گسترش سیستم BCI با استفاده از شبکه عصبی در افراد دچار نقص عضو

گسترش سیستم BCI با استفاده از شبکه عصبی در افراد دچار نقص عضو

(گسترش سیستم BCI)

میلیون­ها نفر در جهان به­دلیل سوانح و یا بیماری، دچار ضایعات شدید حرکتی می­شوند. این افراد مجبور به پذیرش سطح پایین­تری از کیفیت زندگی هستند و برای امور زندگی خود، وابستگی زیادی به دیگران دارند. امکانات زیادی با پیشرفت­ تکنولوژی برای این افراد به­وجود آمده است اما در افرادی که ناتوانی­های شدید حرکتی دارند، این امکانات به­وسیله ارتباط بین انسان و ماشین ایجاد شده است.

در دو دهه اخیر، پژوهش در زمینه ارتباط مغز انسان با کامپیوتر (BCI)، به­عنوان یک راه­حل مناسب، توجه محققان را به خود جلب کرده است.

هدف این پژوهش­ها این است تا در افراد امکانی را ایجاد کنند تا با ایجاد یک کانال ارتباطی پیشرفته با کمک سیگنال­های مغزی خود بتوانند یک افزاره مانند صندلی چرخ­دار یا کامپیوتر را کنترل کنند.

این ارتباط باعث کاهش وابستگی شخص به افراد، کاهش هزینه­ های اجتماعی و بهبود کیفیت زندگی او می­شود. این روش­ها مبتنی بر سیگنال­های مغزی هستند و موجب ایجاد بستری مناسب برای فعالیت­های مغزی در گسترش کانال­های کنترلی و ارتباطی شده­اند.

تولید سیگنال الکتریکی با تغییر خود آگاه حالت مغزی کاربر، ایجاد می­شود. اندازه­گیری این تغییر حالت ادراکی، بصورت الگوهای زمانی خاص  [۲,۱]. در و یا سطح توان سیگنال در فعالیت مغزی کاربر انجام می­گیرد [۲].

طراحی این سیستم­ها بستگی به کاربرد مورد نظر دارد.(گسترش سیستم BCI)

تا به امروز سیستم­هایی که توسط پژوهشگران طراحی و آزمایش شده­اند، را کاربردهای ارتباطی می­نامیم.

در مقابل آن، کاربردهایی که نیازمند توجه دائم کاربر و اعمال نامنظم کنترل از جانب او هستند، کاربردهای کنترلی نامیده می­شوند؛ مانند در نظر گرفتن یک فرآیند و تنظیم یک سطح کنترل در صورت نیاز. این کاربردها با دو پریود مشخص می­شوند. در پریود غیر فعال هیچ کنترلی بطور آگاهانه توسط کاربر به سیستم اعمال نمی­شود و تنها زمانی­ به­طور آگاهانه حالت­های سیستم را کنترل می­کند که بخواهد افزاره­ای را کنترل نماید.

امروزه کانال­های ارتباطی و کنترلی جدیدی از طریق سیستم­های ارتباط بین مغز انسان و کامپیوتر (BCI)، برای کاربران فراهم شده است. این کانال­ها وابسته به خروجی­های طبیعی مغز که فرمان به اعصاب و عضلات بدن صادر می­کنند، نیستند.

این قابلیت، موجب ایجاد امیدهای تازه­ در افراد دچار ناتوانی­های حرکتی شده است [۱-۳].

پژوهش­های زیادی بر روی فعالیت الکتریکی مغز که بصورت سیگنال الکتروانسفالوگرام (EEG) از سطح جمجمه ثبت می­شود، انجام شده است.

منشا تولید این پتانسیل­ها که پتانسیل­های حرکتی  نامیده می­شوند، در مطالعات بسیاری بررسی شده است [۴]. این پتانسیل­ها در قشر مغز در اثر حرکت یک عضو و یا تصور انجام حرکت (MI) ایجاد می­گردند.(گسترش سیستم BCI)

برخی از افراد به دلیل بیماری­های حرکتی و عصبی توانایی برقراری ارتباط با دیگران از طریق سخن گفتن، نوشتن و همچنین توانایی استفاده از دستگاه­های خارجی را ندارند.

برای نمونه بیمارانی­که دچار فلج مغزی، آسیب­های نخایی و ایست مغزی شده اند [4]. در بیشتر موارد در این افراد مسیر رد و بدل کردن پیام­های عصبی عضلانی بین عضله­ ها و مغز ناکارآمد می­شود.

برای رفع این مشکل، می­توان با برقراری مسیری مستقیم میان مغز بیمار و یک رایانه دوباره امکان برقراری ارتباط با محیط پیرامون یا کار با دستگاه­ها را برای بیمار امکان­پذیر کرد [1].

پس به جاي اين­که وابستگي مستقيمي بين اعصاب محيطي و ماهيچه­ها وجود داشته باشد، سيستم مستقيما فعاليت مغزي مرتبط با قصد کاربر را اندازه گرفته و فعاليت ثبت شده مغزي را به سيگنال­هاي کنترلی ترجمه مي­کند [2].

از آن­جايي­ که فعاليت­هاي اندازه­گيري شده مستقيما از مغز مي­باشند و نه از سيستم­هاي محيطي و يا ماهيچه­ها، اين سيستم واسط مغز-کامپيوتر نام­گذاري شده است [5].

تاکنون روش‌های متعددی برای اندازه‌گیری و شناسایی فعالیت‌های مغزی ارائه شده­اند که در حال حاضر روش الکتروانسفالوگرافی (EEG) محبوب‌ترین روش اندازه‌گیری فعالیت‌های مغزی جهت طراحی یک سیستم BCI  می­باشد.

در یک سیستم BCI استخراج ویژگی­های قابل اطمینان از سیگنال،EEG  برای امکان ارتباط بین مغز انسان و کامپیوتر لازم است.

به­عنوان مثال اجزای ریتمیک EEG ویژگی­هایی هستند که در سیستم­ BCI استفاده می­شوند.(گسترش سیستم BCI)

دو فرآیند کلی در هر سیستم BCI دخیل است: ۱) استخراج ویژگی­های مناسب از سیگنال مغزی و ۲) طبقه­بندی سیگنال­های مغزی براساس این ویژگی­ها [۴,۳]. استخراج پتانسیل­های حرکتی به­دلیل پایین بودن نسبت سیگنال به نویز مشکل است زیرا پتانسیل­های حرکتی نسبت به سیگنال­های زمینه مغزی (EEG)، از لحاظ دامنه، مقدار کمی دارند [۶,۵].

یکی دیگر از روش­های مهم برای استخراج و طبقه بندی ویژگی، استفاده از یک شبکه عصبی پیچشی (CNN) است [۱۷,۱۱,۶].

در [۶]، عملکرد BCI با ترکیبی از شبکه حافظه طولانی کوتاه-مدت (LTSM) و یک CNN مکانی بهبود یافته است. سپس، یک تبدیل موجک گسسته (DWT) برای به دست آوردن یک بردار ویژگی استفاده شد.

نتایج حاکی از دقت بالا بود. به تازگی، در [1۱] روشی برای طبقه بندی وظایف MI بر اساس شبکه عصبی پیچشی عمیق (DCNN) معرفی شده است. آن­ها از تبدیل فوریه زمان کوتاه و تبدیل موجک پیوسته به عنوان یک روش فرکانس زمان برای تبدیل داده به تصاویر و سپس یک شبکه برای طبقه­بندی استفاده کردند.

در این روش برای جداسازی سیگنال­های MI دست و پای راست از مجموعه داده­ها، به دقت 99.35 درصد رسیده است.

تجزیه مود ذاتی (EMD) برای سیگنال­های EEG برای به دست آوردن ویژگی­های مبتنی بر IMF برای طبقه­بندی سیگنال های MI EEG در BCI استفاده شد [۱۸,۱۹]. در [2۰]، از قدرت باند (BP) در IMFs برای یافتن ریتم­های میو و بتا استفاده شد.(گسترش سیستم BCI)

سپس، سیگنال­های جدید توسط IMFs بازسازی شدند و BP برای سیگنال­های بازسازی شده استفاده می­شود. سپس، مدل پنهان مارکوف(HMM)  به عنوان طبقه­بندی کننده انتخاب شد. نتایج نشان داد که EMD باعث استخراج ویژگی­های مناسب می­شود.

در [۱۹]، از ویژگی­های نرمال شده به عنوان ورودی­ها برای طبقه­بندی LS-SVM با توابع مختلف هسته استفاده شد.

مطالعه دیگری وجود دارد که سعی در حذف نویز و حفظ اطلاعات مفید سیگنال­های MI EEG دارد. [۲۱] برای این منظور، روش اثر کلی EMD  (EEMD)به عنوان یک روش جدید در کاهش نویز طراحی شد.

سیگنال توسط EEMD تجزیه و سپس، از یک روش آستانه موجک بهبود یافته برای کاهش نویز اجزای فرکانس بالا استفاده شد. در پایان، IMFs برای ارائه سیگنال تمیز قرار داده شدند.

نتایج حاکی از SNR بالاتر و RMSE پایین­تر در مقایسه با سایر روش­ها مانند موجک و موجک مبتنی بر EMD / EEMD است. در تحقیق دیگر از ترکیبی از EEMD کامل (CEEMD) و ICA برای از بین بردن نوسانات استفاده شد [۲۲]. نویسندگان [2۳] یک سیستم تخصیص بهینه پیشنهاد داده و از طبقه بندی ساده بیز برای تفکیک سیگنال های MI استفاده کردند.(گسترش سیستم BCI)

در ]24[یک سیستم خانه هوشمند کنترل شده ترکیبی BCI که ترکیبی از SSVEP و EMG برای افراد مبتلا به فلج است، اراده کردند. در این مطالعه ، سیگنال های الکترومیوگرام (EMG) مرتبط با حرکت انسداد با پتانسیل های برانگیخته بصری حالت پایدار (SSVEPs) برای توسعه یک رابط ترکیبی مغز و کامپیوتر (hBCI) مبتنی بر سیستم کنترل خانه هوشمند برای افراد مبتلا به فلج ادغام شدند.

از الگوی SSVEP برای ایجاد سیستمی شامل یک رابط اصلی و پنج رابط فرعی مطابق با چندین دستگاه در طول حالت کار و یک رابط برای حالت بیکار استفاده شد.

همچنین در ]25[یک روش یادگیری بدنی برای آموزش کاربر ذهنی BMI آموزش کاربر ارائه کردند. در ]26[تطبیق الگوهای فضایی مشترک مبتنی بر خستگی ذهنی برای تصاویر حرکتی BCI ارائه شد.

روش پیشنهادی برای یادگیری فعال CSP از تجزیه و تحلیل خطی (LDA) استفاده می کند. معیار روابط شکستگی برای انتخاب نمونه از داده های ارزیابی استفاده می شود.

جدایی ویژگی های MI EEG استخراج شده با CSP تطبیقی ​​پیشنهادی با سه معیار جداسازی با DSP معمولی مقایسه شده است: شاخص دیویس بولدین (DBI) ، امتیاز فیشر (FS) و شاخص Dunn (DI).

نتایج تجربی نشان می دهد جدایی قابل توجهی بالاتر از ویژگی های استخراج شده با CSP تطبیقی ​​نسبت به آن با CSP معمولی است.

در ]27[یک روش مبتنی بر تبدیل موجک تحلیلی انعطاف پذیر برای طبقه بندی تصاویر حرکتی در برنامه های BCI ارائه شد. این روش سیگنال EEG را به زیر باندها تجزیه می کند و ویژگی های مبتنی بر لحظه زمانی از زیر باند ها استخراج می شوند.(گسترش سیستم BCI)

برای مشاهده مطالب بیشتر به سایت فرزدان مراجعه نماید.