30903

رمزگشايي سيگنال هاي تهاجمي قشرحركتي مغز موش صحرايي حين راه رفتن در حالت هاي مختلف

كارشناسي ارشد

مهندسي پزشكي_بيوالكتريك

1399

1402/12/8

دكتر وحيد شالچيان

ندارم

مهندسي برق

واسط مغز-ماشين يك مسير مستقيم ارتباطي بين فعاليت‌هاي الكتريكي مغز و يك دستگاه خارجي مانند يك كامپيوتر يا عضو رباتيك برقرار مي كند. اين سيستم ها در ايجاد توانايي ازدست‌رفته و يا بهبود توانايي تحليل رفته، پيشرفت هاي زيادي داشته اند. در دو دهه گذشته مطالعاتي براي توسعه واسط هاي مغز-رايانه اندام پايين تنه انجام شده است كه نتايج بسيار اميدواركننده اي داشته اند. توجه به اهميت رمزگشايي پارامترهاي حركتي حين راه‌رفتن به‌صورت آزادانه و در شرايط مختلف موضوعي است كه در مطالعات پيشين به آن پرداخته نشده بود و در اين مطالعه، سعي داريم اين موضوع را مورد بررسي قرار دهيم. هدف اين مطالعه تفكيك حالت‌هاي مختلف حركتي حين راه رفتن به صورت آزادانه در شرايط مختلف است. به اين منظور از تسك هاي حركتي متنوعي همچون بالارفتن از سطح شيب‌دار و پله، پايين آمدن از سطح شيب‌دار و پله و راه رفتن روي تردميل با شيب هاي مختلف استفاده شده است و به صورت همزمان سيگنال پتانسيل ميدان محلي از ناحيه اول قشر حركتي مغز موش صحرايي ثبت گرديد. موش هاي صحرايي آموزش ديدند كه به‌صورت آزادانه در دستگاه آزمايش راه بروند. آرايه هاي 8 كاناله براي ثبت سيگنال مغزي ساخته شد و طي جراحي در ناحيه اوليه قشر حركتي موش هاي صحرايي كاشته شد. حين اجراي تسك، سيگنال پتانسيل ميدان محلي از قشر حركتي مغز و موقعيت مفاصل پا با يك دوربين ثبت و رديابي شد. پس از انجام پيش‌پردازش‌هاي لازم، ويژگي هاي مختلف آماري، تبديل موجك و تبديل فوريه سريع از سيگنال استخراج شد. علاوه بر روش هاي يادگيري ماشين متداول، از شبكه هاي عصبي عميق LSTM و CNN نيز براي تفكيك حالت هاي مختلف استفاده شد كه نتايج آن ها به صورت چشمگيري از روش هاي مذكور بالاتر بود. بهترين ويژگي براي تفكيك تمامي حالت ها، ويژگي تبديل فوريه سريع بود و دقت به‌دست‌آمده به ترتيب براي روش LSTM و CNN در تفكيك پله و سطح شيب‌دار 85% و 97%، بالارفتن از پله و پايين آمدن از پله 88% و 98%، بالارفتن از سطح شيب‌دار و پايين آمدن از سطح شيب‌دار 86% و 99%، پايين آمدن از پله و سطح شيب‌دار 77% و 99%، بالارفتن از پله و سطح شيب‌دار 82% و 99% بود.

1403/03/08

Decoding different walking states from invasive corticomotor signals of rat's brain

2/26/2025 12:00:00 AM

A brain-machine interface (BMI) establishes a direct communication path between the brain's electrical activities and external devices, such as computers or robotic limbs. While significant progress has been made in BMIs over the last two decades, recent studies have focused on developing brain-computer interfaces for hindlimb movement, yielding promising results. However, decoding movement parameters during free walking in different conditions has been an overlooked aspect. This study aims to address this gap by analyzing the decoding of movement parameters during free walking in diverse conditions. Various movement tasks, including climbing and descending ramps and stairs, and walking on a treadmill with varying slopes, were employed. Local field potential signals from the rat's motor cortex were recorded during these tasks. Rats were trained to walk freely in the experimental apparatus, with 8-channel arrays implanted in the primary motor cortex area to record brain signals. The local field potential signals and leg joint positions were recorded and tracked during task execution. After pre-processing, statistical features, wavelet transform, and fast Fourier transform were extracted from the signals. Machine learning methods, including conventional techniques and deep neural networks (LSTM and CNN), were employed to distinguish different states. The accuracy obtained in distinguishing stairs and ramps is 85% and 97%, going up and down stairs 88% and 98%, going up and down ramps 86% and 99%, going down From stairs and ramps 77% and 99%, climbing stairs and ramps were 82% and 99%.

پتانسيل ميدان محلي , واسط مغز_ماشين , رمزگشايي , شبكه عصبي كانولوشن , حافظه طولاني كوتاه‌مدت

Local field potential , Brain-machine interface , Decoding , Convolutional Neural Network , Long short-term memory

Zahra Sahrakari

Vahid Shalchian