31205

رمزگشايي فعاليت عضلاني از سيگنال الكتروانسفالوگرام

كارشناسي ارشد

مهندسي پزشكي

1400

1403/6/11

دكتر وحيد شالچيان

ندارم

برق

بازسازي فعاليت‌هاي عضلاني از سيگنال‌هاي الكترومايوگرام (EMG) با استفاده از سيگنال‌هاي غيرتهاجمي الكتروانسفالوگرام (EEG) مي‌تواند پيشرفت قابل‌توجهي در واسط‌هاي مغز - رايانه (BCI) ايجاد كند. بااين‌حال، جداسازي سيگنال‌هاي مرتبط با فعاليت‌هاي عضلاني از EEG به دليل ثبت مخلوطي از سيگنال‌ها توسط حسگرهاي EEG از نواحي مختلف قشري، چالش‌برانگيز است. در اين پايان‌نامه، روشي نوين براي تخمين فعاليت عضلاني از سيگنال‌هاي EEG غيرتهاجمي در حين انجام تسك گرفتن و بلندكردن (GAL) ارائه شده است. براي اين منظور، مشابه با رويكرد استخراج فعاليت عضلاني از EMG، پوش پنج باند فركانسي دلتا، تتا، آلفا، بتا و گاما به‌عنوان ويژگي‌هاي ورودي مدل‌هاي رمزگشايي انتخاب شدند. سپس اين سيگنال‌ها باتوجه‌به مكان الكترودهاي EEG، به ماتريس‌هاي سه‌بعدي فضايي - مكاني نمايش تبديل شدند. مدل پيشنهادي شبكه عصبي كانولوشني - حافظه طولاني كوتاه‌مدت (CNN-LSTM) براي استخراج اطلاعات فضايي - زماني EEG به كار گرفته شد. اين مدل با پنج روش رايج رمزگشايي خطي و غيرخطي شامل: 1) مدل‌هاي آماري: رگرسيون خطي چندمتغيره (mLR)، فيلتر كالمن (KF)، فيلتر آبشاري وينر (WC) و 2) رويكردهاي يادگيري ماشين: تقويت گراديان شديد (XGB) و پرسپترون چندلايه (MLP) مقايسه شد. بر اساس نتايج، ميانگين ± انحراف معيار ضريب همبستگي (CC)، ضريب تعيين (R²) و خطاي جذر ميانگين مربعات نرمال‌شده (nRMSE) بين فعاليت عضلاني تخمين‌زده‌شده و فعاليت عضلاني واقعي دو عضله در پنج شركت‌كننده، به ترتيب 0٫10 ± 0٫76، 0٫17 ± 0٫54 و 0٫05 ± 0٫21 بود. رويكردهاي رمزگشايي پيچيده‌تر مانند CNN-LSTM و XGB به‌طور معناداري عملكرد بهتري نسبت به مدل‌هاي خطي mLR، KF و رويكرد يادگيري عميق MLP داشتند (0.003< P-Value) اين نتايج نشان‌دهنده توانايي مدل پيشنهادي در استخراج روابط غيرخطي بين فعاليت مغز و عضله است.

1403/06/28

Decoding Muscle Activity from Electroencephalogram Signal

9/1/2025 12:00:00 AM

Reconstructing muscle activity from electromyogram (EMG) signals using non-invasive electroencephalogram (EEG) signals can lead to significant advancements in brain-computer interfaces (BCIs). However, isolating muscle-related signals from EEG is challenging because EEG sensors capture a mixture of signals originating from various cortical regions. In this thesis, a novel method for estimating muscular activity from non-invasive EEG signals during grip and lift (GAL) tasks is presented. For this purpose, similar to the approach of extracting muscle activity from EMG, the envelopes of five frequency bands—delta, theta, alpha, beta, and gamma—were selected as input features for the decoding models. These signals were then transformed into three-dimensional spatial-temporal matrices based on the EEG electrode locations. The proposed Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) model was employed to extract spatial-temporal information from the EEG. This model was compared with five common linear and nonlinear decoding methods, including: 1) Statistical models: Multivariate Linear Regression (mLR), Kalman Filter (KF), Wiener Cascade Filter (WC), and 2) Machine learning approaches: eXtreme Gradient Boosting (XGB) and Multi-Layer Perceptron (MLP). According to the results, the mean ± standard deviation of the correlation coefficient (CC), coefficient of determination (R²), and normalized root mean square error (nRMSE) between the estimated muscle activity and the actual muscle activity of two muscles in five participants were 0.76 ± 0.10, 0.54 ± 0.17, and 0.21 ± 0.05, respectively. These values are comparable to the results of previous studies, including those using invasive Local Field Potential (LFP) and Electrocorticogram (ECoG) signals. More complex decoding approaches, such as CNN-LSTM and XGB, significantly outperformed linear models like mLR, KF, and the deep learning approach MLP (P-Value < 0.003). These findings indicate the proposed model's ability to extract nonlinear relationships between brain and muscle activity.

: الكتروانسفالوگرام , الكترومايوگرام , فعاليت عضلاني , رمزگشايي , شبكه عصبي عميق

Electroencephalogram , Electromyogram , Muscle Activity , Decoding , Deep Neural Network

Golnaz Amiri

Dr. Vahid Shalchyan