30573

رويكرد روش‌هاي كاهش بعد براي رمزگشايي اطلاعات حركت و نيرو در سيستم‌هاي واسط مغز - كامپيوتر

كارشناسي ارشد

مهندسي پزشكي-بيوالكتريك

1399

1402/06/19

دكتر محمدرضا دليري

دكتر عابد خراساني

مهندسي برق

در دهه‌هاي گذشته، تلاش زيادي براي درك چگونگي ارتباط فعاليت تك نورون با حركت انجام شده است. بااين‌وجود، اين نورون‌هاي واحد در يك شبكه وسيع قرار دارند كه طبيعت و ذات آن تا حد زيادي غيرقابل‌دسترس بوده است. در اين مطالعه مدلي براي كنترل عصبي حركت بررسي مي‌شود كه در آن فعال‌سازي وابسته به زمان حالت‌هاي عصبي مولد رفتار حركتي است. اين ديدگاه مبتني بر منيفولد عصبي، در مورد قشر حركتي به درك بهتري از نحوه كنترل حركت توسط مغز منجر مي‌شود. از تكنيك‌هاي كاهش ابعاد براي استخراج فعاليت عصبي هماهنگ يك جمعيت و آشكارساختن ساختارهايي كه ممكن است در سطح تك نورون ايزوله پنهان شده باشند، استفاده مي‌كنيم. مجموعه‌داده استفاده شده در اين مطالعه داده‌هاي ثبت شده از ناحيه M1 دو ميمون در بازه طولاني‌مدت بوده است كه در حال انجام يك كار خروج از مركز بوده‌اند و سرعت حركت دست اندازه‌گيري شده است. در اين مطالعه نشان داده شد كه براي رمزگشايي پارامترهاي حركتي بادقت بالاتر استفاده از تركيب منيفولد اسپايك و LFP بهتر است و به طور معني‌داري بهتر از حالتي است كه از منيفولد عصبي اسپايك يا LFP به‌تنهايي استفاده مي‌كنيم و به طور ميانگين دقت رمزگشايي سرعت دست براي جلسات مختلف 89/0 R2 بود. در BCIهاي كنوني، ناپايداري در واسط عصبي منجر به كاهش عملكرد رمزگشايي مي‌شود كه نياز به كاليبراسيون مجدد نظارت شده با استفاده از داده‌هاي برچسب‌گذاري شده جديد دارد. يك راه‌حل بالقوه استفاده از ساختار منيفولد نهفته است كه زيربناي فعاليت جمعيت عصبي است تا نقشه‌برداري پايدار بين فعاليت و رفتار مغز را تسهيل كند. هم‌ترازي منيفولدهاي عصبي كم ابعاد مي‌تواند براي تثبيت فعاليت عصبي مورداستفاده قرار گيرد و درنتيجه عملكرد BCI را در حضور بي‌ثباتي‌هاي موجود در ثبت داده‌هاي عصبي مانند حركات كوچك الكترودها نسبت به بافت اطراف مغز، و همچنين ازدست‌دادن نورون‌ها و... حفظ كند. براي اولين‌بار در اين مطالعه از هم‌ترازي منيفولد عصبي LFP و منيفولد عصبي تركيب LFP و اسپايك براي تثبيت واسط مغز – كامپيوتر استفاده شد و از اين هم‌ترازي براي تثبيت واسط مغز كامپيوتر در طول زمان براي جلسات مختلف يك سوژه و هم در حالت بين سوژه‌اي استفاده شد كه در حالت استفاده از منيفولد عصبي تركيب LFP و اسپايك نتايج به طور معني‌داري بهتر از منيفولد عصبي LFP يا اسپايك به‌تنهايي بود و به طور ميانگين دقت رمزگشايي سرعت دست براي جلسات مختلف 81/0 R2 بود و نسبت به حالتي كه از هم‌ترازي استفاده نشده بود كه به طور ميانگين دقت رمزگشايي سرعت دست براي جلسات مختلف 25/0 R2 بود نتايج را در سطح بسيار بالاتري حفظ نمود و سبب پايداري سيستم BCI در يك بازه يك سال و نيم و همچنين در حالت بين سوژه‌اي شد. در انتها از يك روش بدون نظارت براي هم‌ترازي بين سوژه‌اي استفاده كرديم.

1402/11/27

Approach of dimensional reduction methods for decoding movment and force information in brain-computer interface systems

9/9/2024 12:00:00 AM

Over the past decades, much effort has been devoted to understanding how single-neuron activity relates to movement. However, these single neurons are located in a vast network whose nature and essence has been largely inaccessible. In this study, a model for the neural control of movement is investigated, in which the time-dependent activation of neural states is the generator of motor behavior. This neural manifold-based view of the motor cortex leads to a better understanding of how the brain controls movement. We use dimensionality reduction techniques to extract the coordinated neural activity of a population and reveal structures that may be hidden at the level of an isolated single neuron. The data set used in this study was the recorded data from the M1 region of two monkeys in a long-term interval, which were performing a center-out task, and the speed of the hand movement was measured. In this study, it was shown that the combination of spike manifold and LFP is better for decoding motor parameters with higher accuracy and is significantly better than the case where we use the neural spike manifold or LFP alone. And on average, the accuracy of hand speed decoding for different sessions was .89 of R2. In current BCIs, instability in the neural interface leads to degradation of decoding performance, which requires supervised recalibration using newly labeled data. A potential solution is to exploit the latent manifold structure that underlies neural population activity. to facilitate stable mapping between brain activity and behavior. Alignment of low-dimensional neural manifolds can be used to stabilize neural activity and, as a result, preserve BCI performance in the presence of instabilities in neural data recording, such as small movements of electrodes relative to the surrounding brain tissue, as well as loss of neurons, etc. For the first time in this study, the alignment of the neural manifold of LFP and the neural manifold of the combination of LFP and spike were used to stabilize the brain-computer interface. And this alignment was used to stabilize the brain-computer interface over time for different sessions of the same subject and in the cross-subject mode. that in the case of using the combined neural manifold of LFP and spike, the results were significantly better than the neural manifold of LFP or spike alone .And on average, the accuracy of hand speed decoding for different sessions was .81 of R2, and compared to the case where alignment was not used, which averaged the accuracy of hand speed decoding for different sessions of .25 of R2,kept the results are at a much higher level. And it caused the stability of the BCI system in a period of one and a half years and also in the cross-subject mode. Finally, we used an unsupervised method for cross-subject alignment.

واسط مغز و كامپيوتر , پويايي حالت‌هاي نهفته عصبي , منيفولد عصبي , روش‌هاي كاهش بعد , تثبيت‌كننده مبتني بر منيفولد

Brain-computer interface , dynamics of neural latent states , neural manifold , dimensionality reduction methods , manifold-based stabilizer

Behnam Soufi Sharvenian

Dr. Mohammadreza Daliri