26750

طراحي يك سامانه واسط مغز-رايانه برخط به منظور كنترل حركت مكان نما در صفحه ويندوز

كارشناسي ارشد

مهندسي پزشكي

1397 تا 1400

1400/12/15

جناب اقاي عباس عرفانيان اميدوار

برق

سامانه واسط مغز-رايانه مبتني بر سيگنال مغزي، مسيرهاي ارتباطي ميان مغز انسان و وسايل خارجي را فراهم ميكند. سيگنال P300 از انواع سيگنالهاي مغزي مي¬باشد كه مي¬تواند براي سامانه ¬هاي واسط مغز- رايانه مورد استفاده قرار گيرد. درواقع نوعي پتانسيل برانگيخته است كه حدودا 300 ميلي¬ثانيه پس از تحريك، در سيگنال مغزي فرد ظاهر مي¬گردد. در اين تحقيق كنترل حركت مكان نما به صورت برخط در محيط تحت ويندوز، توسط سيگنال مغزي مبتني بر P300 بررسي شد. بدين منظور، يك واسط گرافيكي كاربر نوآورانه در محيط ويندوز براي اولين بار در اين رشته، با 10 كليد به عنوان منوي اصلي با استفاده از پردازش تصوير و حركت مكان نما با الهام از برنامه نويسي جاوا، طراحي شد كه دو تا از كليدها براي روشن و خاموش كردن سامانه و هشت كليد ديگر براي پشتيباني از حركت مكان نما در جهات اصلي (چپ و راست، بالا و پايين)، كليك راست و كليك چپ و همچنين افزايش و كاهش گام حركت مكان نما مي¬باشند. به دليل ماهيت غير ايستايي سيگنال¬هاي مغزي، داده آموزش زيادي براي كاربر جديد لازم است، اين روند وقت گير و باعث خستگي كاربر مي¬شود. يادگيري انتقالي رويكردي براي كاهش زمان آموزش و بهبود عملكرد سامانه ميباشد. با اين حال نحوه انتقال موثر اطلاعات از كاربران قبلي به كاربر جديد چالش بزرگي است. در اين تحقيق يك روش يادگيري انتقالي جديد در حوزه P300 بر مبناي معيار تنظيم برچسب (LA) پيشنهاد شده است كه از تبديل يافته ي ويژگي‌هاي استخراج‌ شده از كاربر قبلي به منظور كاهش داده‌هاي مورد نياز از كاربر جديد، استفاده مي‌كند. در بخش استخراج ويژگي در داده هاي استاندارد II از سومين مسابقه BCI، ما از مدل تركيبي جديد مبتني بر استخراج ويژگي از شبكه عصبي پيچشي (CNN) و طبقه‌بندي با شبكه حداقل مربعات ماشين بردار پشتيبان (LSSVM) استفاده كرديم و به صحت 90 درصد براي كاربر A و 95 درصد در كاربر B دست يافتيم. همچنين اعمال روش پيشنهادي بر داده هاي اخذ شده در آزمايشگاه بصورت برون خط و برخط بترتيب بر6 و 4 داوطلب انساني با رده سني 23_36 سال مورد بررسي قرار گرفت. در حالت برون¬خط با 4 روش ماشين¬هاي برداري پشتيبان (SVM)، حداقل مربعات ماشين بردار پشتيبان (LSSVM)، تحليل تفكيك زماني-فضايي (STDA) و روش تركيبي CNN+LSSVM مقايسه انجام شد كه در همه موارد، روش پيشنهادي بهتر بود. در آزمايشات برخط نيز از افراد خواسته شد تا ابتدا پنل را فعال كرده و سپس مسير پيشنهادي حركت مكان نما را با دو و سه ترايال طي كنند كه با توجه به تعداد دستورات متغير در هر بار ثبت آنلاين وابسته به عملكرد كاربر، براي دو ترايال متوسط دقت طبقه¬بندي 88.78 درصد و متوسط نرخ انتقال اطلاعات 50.62 بيت بر دقيقه و براي سه ترايال متوسط دقت طبقه¬بندي 93.15 و متوسط نرخ انتقال اطلاعات 38.04 بيت بر دقيقه، بدست آمد.

1401/04/20

Design of an online brain computer interface system for cursor motion control on a windows screen

3/6/2023 12:00:00 AM

The brain-computer interface system, based on brain signals, provides communication pathways between the human brain and external devices. The P300 signal is a type of brain signal that can be used for brain-computer interface systems. It is actually a kind of visual evoked potential that appears in a person's brain signal 300 milliseconds after stimulation. In this study, the control of cursor motion online in a Windows environment was investigated by a P300-based brain signal. To this end, an innovative graphical user interface in the Windows environment was designed for the first time in the field, with 10 keys as the main menu. Two of the keys are to turn the system on and off, and the other eight keys are to support cursor movement in the main directions (left and right, up and down), right-click and left-click, as well as increase and decrease the cursor pitch. Due to the non-static nature of brain signals, many training data is required for the new user. This process is time consuming and makes the user tired. Transfer learning is an approach to reduce training time and improve system performance. However, how to effectively transfer information from previous users to a new user is a big challenge. In this research, a new transfer learning method in the P300 domain based on label alignment (LA) is proposed, which uses the conversion of features extracted from the previous user to reduce the data required by the new user. In the feature extraction section in Standard II data from the third BCI competition, we used a new hybrid model based on feature extraction from the CNN network and least square support vector machine classification (LSSVM). We achieved 90% accuracy in user A and 95% in user B. In addition, the application of the proposed method to the data obtained in the laboratory online and offline on 6 and 4 human volunteers aged 23-36 years, respectively, was examined. In the offline mode, comparisons were made with four methods of support vector machines (SVM), least squares support vector machines (LSSVM), Spatial Temporal Discriminant Analysis (STDA) and combined CNN+LSSVM methods. In all cases, the method our offer was better. In online experiments, individuals were asked to first activate the panel and then follow the suggested cursor movement path with two or three trials, for which the average classification accuracy was 88.78% for the two trials and the average data transfer rate was 50.62 bits per minute. For the three trials, the average classification accuracy was 93.15 and the average data transfer rate was 38.04 bits per minute.

واسط مغز-رايانه , سيگنال مغزي P300 , كنترل حركت مكان نما در صفحه ويندوز , حداقل مربعات ماشين بردار پشتيبان , شبكه عصبي پيچشي , يادگيري انتقالي , تنظيم برچسب

Brain-Computer Interface , P300 Brain Signal , Cursor Motion Control on a Windows Screen , Least Squares Support Vector Machine , Convolution Neural Network , Transfer Learning , Label alignment

zahra pakro

Prof. Abbas Erfanian Omidvar