19521

۱۹۵۲۱

ارزيابي روش هاي رگرسيون غيرخطي براي رمزگشايي نيرو با استفاده از سيگنال هاي قشر حركتي مغز

كارشناسي ارشد

بيوالكتريك

۱۳۹۷

۱۳۹۷/۶/۲۵

دكتر محمدرضا دليري

برق

يكي از كاربردهاي مهم سيستم¬هاي BCI، كنترل پروتز عصبي به منظور بازيابي عملكرد دست افراد مبتلا به فلج در اندام¬هاي فوقاني مي¬باشد. توانايي گرفتن اجسام، يكي از ابتدايي¬ترين نيازها براي انجام كارهاي روزانه است و براي عملكرد صحيح پروتز عصبي به منظور گرفتن اجسام، فشردن يك دكمه و به طور كلي انجام برخي حركات نرم و دقيق، لازم است كاربر بتواند مقدار نيروي لازم براي گرفتن اجسام را كنترل كند. به همين دليل افزايش دقت رمزگشايي پيوسته نيرو، موضوعي مهم براي عملكرد صحيح اين نوع سيستم¬هاي BCI مي¬باشد. در اغلب پژوهش¬هاي صورت گرفته در زمينه رمزگشايي نيرو، از مدل¬هاي خطي مانند فيلتر وينر، فيلتر كالمن، PLS و .. به منظور رمزگشايي نيرو استفاده شده و تاكنون تاثير استفاده از مدل¬هاي غيرخطي كه ارتباطات پيچيده¬تري بين ويژگي¬هاي سيگنال مغزي در نظر مي¬گيرند، بر رمزگشايي نيرو مورد بررسي قرار نگرفته است. هدف ما در اين پايان¬نامه، استفاده از چند مدل غيرخطي براي رمزگشايي نيرو، ارزيابي و مقايسه اين روش¬ها با يكديگر و ارائه يك مدل غيرخطي مناسب است كه دقت رمزگشايي نيرو را بهبود بخشد. بدين منظور از روش¬هاي مبتني بر توابع كرنل kernel ridge، kernel PCR، kernel SVR؛ شبكه¬هاي عصبي پرسپترون، RBF وELM ؛ مدل¬هاي تعميم¬يافته خطي و الگوريتم¬هاي PLS غيرخطي استفاده نموده و عملكرد آنها را با هم مقايسه كرده¬ايم. از بين اين روش¬ها، رمزگشايي نيرو با استفاده از روش kernel ridg بهترين دقت را دارد. پس از بررسي مزايا و معايب هر كدام از اين روش¬ها، روش PLS غيرخطي جريمه شده (NLS PLS) را ارائه كرده و عملكرد آن را با روش¬هاي پيشين مقايسه كرده¬ايم. دقت رمزگشايي نيرو با استفاده از روش NLS PLS بيشتر از ديگر روش¬ها بوده و ميانگين ضريب همبستگي بين نيروي تخمين زده شده و اندازه گيري شده برابر 0.73 و R2 برابر 0.63 بوده است.

1397/07/26

Evaluation of Nonlinear Regression Methods for Force Decoding Using Motor Cortical Signals

9/16/2019 12:00:00 AM

One of the important applications of BCI is controlling of neuroprostheses to restore grasp to patients with paralyzed or amputated upper limbs. For reliable function of the neuroprosthese to get objects, pressing a button and generally doing precise movements, it is necessary for the user to control the amount of force necessary for grasping. For this reason, increasing the accuracy of continuous force decoding is an important issue for convenient function of these BCI systems. In most studies in the field of force decoding, linear models such as wiener filter, Kalman filter, PLS, etc. are used to decode force. So far, the effect of using nonlinear models that considers more complex relations between brain signal features is not investigated on force decoding. Our purpose in this thesis is to use several nonlinear models to decode force, evaluate and compare these methods with each other and provide a nonlinear model that will improve the accuracy of force decoding. For this purpose, we use kernel methods including kernel ridge, kernel PCR and kernel SVR, perceptron, RBF and ELM neural networks, generalized linear models and nonlinear PLS algorithms to decode force and compare their decoding accuracy. Among these methods, kernel ridge has the best performance.We discuss advantages and disadvantages of each of these methods and then, we propose a new method, nonlinear sparse PLS (NLS PLS) and compare its performance with previous methods. Our result showes that accuracy of force decoding using the NLS PLS method is more than other methods, and the mean correlation coefficient between the estimated and measured force is 0.73 and R2 is 0.63.