‬ﻣﺎ را ﻗﺎدر ﺑﻪ اﺳﺘﻔﺎده از ﻋﺪم‬
‫ﻗﻄﻌﻴﺖ در ﻃﺮاﺣﻲ ﻓﻴﻠﺘﺮﻫﺎي ﺑﻬﻴﻨﻪ ﻧﻤﻮده و در ﻧﺘﻴﺠﻪ‬
‫اﻋﺘﺒﺎر ﺧﺮوﺟﻲ ﺳﻴﺴﺘﻢ ﻫﺎ را ﺑﺎﻻ ﺑﺮده اﺳﺖ ‪ .‬اﻳﻦ ﺗﺤﻘﻴﻖ‬
‫ﻛﺎرﺑﺮد ﺟﺪﻳﺪي از ‪ ANFIS‬را در ﻃﺮاﺣﻲ ﻓﻴﻠﺘﺮ ﺑﻬﻴﻨﻪ ﻏﻴﺮ‬
‫ﺧﻄﻲ اراﺋﻪ ﻛﺮده اﺳﺖ و ﻧﺸﺎن دﻫﻨﺪه ﺗﻔﻜﻴﻚ ﺑﻬﺘﺮ‬
‫دﺳﺖ آﻣﺪه ﻗﺒﻠﻲ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ وﺟﻮد ﭘﺎراﻣﺘﺮﻫﺎي‬
‫ » ﺗﺸﺨﻴﺺ ﻣﺆﻟﻔﻪ ﻫﺎي ﺷﻨﺎﺧﺘﻲ در‬،‫ع‬.‫ م‬، ‫ و ﺧﻠﻴﻞ زاده‬.‫ح‬.‫ م‬، ‫ ﻣﺮادي‬،‫ و‬، ‫[ اﺑﻮﻃﺎﻟﺒﻲ‬1]
، ‫ﻓﺼﻠﻨﺎﻣﻪ ﻣﻬﻨﺪﺳﻲ ﭘﺰﺷﻜﻲ زﻳﺴﺘﻲ‬،«‫ﺳﻴﮕﻨﺎل ﻫﺎي ﻣﻐﺰي ﺑﺎ اﺳﺘﻔﺎده از ﺿﺮاﻳﺐ وﻳﻮﻟﺖ‬
1383-‫ﺳﺎل اول‬،‫ﺷﻤﺎره اول‬
[2] P.He,G.Wilson,C.Russell, “Removal of ocular
artifacts from electro-encephalogram by adaptive
filtering” Med. Bio. Eng. Comput, Vol.42, pp.407-
412, 2004
[3] S.Selvan, R.Srinivasan, “Removal of ocular
artifacts from EEG Using an Efficient Neural
Network Based Adaptive Filtering Technique”,
IEEE SIGNAL PROCESSING LETTERS,Vol.6,
No.12, pp.330-332, 1999
[4] Tzyy-Ping Jung, Scott Makeig, et al, “Removal
of eye activity from visual event-related potentials
in normal and clinical subjects”, Clinical
Neurophysiology, Vol.111, pp.1745-1758, 2000
[5] G.Ivanova et al., “Method for ocular artifact
correction of cognitive electrophysiological
signals”, Proceedings of the 25th annual
international conference of the IEEE EMBS,
pp.2499-2502, 2003
[6] L.Shoker et al., “Removal of eye blinking
artifacts from EEG incorporating a new constrained
BSS algorithm”, Proceedings of the 26th annual
international conference of the IEEE EMBS,
pp.909-912, 2004
[7] Jang J-SR, “ANFIS : Adaptive Network based
fuzzy inference system” , IEEE trans.Syst Man
Cybern, Vol.23(3), pp.665-685, 1993