22087

استفاده از شبكه‌هاي عميق براي رمزگشايي پيوسته پارامتر‌هاي حركتي از روي سيگنال‌هاي عصبي

كارشناسي ارشد

بيوالكتريك

1399/03/26

دكتر محمدرضا دليري

برق

رمزگشايي پيوسته پارامتر‌هاي حركتي از جهت مطالعات علوم اعصاب و همچنين براي طراحي سيستم‌هاي واسط مغز و كامپيوتر حائز اهميت است. در اين مطالعه، با الهام گرفتن از روش‌هاي كلاسيك براي تخمين پارامتر‌هاي حركتي از سيگنال‌هاي عصبي، يك شبكه عصبي عميق متشكل از يك بخش كانولوشنال و يك بخش بازگشتي براي رمزگشايي حركت پيوسته از سيگنال پتانسيل ميدان محلي طراحي شده است. در روش پيشنهادي در اين تحقيق، بخش كانولوشنال عمل استخراج ويژگي را انجام داده و بخش بازگشتي پارامتر‌هاي حركتي را به كمك ويژگي‌هاي محاسبه شده تخمين خواهد زد. به منظور ارزيابي مدل از دو مجموعه داده استفاده شده است. در داده اول، ميزان نيرويي كه سه موش صحرائي جهت دريافت پاداش به يك حسگر نيرو وارد كرده‌اند ثبت شده است. در مجموعه داده دوم، موقعيت و سرعت حركت دست يك ميمون در حال انجام يك آزمايش خروج از مركز اندازه‌ گيري شده است. براي داده اول هدف تخمين پيوسته نيروي اعمال شده و در داده دوم تخمين موقعيت و سرعت حركت دست بوده است. همچنين روش پيشنهادي با چندين روش مرسوم شامل روش‌هاي خطي، فيلتر كالمن و يك شبكه عصبي عميق ديگر مقايسه كرده‌ايم. شبكه ارائه شده توانسته است كه موقعيت دست در فضاي دو بعدي و شدت نيرو را با دقت بالاتر از ديگر روش‌هاي مرسوم پيشبيني كند. معيار‌هاي ارزيابي ضريب همبستگي و ضريب تشخيص براي سنجش پيشبيني مدل پيشنهادي استفاده گرديده است. به طور ميانگين در تخمين ميزان نيروي وارد شده توسط سه موش، مقادير ضريب همبستگي و ضريب تشخيص به ترتيب 0/75 و 0/54 بوده است. همچنين درداده تخمين پارامتر‌هاي حركتي ميمون، به ترتيب براي موقعيت و سرعت حركت، ضريب همبستگي 0/89 و 0/75 و ضريب تشخيص 0/77 و 0/55 محاسبه شده است. علاوه بر دقت بالا و استخراج ويژگي خودكار، ساختار شبكه ارائه شده امكان تحليل فيزيولوژيك و استخراج ويژگي‌هاي بهينه سيگنال عصبي را -كه بيشترين نقش را در فرآيند تخمين داشته اند- ممكن مي‌سازد. بدين شكل مي‌توان اثر كلي هر كانال از داده عصبي را در هر باند فركانسي مشخص كرد. همچنين يك روش جديد براي تحليل شبكه معرفي شده است كه به كمك‌ آن مي‌توان نقش هر كانال و باند فركانسي سيگنال عصبي را براي تخمين هر لحظه از سيگنال حركتي مشخص كرد.

1399/04/02

Continuous Decoding of Movement-Related Parameters Using Deep Networks

6/16/2021 12:00:00 AM

Decoding continuous movement-related parameters like position and speed is valuable both for understanding the neuroscience of the movement and for designing effective Brain Computer Interfaces (BCIs). In this study, we have proposed a novel deep neural network structure for high accuracy decoding of continuous movement and continuous applied force from LFP signal. Our proposed method consists of a convolutional and a recurrent block. The convolutional section extracts the optimal features from the LFP data and the recurrent section estimates movement-related parameters form the features created in the previous block. To evaluate the network, we used two separate datasets. In the first one, LFP signal was used to decode continuous movement in 2D space and in the other one, LFP signal was used for decoding continuous applied force. In both datasets, the proposed network was able outperform multiple classical approaches including linear models, Kalman filter and another deep neural network designed for continuous decoding. Correlation coefficient (r) and coefficient of determination (R2) were used for validating the decoded signal. Average correlation coefficient for decoded position, speed and applied force were 0.89, 0.75 and 0.75 and the coefficient of determination were 0.75, 0.55, 0.54 respectively. In addition to accurate decoding of movement-related parameters, the network automatically performed all the feature extraction pipeline from raw LFP signal. This property makes it easier to generalize the proposed method for other subjects or datasets. Furthermore, the unique structure of the proposed network enabled us to investigate physiological properties which lead to accurate prediction of movement parameters from LFP signal. We are hoping that with the recent advancements in developing high accuracy, deep learning-based neural decoding models, the dream of designing effective BCI systems will become a reality.

واسط مغز و كامپيوتر , شبكه كانولوشني , شبكه عصبي عميق , سيگنال LFP