21819

21819

رمزگشايي سيگنال‌هاي مغزي با استفاده از روش‌هاي مبتني بر فيلتر كالمن در سيستم‌هاي BCI

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1395

1398/7/13

دكتر محمدرضا دليري

برق

واسط‌هاي مغز-كامپيوتر (BCIs) به دنبال ايجاد يك ارتباط مستقيم از مغز به كامپيوتر هستند، تا براي كاربردهايي مانند كنترل پروتز حركتي، كنترل يك نشانگر بر روي مانيتور و ... استفاده شوند. از اين رو، دقت رمزگشايي پارامترهاي حركتي از روي سيگنال‌هاي مغزي در BCI‌ها بسيار حياتي است. فيلتر كالمن به‌طور معمول در سيستم‌هاي BCI براي رمزگشايي فعاليت‌هاي عصبي و تخمين پارامترهاي سينتيكي و سينماتيكي استفاده مي‌شود. براي استفاده از فيلتر كالمن، ماتريس‌هاي انتقال حالت، مشاهدات و همچنين كوواريانس‌هاي نويز فرآيند و اندازه‌گيري بايد از پيش شناخته شده‌باشند. با اين حال، در بسياري از كاربردها اين ماتريس‌ها از پيش تعيين شده نيستند. به‌طور معمول براي تخمين اين پارامترها از روش‌هاي حداقل مربعات (OLS) و تخمين‌زننده‌ي كوواريانس ساده (SCM) استفاده مي‌كنند. هدف ما اين است كه با تخمين بهتر پارامترهاي ذكر شده، عملكرد رمزگشايي فيلتر كالمن در سيستم‌هاي BCI را بهبود بخشيم. در نتيجه يك فيلتر كالمن رگوله‌شده (RKF) را پيشنهاد مي‌دهيم كه با بهبود تخمين ماتريس انتقال حالت با استفاده از رگوله‌سازي معادله‌ي حالت و همچنين بهبود تخمين ماتريس ناشناخته‌ي كواريانس نويز اندازه‌گيري با استفاده از روش انقباض، دقت رمزگشايي را بهبود بخشيده است. عملكرد روش پيشنهادي بر روي دو مجموعه‌داده از پتانسيل ميدان محلي قشر حركتي ميمون (با هدف تخمين پارامترهاي سينتيكي در حين حركت دست) و موش صحرايي (با هدف تخمين ميزان نيروي وارد شده توسط دست به عنوان پارامتر سينماتيكي) بررسي شده‌است. نتايج رمزگشايي نشان مي‌دهد كه تغييرات اعمال‌شده منجر به بهبود ضريب همبستگي ( 0.25±0.005 براي مجموعه‌داده‌ي مربوط به نيرو و 0.005±0.09 براي مجموعه‌داده‌ي مربوط به حركت؛ ميانگين CC ± خطاي استاندارد) و كاهش خطا (0.049±1.32 براي مجموعه‌داده‌ي مربوط به نيرو و 0.12±0.75 براي مجموعه‌داده‌ي مربوط به حركت؛ ميانگين NMSE ± خطاي استاندارد) شده‌است. همچنين عملكرد روش پيشنهادي نسبت به روش‌هاي فيلتر كالمن استاندارد، فيلتر كالمن همراه با انتخاب ويژگي، روش رگرسيون حداقل مربعات جزئي (PLS) و رگرسيون ريج‌ از لحاظ آماري بهتر بوده‌است.

1398/12/14

Brain Signals Decoding Using Kalman Filter-Based Methods in BCI Systems

3/4/2021 12:00:00 AM

Brain-computer interfaces (BCIs) seek to establish a direct connection from the brain to the computer, for use in applications such as motor prosthesis control, control of a cursor on the monitor, and so on. Hence, the accuracy of movement decoding from brain signals in BCIs is crucial. The Kalman filter is generally used in BCIs systems to decode neural activity and estimate the kinetic and kinematic parameters. To use the Kalman filter, the state transition matrix, the observation matrix and the covariance matrices of the process and measurement noises must be known in advance. However, in many applications, these matrices are not known. Typically, to estimate these parameters, the ordinary least squares (OLS) method and the sample covariance matrix (SCM) estimator are used. Our purpose is to enhance the decoding performance of the Kalman filter in BCI systems by improving the estimation of the mentioned parameters. Here, we propose the Regularized Kalman Filter (RKF) which implements two fundamental features: 1) Regulating the state equation to improve the estimation of the state transition matrix, and 2) Use of shrinkage method to improve the estimation of the unknown measurement noise covariance matrix. The performance of the proposed method has been investigated on two datasets of local field potential in the motor cortex of a monkey (Estimation of kinematic parameters during hand movement) and three rats (Estimation of the amount of force as a kinetic parameter applied by the hand). The results demonstrate that the proposed method outperforms the standard Kalman filter, the Kalman filter with feature selection, the partial least squares (PLS) and the Ridge regression.