شماره ركورد
31492
پديد آورنده
پويا احمدپور
عنوان
طراحي يك سامانهي واسط مغز-كامپيوتر تركيبي مبتني بر SSMVEP و P300
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي پزشكي - بيوالكتريك
سال تحصيل
1400
تاريخ دفاع
1403/6/26
استاد راهنما
عباس عرفانيان اميدوار
استاد مشاور
ندارد
دانشكده
مهندسي برق
چكيده
سامانههاي واسط مغز-كامپيوتر هجيكننده، سامانههايي هستند كه بدون استفاده از سيستم عصبي-عضلاني و تنها با ويژگيهاي استخراج شده از سيگنال مغزي، نويسههاي مورد انتخاب كاربر را بر روي يك صفحهي نمايش نشان ميدهند. اين سامانهها غالباً از محركهاي بينايي براي تاثير بر سيگنال مغزي استفاده ميكنند. محركهاي P300 محركهاي ايجاد شده به وسيلهي الگوي Oddball هستند كه موجب ايجاد يك پيك در حدود 300 ميليثانيه پس از نمايش محرك، در سيگنالهاي مغزي ميشوند. سرعت بالاي نمايش اين الگو و خستگي بينايي پايين آن، از مزاياي اين الگو و غيرايستايي و تغيرات زياد در طول زمان، از ضعفهاي P300 ميباشد. از سوي ديگر سيگنالهاي پتانسيل برانگيختگي بينايي (VEP) ايستايي بيشتري داشته، كمتر در طول زمان تغيير ميكنند و به رويكردهاي بدون نياز به يادگيري نيز پاسخ ميدهند. محرك پتانسيل برانگيختگي بينايي حركتي حالت ثابت (SSMVEP) از اين دسته محركها است كه به دليل خستگي بينايي پايين مورد توجه محققين قرار گرفته است. اگرچه نسبت سيگنال به نويز پايين اين سيگنال، استفاده از آن در هجيكنندهها را با چالش بسياري مواجه ميكند.
در اين مطالعه اولين سامانهي هجيكنندهي مبتني بر هردو سيگنال SSMVEP و P300 طراحي شده است. در مطالعات مربوطه، تلاش بر آن بوده كه خروجي سامانه را از لحاظ سرعت و دقت تا حد ممكن بهينه كنيم. الگوريتمهاي مختلفي براي بهينهسازي اين سامانه به كار بسته شده و مدلهاي مختلف مبتني بر يادگيري عميق پيشنهاد شدهاند تا چالشهاي موجود در طراحي را به حداقل ممكن برسانند. الگوريتمهاي يادگيري عميق كه در كاربردهاي واسطهاي مغز-كامپيوتر بسيار مورد مطالعه قرار گرفتهاند، به دليل سرعت بالا و توانايي بيشتر در استخراج و انتخاب ويژگي نسبت به رويكردهاي ديگر، در اين مطالعه نيز الويت نويسندگان اين پروژه بودهاند. الگوريتمهاي عميق كاربردي در اين مطالعه شامل يادگيري متخاصم براي توليد دادههاي غيرواقعي و مدلهاي مبتني بر شبكههاي عصبي پيچشي هستند كه با مكانيزمهايي همچون توجه و لايههاي چندمقياسي، پاسخ بهينه را بدست ميدهند.
سامانهي طراحي شده در اين تحقيق، به صورت برونخط مورد بررسي قرار گرفته و مناسبترين خروجي آن، براي تحليل برخط استفاده شده است. نتايج اين مطالعه، جدا از ارائهي يك سامانهي واسط مغز-كامپيوتر هجيكننده كه از لحاظ كاربردي مورد بررسي قرار گرفته است، رويكردهاي جديدي را براي طراحي سامانههاي واسط مغز-كامپيوتر مبتني بر P300 و يا SSMVEP در اختيار خواننده قرار ميدهند.
تاريخ ورود اطلاعات
1403/08/15
عنوان به انگليسي
Design of a Hybrid Brain-Computer Interface based on P300 and SSMVEPs
تاريخ بهره برداري
9/16/2025 12:00:00 AM
دانشجوي وارد كننده اطلاعات
پويا احمدپور
چكيده به لاتين
Brain-Computer Interface Spellers (BCI-Spellers) are systems designed to type desired characters on screen by exploitation of brain signals, and no neuro-muscular involvement. They are usually based on visual stimuli and their effect on brain signals. P300 Stimuli are visual stimuli induced by Oddball paradigm which cause a peak in brain signals 300 milli seconds after visual intensification. Fast presentation of this paradigm and low visual fatigue are the advantages of this stimulus. However, non-stationary, time-variant features of P300 signals challenge P300-BCI-spellers. On the other hand, Visual Evoked Potentials (VEPs) are more stable and less time-variant comparing to Event Related Potentials (ERPs) and can be classified by unsupervised models. Steady-State Motion Visual Evoked Potential (SSMVEP) stimuli are known for low visual fatigue. Nonetheless, they are disadvantaged by low signal to noise ratio (SNR), and more complex implementation. In this study, the first hybrid BCI-Speller based on SSMVEP and P300 signals, is introduced. To optimize the spellers output, many algorithms are utilized and novel Deep learning frame-works are proposed. Deep learning algorithms are repeatedly studied in BCI applications, due to their high capabilities of feature extraction, classification, and speed. Therefore, they are prioritized by authors in this project. The Deep learning-based algorithms optimized in this study include, adversarial learning for fake data production, and Convolutional Neural Network (CNN) based models, for classification. These models are also enhanced by Multi-scale and attention mechanism added to their structure. The proposed frame-work of this project is evaluated by an offline analysis, and the best resulting frame-work is exploited for online speller applications evaluation. It worths mentioning that the proposed methods can also be an insight for further BCI applications.
كليدواژه هاي فارسي
سامانه واسط مغز-كامپيوتر , شبكههاي عصبي عميق , P300 , هجي كننده , يادگيري متخاصم , پتانسيل برانگيختگي حالت پايدار حركتي
كليدواژه هاي لاتين
Brain-computer interface (BCI) , Speller , P300 , Steady-State Motion Visual Evoked Potential (SSMVEP) , Classification , Adversarial Learning , Convolutional Neural Network (CNN)
Author
Pouya Ahmadpour
SuperVisor
Dr.Abbas Erfanian Omidvar