19628

۱۹۶۲۸

رمزگشايي سرعت و شيب‌ راه رفتن از روي سيگنال‌هاي قشر حركتي موش صحرايي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

۱۳۹۷

۱۳۹۷/۰۷/۲۲

دكتر محمدرضا دليري - دكتر وحيد شالچيان

برق

واسط‌هاي مغز-ماشين در دو دهه اخير به‌عنوان يك روش كاربردي به‌منظور استفاده از فرمان‌هاي حركتي صادره از مغز در كنترل سيستم‌هاي خارجي مطرح‌شده است. تاكنون تلاش‌هاي زيادي درزمينه استخراج اطلاعات حركتي دست از سيگنال‌هاي قشري مغز انجام‌گرفته است كه تا حد قابل قبولي موفقيت‌آميز بوده‌اند اما متأسفانه استخراج اطلاعات حركتي پا كمتر موردتوجه قرارگرفته است. مطالعات قبلي كه موقعيت‌ها و مفاصل حركت پا را رمزگشايي كردند نشان دادند كه رمزگشايي پارامترهاي راه رفتن با استفاده از اطلاعات قشري به‌خوبي اطلاعات نخاعي نيست. در اين مطالعه ما سعي در رمزگشايي پارامترهاي سطح بالاي راه رفتن مانند سرعت و شيب از روي اطلاعات قشر داشتيم. به همين منظور، در اين مطالعه با آموزش موش‌هاي صحرايي براي دويدن بر روي تردميل، سعي در طبقه‌بندي سرعت‌هاي مختلف راه رفتن آن‌ها با استفاده از سيگنال‌هاي قشر حركتي مغز داشتيم. در اين مطالعه از اطلاعات پتانسيل ميدان محلي به دليل حفظ اطلاعات وابسته به حركت در طولاني‌مدت استفاده‌شده است. در مطالعات قبلي صورت گرفته بر روي رمزگشايي پارامترهاي حركتي راه رفتن، در سوژه‌هاي حيواني از اطلاعات اسپايك و در سوژه‌هاي انساني از سيگنال الكتروانسفالوگرام استفاده‌شده است، در اين مطالعه براي نخستين بار از اطلاعات پتانسيل ميدان محلي به‌منظور رمزگشايي گسسته پارامترهاي راه رفتن استفاده‌شده است. اين اطلاعات با استفاده از 3 طبقه‌بندي كننده به‌صورت جداگانه مورد تحليل قرارگرفته و درنهايت بهترين صحت با استفاده از طبقه‌بند بيزين ساده حاصل شد كه براي سه موش صحرايي 93.35% (در حالت 2 سرعته) و 71.82% و 73.99% (در 4 سرعت) بوده است. در ادامه، موش‌هاي صحرايي آموزش ديدند تا در 7 سطح شيب بين 15- تا 15 درجه راه‌رفته و با استفاده از سيگنال مغزي اين دسته‌هاي شيب طبقه‌بندي شدند. بهترين رمزگشايي با استفاده از تفكيك‌كننده مرتبه دوم، انتخاب ويژگي با استفاده از وابستگي آماري و استفاده از توان زير باندهاي ويولت به‌عنوان ويژگي صورت گرفت كه معادل 90.65% و 61.79% (در 7 شيب) در دو موش صحرايي بود. در مطالعاتي كه تاكنون باهدف رمزگشايي پارامترهاي حركتي موش صحرايي انجام‌شده، موش صحرايي با استفاده از بازوي رباتيك به راه رفتن بر روي تردميل وادار شده است، در اين مطالعه براي نخستين بار رمزگشايي پارامترهاي حركتي حين راه رفتن بر روي تردميل، هنگام حركت آزادانه موش صحرايي بر روي تردميل انجام گرفت و تنها از آموزش طولاني‌مدت براي همكاري موش‌هاي صحرايي استفاده‌شده است.

1397/08/15

Decoding Speed and Slope of Movement from Motor Cortex Signals in Rat

10/14/2019 12:00:00 AM

Brain machine interfaces has been considered as a method to control systems using brain’s movement commands in last two decades. Great efforts have been made to extract the hand movement information using cortical signals which have led to promising results. Unfortunately, the extraction of leg movement information is less taken into consideration. Previous studies, in which the position of feet joints were decoded, show that the accuracy of decoding locomotion parameters is less when using cortical signals in comparison to using spinal cord signals. In this study, we tried to decode high level parameters of locomotion such as speed and slope of locomotion using cortical signals. We tried to classify different speeds and slopes of locomotion by training rats to walk on treadmill and recording their primary motor cortex signals. In this study, the Local Field Potential (LFP) data is used as it can be used to decode movement information for a longer time compared to spike data. Previous studies on decoding locomotion parameters used spike data in animal subjects and electroencephalogram signals in human subjects. In this study, for the first time LFPs are used for discrete decoding of locomotion parameters. Three different classifiers are used and compared. The Naive Bayesian classifier led to 93.35% (2 speeds), 71.82% and 73.99% (4 speeds) performance in 3 rats for classifying the speed of locomotion. Rats also were trained to to walk on treadmill in 7 different slopes ranging from -15 to 15 degrees and the slope was classified using LFP data. The best performance was achieved using quadratic classifier, statistical dependency as feature selection and wavelet sub-bands power as feature which led to 90.65% and 61.79% (7 slopes) in 2 rats. In previous studies on decoding rat locomotion parameters, rats were restricted by robotic arms to walk on treadmill but in this study, for the first time, decoding rat locomotion is done while rats were freely walking on treadmill without any restriction and only long term training was done to make rats cooperate.