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.