Please use this identifier to cite or link to this item: http://cmuir.cmu.ac.th/jspui/handle/6653943832/69637
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAssociate Professor Dr. Nipon Theera-Umpon-
dc.contributor.authorPornwitcha Somsapen_US
dc.date.accessioned2020-08-18T02:44:50Z-
dc.date.available2020-08-18T02:44:50Z-
dc.date.issued2020-05-
dc.identifier.urihttp://cmuir.cmu.ac.th/jspui/handle/6653943832/69637-
dc.description.abstractThe main purpose of this thesis is about motor imagery classification to enhance communication capability for motor neuron disease patients, especially, those who cannot move their voluntary muscles such as Amyotrophic Lateral Sclerosis (ALS) or Locked-In Syndrome (LIS) patients. ALS is a progressive or damaged nervous system disease that affects nerve cells in the brain and spinal cord causing loss of muscle control. The symptoms of ALS are varied depending on the severity of damaged neurons. Signs and symptoms might include weakness, cramps, and twitching in the muscle. Likewise, the LIS patients cannot move their bodies except their eyes. Thus, ALS and LIS patients suffer to do necessary activities in daily living. According to the mentioned problems, this study focuses on the electroencephalography signal (EEG signal) because a patient’s brain still can function among the uncontrollable muscles. Additionally, the EEG signal can represent what the patient wants to communicate. Since an imagery hand movement is considered as a basic and simply thinking, it is used as the control activity for the experiment. The imagery left and right-hand movement can represent a basic answer (yes/no) or grasping (using the left or right hand). In this thesis, the EEG signal is collected and separated into 3 groups including imagery left-hand movement, right-hand movement, and relaxed state. There are 2 datasets, first is downloaded from a public EEG dataset and the other is recorded from a wireless EEG device. The signal is preprocessed and extracted features to build the model used for classification. The results show that the classification accuracy reaches almost 100% using the 5-fold cross validation.en_US
dc.language.isoenen_US
dc.publisherเชียงใหม่ : บัณฑิตวิทยาลัย มหาวิทยาลัยเชียงใหม่en_US
dc.titleElectroencephalography-based Imagery Movement Classification Using Support Vector Machine and Autoregressive Power Spectral Estimationen_US
dc.title.alternativeการจำแนกคลื่นสมองมโนภาพการเคลื่อนไหวโดยใช้ซัพพอร์ตเวกเตอร์แมชีนและการประมาณความหนาแน่นสเปกตรัมกำลังด้วยแบบจำลองออโตรีเกรสซีฟen_US
dc.typeThesis
thesis.degreemasteren_US
thesis.description.thaiAbstractวิทยานิพนธ์ฉบับนี้จัดทำขึ้นเพื่อเผยแพร่งานวิจัยเรื่องการคัดแยกคลื่นทางความคิดของสมอง เพื่อช่วยเป็นเครื่องมือหนึ่งในการให้ผู้ป่วยที่ไม่สามารถเคลื่อนไหวร่างกายได้ ให้สามารถสื่อสารกับผู้คนได้ดีขึ้น โดยจะมุ่งเน้นไปที่ผู้ป่วยที่ไม่สามารถขยับเคลื่อนไหวร่างกายได้ทั้งตัว อาทิเช่น โรคกล้ามเนื้ออ่อนแรง (Amyotrophic Lateral Sclerosis หรือ ALS) และ โรคอัมพาตทั้งตัว (Locked-In Syndrome หรือ LIS) โรคกล้ามเนื้ออ่อนแรง เป็นโรคที่เกิดจากความผิดปกติของระบบประสาท โดยโรคดังกล่าวเกิดจากเซลล์ประสาทเสื่อมสภาพหรือถูกทำลาย ซึ่งส่งผลต่อทำงานของกล้ามเนื้อ ทำให้กล้ามเนื้อของผู้ป่วย มีอาการอ่อนแรง กล้ามเนื้อกระตุก และ กล้ามเนื้อลีบ ส่วนผู้ป่วยอัมพาตทั้งตัวนั้น จะไม่สามารถเคลื่อนไหวร่างกายทั้งตัวได้ ยกเว้นการกลอกตา หลับตา หรือ การลืมตา เท่านั้น จึงทำให้ลำบากต่อการใช้ชีวิตเป็นอย่างมาก เนื่องจากผลกระทบของโรคที่มีต่อกล้ามเนื้อทุกส่วนของร่างกาย การศึกษาจึงมุ่งเน้นไปที่การคัดแยกคลื่นทางความคิดจากสมองเพื่อนำสัญญาณคลื่นสมองไปเป็นตัวแทนของการตอบคำถาม เช่น ใช่/ไม่ หรือ แทนการหยิบสิ่งของ เช่น หยิบด้วยมือซ้าย/ขวา โดยใช้วิธีการนึกคิดการสั่งการร่างกายพื้นฐานในการหยิบจับสิ่งของ นั่นคือ คิดกำมือซ้ายและขวา โดยการเก็บสัญญาณทางคลื่นสมอง (Electroencephalography signal หรือ EEG signal) จะเก็บสัญญาณเป็น 3 กลุ่มด้วยกัน ได้แก่ การคิดกำมือซ้าย ขวา และ ผ่อนคลาย เพื่อช่วยในการอำนวยความสะดวกให้แก่ผู้ป่วย ที่กล้ามเนื้อไม่สามารถทำงานได้โดยปรกติ วิทยานิพนธ์นี้จะประเมินประสิทธิภาพของกระบวนการจำแนกสัญญาณ บนชุดข้อมูลสองชุด ซึ่งประกอบไปด้วยชุดข้อมูลจากเครื่องมือบันทึกคลื่นสมองแบบมีสาย ซึ่งสามารถดาวน์โหลดได้จากฐานข้อมูลดังที่กล่าวไว้ในบทที่ 3 และข้อมูลจากเครื่องมือบันทึกคลื่นสมองแบบไร้สาย ซึ่งผู้จัดทำได้ทำการบันทึกข้อมูลเอง ข้อมูลที่บันทึกมาทั้งสองชุด จะถูกนำเข้าผ่านกระบวนการต่างๆ เพื่อคัดแยกลักษณะเด่นที่ใช้ในการจำแนก จากนั้นลักษณะเด่นเหล่านี้ จะถูกนำไปสอนเครื่องมือในการจำแนก เพื่อให้ได้มาซึ่งแบบจำลองที่ถูกต้องแม่นยำ ผลของการจำแนกในวิทยานิพนธ์นี้ ถือว่าแบบจำลองที่ได้มีความแม่นยำสูงสุดเกือบถึง 100% ด้วยการใช้ครอสแวลิเดชันแบบ 5 โฟลด์en_US
Appears in Collections:ENG: Theses

Files in This Item:
File Description SizeFormat 
602635902 พรวิชชา สมทรัพย์.pdf5.16 MBAdobe PDFView/Open    Request a copy


Items in CMUIR are protected by copyright, with all rights reserved, unless otherwise indicated.