18358

۱۸۳۵۸

رمزشگايي اطلاعات حركتي دست ميمون از پتانسيل هاي ميداني محلي ثبت شده در قشر حركتي مغز

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

دي ماه ۱۳۹۶

دكتر وحيد شالچيان

دكتر محمدرضا دليري

برق

سيستم‌هاي واسط مغز-كامپيوتر (BCI) يك راه ارتباطي بين مغز و يك دستگاه خارجي مانند اندام مصنوعي مي‌باشد. سيگنال‌هاي ميداني محلي (LFP) يكي از انواع سيگنال‌هايي است كه توسط آرايه‌هاي الكترودي از مغز به ثبت مي‌رسد و به علت ماندگاري بالا و بالا بودن كيفيت فضايي و زماني، در حوزه‌ي علم BCI بسيار حائز اهميت مي‌باشد. براي بهره بردن از اطلاعات موجود در سيگنال‌ها به منظور استفاده در سيستم‌هاي BCI يكي از مهمترين بخش‌ها استخراج ويژگي و به دنبال آن انتخاب ويژگي‌هاي برتري است كه به سادگي و با دقت بالايي بتواند سيستم BCI را كنترل كند. به همين منظور در اين پايان‌نامه ويژگي‌هاي مرتبط با حركت دست ميمون از روي سيگنال‌هاي LFPي ثبت شده از ناحيه‌ي حركتي اوليه، در يك آزمايش حركتِ از مركز به خارج با استفاده از فيلترهاي فضايي بانك فيلتر الگوي فضايي مشترك (FBCSP) استخراج شدند. اين روش كه ذاتا دو كلاسي است ويژگي‌هاي مربوط به يك كلاس را طوري مي‌يابد كه نسبت به كلاس ديگر بيشترين تمايز را داشته باشد. براي انتخاب ويژگي‌هاي برتر روشي بر پايه‌ي تست آماري t-test پيشنهاد شد كه توانست ويژگي‌هاي بهينه را طوري انتخاب كند كه با دقت بالاتري در مقايسه با روش‌هاي انتخاب ويژگي مرسوم مانند ANOVA و Mutual Information (MI) جهت حركت دست را از ميان هشت جهت موجود پيش‌بيني نمايد. نتايج به دست آمده با روش پيشنهادي به صورت ميانگين در 11 جلسه كه از ارزيابي متقابل 10×10 فولدي استفاده مي‌كرد 73.03% شد. كه اين مقدار در مطالعات قبلي كه از ويژگي‌هاي FFT در باندهاي فركانسي يكسان و روش انتخاب ويژگي ANOVA استفاده كرده بود به صورت ميانگين در هشت جلسه 58% بود. همچنين در اين پايان‌نامه ويژگي‌هاي موجود در فركانس‌هاي بالاتر (تا فركانس 490 هرتز) نيز به ويژگي‌هاي باند‌هاي مرسوم اضافه شد، كه در نهايت ميانگين دقت پيش‌بيني 90.83% در 11 جلسه به دست آمد.

1396/11/03

9/22/2018 12:00:00 AM

Brain-Computer Interface is a communication pathway between brain and a prosthetic device. Local Field Potentials (LFPs) are the brain signals recorded by electrode arrays implanted inside the cortex. It’s important in BCI systems because of its high spatial resolution and also last standing compare to spikes. Feature extraction and feature selection are crucial step in BCI, because good features can handle the BCI system easy and smoothly. So in this study we seek monkey hand features using Filter Bank Common Spatial Patterns (FBCSP) in an eight target center-out task. CSP is originally binary and it find features in class A in a way that they’re more separable from class B. For reduce the dimensionality of features and select the best features we proposed a new method that is based on t-test. The results show that, the proposed method can predict the direction of movement with high accuracy compare to ANOVA and Mutual Information (MI) methods. The average results with proposed method in 11 session in 10×10 cross-validation were 73.03%, that in previous study that feature were taken by FFT method and feature selected by ANOVA the results was 58% in just 8 sessions. In this paper also the features from higher frequency range added to previous features, so the results became 90.83% in average.