23746

تخمين مسير حركت دست و موقعيت پنجه ميمون در سه بعد با استفاده از سيگنالهاي سطحي قشر مغز

دكتري تخصصي (PhD)

مهندسي برق- الكترونيك

1399/4/15

دكتر عباس عرفانيان اميدوار

دانشكده مهندسي برق

هدف اصلي اين تحقيق، تخمين موقعيت دست ميمون با استفاده از سيگنال ECoG ثبت شده از قشر حركتي مغز است. يكي از سوالات اساسي در اين رابطه اين است كه آيا با استفاده از ثبت ECoG كه از يك نيمكره مغزي انجام ميشود ميتوان موقعيت هر دو دست را در فضا تخمين زد. براي پاسخگويي به اين پرسش، آزمايشي را ترتيب داديم كه در طي آن ميمون از دست راست و دست چپ خود براي گرفتن تكههاي غذا استفاده ميكند و همزمان با آن موقعيت مچ دو دست و سيگنالهاي ECoG از نيمكره راست مغز، ثبت ميشود. براي استخراج ويژگي از سيگنالهاي مغزي، روش نظارتي با تركيب دو روش PLS و LDA و براي مدلسازي رياضي، مدلي آماري بر مبناي وضعيتهاي مختلف حركتي ارايه شده است. متوسط دقت براي تخمين موقعيت دست بر اساس ملاك همبستگي پيرسون، براي حالتي كه ميمون در تمام مدت آزمايش تنها از دست راست يا چپ خود استفاده ميكند به ترتيب 0,76 و 0,78 و براي حالتي كه از هر دو دست خود بهشكل متوالي استفاده ميكند به ترتيب 0,67 و 0,66 حاصل شد. موضوع مهم ديگري كه در اين تحقيق بررسي شد، مقايسه نسبي اطلاعات حركتي در باندهاي فركانسي مختلف است. بر اساس مشاهداتمان، در باندهاي فركانسي پايين شامل (𝛽 (15- 30 Hz و (𝜃 − 𝛼 (5- 15 Hz نتايج تخمين دست موافق بهتر از دست مخالف است در حالي كه براي باندهاي فركانسي بالا شامل (hfECoG(200- 400 Hz و (𝛾(30- 200 Hz موقعيت دست مخالف بهتر از دست موافق تخمين زده مي شود. در اين تحقيق همچنين تاثير لايه سختشامه در كيفيت سيگنال ECoG بررسي شده است. مجموعه دادگاني كه براي اين كار استفاده كردهايم شامل ثبت از فضاي بالاي سخت شامه و ثبت از فضاي زير سخت شامه است. نتايج اين بررسي نشان ميدهد كه دقت تخمين، با قرار گرفتن لايه سخت شامه ميان الكترودها و قشر مغز به خصوص در باندهاي فركانسي گاما به شدت كاهش مييابد و اين در حالي است كه ملاك اطلاعات مشترك شانون نشان از وجود اطلاعات حركتي زياد در آنها دارد. به نظر مي رسد وجود نويز جويدن در ثبت از فضاي بالاي سختشامه دليل اين افت كيفيت باشد. در اين مجموعه داده براي مدلسازي رياضي، روشي تازه براساس تخمين تكه اي از تابع توزيع احتمال شرطي خروجي بر اساس ورودي مدل به اسم PPD ارايه و نتايج حاصل از آن با مدلهاي متداول ديگر مقايسه شده است. متوسط دقت براي تخمين موقعيت دست بر اساس ملاك همبستگي براي ثبت از فضاي بالا و زير سختشامه به ترتيب 0,65 و 0,76 حاصل شد كه اين نتيجه نشان دهنده افت دقت تخمين موقعيت دست با استفاده از سيگنالهاي ثبت شده از بالاي سخت شامه در مقايسه با ثبت از فضاي زير سختشامه است. در اغلب روشهاي پردازش سيگنال، دو مرحله استخراج ويژگي و مدلسازي رياضي به شكل جدا از هم و با استفاده از فرايندهاي آموزشي متفاوت انجام ميشود. با در نظر گرفتن اين مساله، در اين تحقيق يك ساختار شبكه عصبي عميق ارايه شده است كه هر دو مرحله استخراج ويژگي و مدلسازي رياضي را در دل خود داشته و آموزش هم زمان اين دو مرحله، با استفاده از روشي به اسم روش تكرار شونده دو مرحلهاي انجام ميشود. متوسط نتايج براي حالتي كه در قسمت مدل سازي رياضي، از رگرسيون خطي استفاده شود، مقادير 0,56 و 0,71 و براي حالتي كه از مدل PPD در اين ساختار استفاده شود مقادير 0,60 و 0,76 حاصل شد كه به ترتيب براي ثبتهاي از بالا و زير سخت شامه به دست آمده است.

1399/12/06

Decoding 3D hand movement trajectory from ECoG signals in monkey

7/5/2021 12:00:00 AM

Estimation of the hand trajectories from the ECoG signals is the main object of this research. There is an important issue if the position of both hands can be estimated from the ECoG signals recorded from one hemisphere of the brain. To answer this question, a set of experiments were recorded in which the monkey used repeatedly both hands to get foods represented by the experimenter. A hybrid supervised method based on LDA and PLS was introduced for extracting features from the ECoG signals and a state-based statistical method was introduced for estimating ipsilateral and contralateral hand movement trajectories. Using correlation coefficient criteria between the estimated and measured trajectories, the average of the decoding performance for right and left hands are equal to 0.76 and 0.78, respectively, and while the monkey used repeatedly right and left hands during the decoding performances are 0.67 and 0.66 for right and left hands, respectively. The effect of dura matter on the quality of the recorded ECoG signals was also considered. The data set used for this purpose was recorded by RIKEN institute and consists of both epidural and subdural ECoG recording signals. The results show that the decoding performances decreased for high gamma frequency bands in the epidural recordings. A statistical method called piecewise probabilistic regression model was also introduced for estimating hand positions from the ECoG signals. The average of the correlation coefficients between the measured and estimated hand trajectories was achieved equal to 0.65 and 0.76, for epidural and subdural recordings, respectively. In most of the BCI systems, two stages including feature extraction and decoding model were considered separately. Here we have introduced a deep neural network that considered both states concurrently with a proposed training method called successive two-state learning. Using the proposed method with a linear regression model, the results are 0.56 and 071 for epidural and subdural recordings, respectively. Using the proposed neural network with a piecewise probabilistic regression model the results are 0.60 and 0.76.

مدل سازي رياضي , استخراج ويژگي , مدل آماري , حركت دست موافق , حركت دست مخالف , لايه سخت شامه

mathematical modelling , feature extraction , statistical model , ipsilateral hand movement , contralateral hand movement , dura matter