18690

۱۸۶۹۰

گسترش يك سامانه واسط مغز - رايانه براي كنترل برخط يك بازوي رباتي

كارشناسي ارشد

بيوالكتريك

بهمن ۱۳۹۶

دكتر عباس عرفانيان اميدوار

برق

در چند دهه¬ي اخير، استفاده از سيگنال¬هاي الكتروانسفالوگرام (EEG) به منظور برقراري ارتباط با محيط اطراف، موجب پيدايش واسط¬هاي مغز ـ رايانه (BCIs) شده است. سيگنال P300 يكي از انواع پتانسيل-هاي مغزي مي¬باشد كه در سامانه¬هاي BCI استفاده مي¬شود. اين پتانسيل اغلب با تحريك بينايي توسط الگوي متفاوت (Oddball paradigm) برانگيخته مي¬شود. در اين تحقيق، ابتدا يك واسط گرافيكي كاربر (GUI) شامل 7 كليد با الگوي تحريك بينايي پيشنهادي (GC3) براي برانگيختن پتانسيل P300 طراحي شد و با سه الگوي تحريك ديگر (GW، GC1، GC2) مقايسه شد. نتايج آزمايشات برون¬خط نشان مي-دهند كه الگوي GC3، عملكرد سامانه را با ميانگين AUC حاصل شده¬ي 9274/0 به صورت معناداري (05/0 p-value <) نسبت به سه الگوي ديگر بهبود داده است. براي طبقه¬بندي تك- ثبتي هدف و غيرهدف، 6 روش خطي به صورت برون¬خط با يك¬ديگر مقايسه شدند و در نهايت، طبقه¬بندي كننده¬ي STDA با ميانگين AUC 9489/0 براي آزمايشات بعدي انتخاب شد. همچنين در اين پژوهش، يك سوييچ مغزي براي سامانه طراحي شد كه كاربر بتواند سامانه را هر زمان كه خواست وارد حالت كنترلي و يا غيركنترلي كند. براي طبقه¬بندي داده در مد عملكردي ناهمگام، 9 الگوريتم بدون آستانه به صورت برون¬خط، در سه حالت طبقه¬بندي تك ـ ثبتي، دو ـ ثبتي و سه ـ ثبتي ارزيابي شدند و در نهايت الگوريتم 4 با ميانگين¬گيري روي داده¬هاي سه ثبت (دور) كه بهترين عملكرد را نتيجه داد، براي آزمايش برخط انتخاب شد. الگوريتم 4 كه تركيبي از روش STDA و تست آماري F مي¬باشد، TPR 93/0 و FPR 0157/0 را حاصل كرد. در آزمايشات برخط از سيگنال P300 به منظور كنترل يك بازوي رباتي جهت برداشتن يك جسم از نقطه¬ي مبدأ، جا به جايي و رها كردن آن در نقطه¬ي مقصد استفاده شده است. ميانگين صحت طبقه¬بندي دو- ثبتي برخط در مد عملكردي همگام 56/98 درصد به دست آمد. همچنين، ميانگين مقادير FPR، TPR و ITR آزمايشات برخط به ترتيب برابر با 11/0 و 97/14 رويداد بر دقيقه و 36/15 بيت بر دقيقه حاصل شدند. واژه‌هاي كليدي: واسط مغز ـ رايانه (BCI)، الكتروانسفالوگرام (EEG)، P300، الگوي تحريك، تحليل تفكيك فضايي ـ زماني (STDA)، ناهمگام، حالت بيكار، صحت، AUC، TPR، FPR.

1397/01/29

4/18/2018 12:00:00 AM

In recent decades, the use of electroencephalogram (EEG) signals for making communication with the surrounding environment have led to the emergence of brain-computer interfaces (BCIs). P300 signal is a type of brain potential used in BCI systems. This potential is often evoked by visual stimulus using oddball paradigm. In the present study, first, a graphical user interface (GUI) containing seven keys with the proposed visual stimulus paradigm (GC3) was designed to evoke the P300 potential, and then, it was compared with the other three stimulus paradigms (GC2, GCI, GW). The results of offline experiments reveal a significant improvement (p-value < 0/05) in the system performance by GC3 paradigm with the achieved average AUC of 0/9274, in comparison with the other three paradigms. For single-trial classification of target and non-target, six linear methods were compared with each other in an offline manner, and finally, STDA classifier with average AUC of 0/9489 was selected for further experiments. Also, in this study, a brain switch was designed for the system to help user switch between controlled and non-controlled states whenever he/she wants to. For data classification in an asynchronous mode of operation, nine threshold-free algorithms were evaluated offline in three classification styles, i.e, single-trial, double-trial, and triple-trial. Finally, algorithm 4 was chosen to do online experiments by averaging tree trials (three rounds) data, which offered the best performance. Algorithm 4, which is a combination of STDA method and statistical F test, offered 0/0157 FPR and 0.9277 TPR. In the online experiments, P300 signal has been used with the aim of controlling a robotic arm, taking a material from the source point, transferring and leaving it in the target point. Online average double-trial classification accuracy in synchronous mode of operation was 98.56. Also, the average amount of FPR, TPR, and ITR in online experiments were equal to 0.11, 14.97 event/min and 15.36 bit/min, respectively. Keywords: Brain-computer interface (BCI), electroencephalogram (EEG), P300, stimulus paradigm, spatial-temporal discriminant analysis (STDA), asynchronous, idle state, accuracy, AUC, TPR, FPR.