19810

۱۹۸۱۰

كدگشايي پيوسته مسير حركت دست براي سيستم هاي واسط مغز كامپيوتر

كارشناسي ارشد

مهندسي پزشكي - بيو الكتريك

۱۳۹۴-۱۳۹۷

۱۳۹۷/۷/۲

دكتر وحيد شالچيان

برق

در چند دهه اخير پيشرفت در علوم اعياب و مهندسي، واسط مغز رايانه (BCI) را به عنوان ابزاري براي تحقيقا توان بخشي معرفي كرده است. يكي از انواع BCI ، BCI هاي هستند كه با تخمين حركت از سيگنال هاي مغزي مي توانند دستگاه هاي خارجي مانند عضو مينوعي را كنترل كنند. در گذشته كدگشايي پارامترهاي حركت از سيگنال هاي مغزي تهاجمي به خوبي انجام شده و نتايج نابل ن ولي داشته است. اما به دليل مزاياي ث ت هاي غيرتهاجمي، در سال هاي اخير محققان به روش هاي ث ت سيگنال غيرتهاجمي مانند الكتروانسفالوگرام (EEG)1 روي آوردند. در اين پژوهش نيز با استفاده از سيگنال EEG و اندازه گيري هم زمان مونعيت حركت دست، در يك آزمايش حركت پيوسته ي پيچيده، مونعيت لحظه اي دست در صفحه ي افقي در دو محور X و Y كدگشايي شد. ويژگي استفاده شده، پوش سيگنال به ازاي باندهاي فركانسي، كانال ها و تأخيرهاي زماني مختلف بوده است. در ادامه زيرمجموعه اي از ويژگي هاي بهينه توسط الگوريتم اطلاعا متقابلو MI ) 2 انتخاب و همراه داده ي مونعيت حركت اندازه گيري شده براي يادگيري مدل به رگرسور داده شده و پس از آموزش رگرسور، با ورود داده ي جديد، خروجي مونعيت حركت توسط مدل تخمين زده شده است. ميانگين وريب هم ستگي و±انحراف معيار( براي كدگشايي مونعيت حركت از سيگنال ث ت شده از 11 كاربر سالم در دو محور X و Y با رگرسور PLS 1/33±1/ به ترتيب 16 1 و رگرسور /57±1/ و 17 KRR 1 و رگرسور /55±1/ 1/32±1/17 و 17 ، MLR 1/32±1/16 و ، 1/55±1/17 به دست آمده است. طي بررسي هاي انجام شده روي باندهاي فركانسي مختلف، باند گاما وبالاتر از 31 هرتز( بهترين نقش را در انتخاب ويژگي داشته است. در انتها كدگشايي سرعت حركت نيز محاس ه 1 در دو محور / 1 و 28 / شد و ميانگين وريب هم ستگي 18 X و Y به دست آمد. ط ق نتايج به دست آمده، نابليت كدگشايي پارامترهاي حركتي از سيگنال EEG وجود دارد و با استفاده از روش استفاده شده در اين پژوهش مي توان به عملكرد نس تاً نابل ن ولي در مقايسه با تحقيقا گذشته دست يافت.

1397/09/25

Continuous decoding of hand movement trajectory from EEG for BCI systems

9/24/2019 12:00:00 AM

In the last few decades advancement in Neuroscience and Engineering has provided brain computer interface (BCI) as a tool for rehabilitation research. One of the most important types of BCIs is movement control-based BCIs that, by estimating the movement parameters from brain signals, can control external devices such as the artificial limb. In the past, the decoding of movement from invasive brain signals was well done and had satisfactory results. But in recent years, because of the benefits of non-invasive brain signals, researchers have turned to non-invasive recording methods such as Electroencephalogram (EEG). In this study trajectory of movement was decoded, using EEG signals simultaneously measuring the movement of the hand, in a continuous curve movement task in the horizontal plane along two axes X and Y. The feature used is the signal modulation for various frequency bands, channels, and time lags. In the following, a subset of optimal features is selected by the mutual information, and with the measured data is given to the repressor to learn the model. The mean correlation coefficient (± SD) for decoding in two axes X and Y of the recorded signal from 10 healthy subjects for PLS, KRR and MLR regressors was 0.33 ± 0.06 and 0.57 ± 0.19, 0.32±0.07 and 0.55±0.07, 0.32±0.06 and 0.55±0.19, respectively. PLS was performed better than others but not significantly. During studies performed on different frequency bands, gamma band (above 30 Hz) had the most effect on feature selection. Finally, the velocity decoding was also calculated and the mean correlation coefficient was obtained 0.18 and 0.28 on both axes X and Y, respectively. According to the results, there is a possibility of decoding the movement parameters from the EEG signal, and using the method used in this study can be achieved relatively acceptable performance compared to the past.