30689

رمزگشايي حركت از سيگنال‌هاي مغزي با استفاده از مدل‌هاي متغير پنهان

كارشناسي ارشد

مهندسي پزشكي- مهندسي عصبي - شناختي

1400

1402/11/29

وحيد شالچيان

مهندسي برق

رمزگشايي از سيگنال‌هاي مغزي بخش قابل‌توجهي از مطالعات علوم اعصاب را در بر مي‌گيرد. اين دسته مطالعات به طور ويژه در رمزگشايي از سيگنال‌هاي مرتبط با حركت ازاين‌رو موردتوجه بوده‌اند كه راهگشاي طراحي و توسعه‌ي سامانه‌هاي واسط مغز-رايانه (BCI) قرار گرفته‌اند. بااين‌وجود در سال‌هاي اخير رويكرد جديد و جامعي در مطالعات حوزه‌ي علوم اعصاب براي رمزگشايي از فعاليت‌هاي مغزي معرفي شده كه سيستم عصبي را به‌مثابه‌ي يك شبكه‌ي پيچيده با قواعد سيستم ديناميكي خطي (LDS) در نظر مي‌گيرد. در اين رويكرد فرض مي‌شود كه متغيرهاي پنهان در رفتار جمعي شبكه‌هاي نوروني موجب شكل‌گيري ديناميكي ذاتي در فعاليت مجموعه‌هاي عصبي مي‌شود كه فرايند‌هاي پردازش داده و توليد خروجي را در اين سيستم پيچيده توجيه‌پذير كرده و مديريت مي‌كند. همچنين اين رويكرد با اين توضيح كه پردازش در ابعاد متغيرهاي پنهان محدودتر است، ايده‌ي كاهش بعد دادگان به ابعاد پايين معني‌دار را بررسي مي‌كند. باتوجه به مزيت اين رويكرد در توضيح مدل پردازشي سيستم عصبي، كاهش بعد دادگان به ابعاد معنادار و فراهم كردن امكان مطالعه‌ي فضاي حالت در اين پژوهش به رمزگشايي حركت با رويكرد سيستم ديناميكي پرداخته‌ايم. به اين منظور از دادگان فعاليت نوروني كه در ناحيه‌ي قشر حركتي اوليه (M1) و در زمان اجراي آزمون حركتي مركز-خارج ثبت شده‌اند، بهره برده‌ايم. همچنين از فيلتر ديناميكي نوروني (NDF) با فرض قواعد ديناميكي حاكم بر فعاليت جمعيت نوروني استفاده شده است. صحت عملكرد اين فيلتر براي پيش‌بيني موقعيت و سرعت جهت‌دار دست در دو راستاي افقي و عمودي، با روش‌ رمزگشايي مستقيم به‌وسيله‌ي فيلتر كالمن ارزيابي شده‌است. به‌علاوه باتوجه‌به رويكرد سيستم ديناميكي در انتقال داده به ابعاد كاهش‌يافته، عملكرد اين روش با دو روش كاهش بُعد ديگر، تحليل مولفه‌هاي اساسي (PCA) و تحليل مولفه‌هاي كانوني (CCA)، مقايسه گرديده‌است. بررسي‌ها نشان مي‌دهد روش فيلتر ديناميكي نوروني با هشت بعد توانسته در رمزگشايي از موقعيت دست نسبت به دو روش ديگر (چهار مؤلفه كانوني و بيست مؤلفه‌ اساسي) به طور معنادار عملكرد بهتري نشان دهد (با ميانگين ضريب هم‌بستگي 917/0 و 831/0 به‌ترتيب در راستاي افقي و عمودي). هم‌چنين در رمزگشايي از سرعت جهت‌دار، استفاده از فيلتر كالمن با ورودي مولفه‌هاي كانوني به‌طور ميانگين به مقادير ضريب هم‌بستگي 872/0 و 762/0 به‌ترتيب در راستاي افقي و عمودي دست‌ يافته‌است كه با اختلافي معادل با 021/0 و 03/0 نسبت به فيلتر ديناميكي عملكرد بهتري نشان داده‌است. بااين‌وجود همانطور كه در نمايش فضاي حالت بررسي گشته، رويكرد سيستم ديناميكي مي‌تواند توضيح گويايي براي نحوه‌ي پردازش مغزي ارائه دهد كه مزيت افزونه‌اي نسبت به‌ساير مدل‌هاي رمزگشايي سابق است. درمجموع اين نتايج شاهدي بر حضور قواعد ديناميكي بر فعاليت جمعيت نوروني مي‌باشد كه مي‌تواند در رمزگشايي مورداستفاده قرار گيرد.

1403/01/26

Movement Decoding From Neural Signals Using Latent Variable Models

2/17/2025 12:00:00 AM

Decoding brain signals is a cornerstone of neuroscience, particularly in unraveling the complexities of movement-related signals. These investigations have been pivotal in propelling the development of brain-computer interface (BCI) systems. Recently, neuroscience has embraced a holistic paradigm, portraying the nervous system as a complex network governed by linear dynamic system (LDS) principles. This viewpoint posits that neural network behavior is shaped by hidden variables, giving rise to dynamic patterns intrinsic to neural activity. Consequently, this framework guides data processing and output generation within this intricate system. This study capitalizes on the advantages of the dynamic system approach, aiming to illuminate the nervous system's processing model, condense data into meaningful representations, and explore dynamics within the state-space. Specifically, our objective is to decode movement patterns using neuronal activity data sourced from the primary motor cortex (M1) during center-out reaching task. By employing the neuronal dynamic filter (NDF) to model the dynamic rules governing neuronal population activity, we assess its effectiveness in predicting hand position and velocity. Furthermore, we explore the performance of the NDF-based method with two other dimensionality reduction techniques, Principal Component Analysis (PCA) and Canonical Correlation Analysis (CCA). Our findings reveal that the NDF method, utilizing eight dimensions, significantly outperforms alternative approaches in decoding hand position, achieving average correlation coefficients of 0.917 and 0.831 horizontally and vertically, respectively. In decoding velocity, although the Kalman filter with input from canonical components slightly outperforms the dynamical filter, yielding average correlation coefficients of 0.872 and 0.762 in the horizontal and vertical directions, the latter provides a more meaningful understanding of neural processing mechanisms, as demonstrated in state-space plots. In conclusion, our results offer compelling evidence of dynamic rules shaping neuronal population activity, presenting promising avenues for decoding endeavors. This research underscores the importance of integrating dynamic system principles in comprehending and harnessing brain signals for applications like BCI systems.

مدل سيستم ديناميكي , متغير پنهان , كاهش بعد , رمزگشايي حركت

Dynamical System Model , latent variable , Dimensionality Reduction , Movement Decoding

Sajede Aghababaei

Dr. Vahid Shalchian