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

كارشناسي ارشد

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.

194178

دانشگاه علم و صنعت ايران

مهندسي پزشكي - بيوالكتريك

دكتر محمدرضا دليري