واسط مغز و رایانه: تفاوت میان نسخهها
بدون خلاصۀ ویرایش |
Yamaha5Bot (بحث | مشارکتها) تمیزکاری با ویرایشگر خودکار فارسی |
||
خط ۷۶: | خط ۷۶: | ||
با توجه به اینکه مولفه P300 سیگنال در حوزه زمان دارای یک پیک دامنه |
با توجه به اینکه مولفه P300 سیگنال در حوزه زمان دارای یک پیک دامنه |
||
در نزدیکی t=300 ms پس از تحریک میباشد بنابراین در حوزه زمان از این ویژگی برای تمیز کردن سیگنال P300 دار از سیگنال غیر P300 استفاده میکنیم. برای این منظور ابتدا عمل پیش پردازش یعنی عبور از فیلتر میان گذر [0.3 32 |
در نزدیکی t=300 ms پس از تحریک میباشد بنابراین در حوزه زمان از این ویژگی برای تمیز کردن سیگنال P300 دار از سیگنال غیر P300 استفاده میکنیم. برای این منظور ابتدا عمل پیش پردازش یعنی عبور از فیلتر میان گذر [0.3 32 Hz] و حذف ناحیه OA در صورت وجود را برروی سیگنال EEG اعمال میکنیم. سپس برای هر کاراکتر دو سیگنال از ۱۲ سیگنال که دارای مولفه P300 است را مشخص میکنیم؛ بنابراین در ۱۵ بار تکرار سیگنال EEG دارای مولفه P300 و سیگنال EEG غیر مولفه P300 داریم. با میانگین گیری سیگنالهای دارای مولفه P300، الگوی مناسبی از این سیگنال بدست میآید. حال بمنظور کاهش بعد سیگنال عمل down sampling با رنج ۶ برروی سیگنال انجام میدهیم که در نهایت سیگنال ۲۴۰ نمونهای مطابق با شکل۱۱ به سیگنال با ۴۰ نمونه تبدیل میشود. |
||
در مرحله طبقهبندی سیگنال، از این ۴۰ نمونه بعنوان الگوی یک سیگنال EEG دارای مولفه P300 استفاده میکنیم. این روش در طبقهبندی با محاسبه کرلیشن بسیار مناسب است. |
در مرحله طبقهبندی سیگنال، از این ۴۰ نمونه بعنوان الگوی یک سیگنال EEG دارای مولفه P300 استفاده میکنیم. این روش در طبقهبندی با محاسبه کرلیشن بسیار مناسب است. |
||
خط ۸۳: | خط ۸۳: | ||
=== ازمایشهای BCI روی حیوانات === |
=== ازمایشهای BCI روی حیوانات === |
||
تا کنون تحقیقات بسیاری روی میمونها، خفاش و گربه انجام شده است که به اختصار به بعضی از انها اشاره شده است. از جمله حرکت دست رباتی توسط یک میمون در سال ۲۰۰۸ در دانشگاه پیتزبرگ([[University of Pittsburgh Medical Center]]) |
تا کنون تحقیقات بسیاری روی میمونها، خفاش و گربه انجام شده است که به اختصار به بعضی از انها اشاره شده است. از جمله حرکت دست رباتی توسط یک میمون در سال ۲۰۰۸ در دانشگاه پیتزبرگ([[University of Pittsburgh Medical Center]]) یا حرکت نشانه گر موس روی صفحه فقط از طریق خواندن امواج مغزی میمون از پوسته مغز او و دادن فیدبک از طریق بینایی به حیوان (در این روش کمکم به حیوان میآموزند تا چگونه نشانه گر را روی صفحه کامپیوتر جابهجا کند). |
||
در سال ۱۹۶۹ در دانشگاه واشینگتن([[University of Washington School of Medicine]]) نشان داده شد که میمون میتواند به راحتی کار کردن با یک دست رباتی را یاد بگیرد و در سال ۱۹۷۰ نیز نشان داده شد که اگر حیوان با دادن جایزههایی تشویق شود میتواند الگوی مغزی خاصی را تولید کند. |
در سال ۱۹۶۹ در دانشگاه واشینگتن([[University of Washington School of Medicine]]) نشان داده شد که میمون میتواند به راحتی کار کردن با یک دست رباتی را یاد بگیرد و در سال ۱۹۷۰ نیز نشان داده شد که اگر حیوان با دادن جایزههایی تشویق شود میتواند الگوی مغزی خاصی را تولید کند. |
||
در دهه ۸۰ میلادی Apostolos Georgopoulos در دانشگاه جان هاپکینز نشان داد که رابطهای ریاضی بین سیگنالهای مغزی میمون رزوس (نوع خاصی میمون که در خیلی از مناطق زندگی میکند و مغز او تطبیق زیادی با مغز انسان دارد) و جهت حرکت دستهای او، بر اساس تابع [[کسینوس]] وجود دارد. او همچنین نشان داد که فعالیتهای ارادی میمون را میتوان توسط نرونهایی که در بخشهای مختلف مغز میمون وجود دارد نیز ثبت کرد اما در هر لحظه فقط باید در یک نقطه این اندازهگیری انجام شود. البته این نتیجهگیری به دلیل محدودیت فیزیکی دستگاههای او بود.<ref name="en.wikipedia.org" /> |
در دهه ۸۰ میلادی Apostolos Georgopoulos در دانشگاه جان هاپکینز نشان داد که رابطهای ریاضی بین سیگنالهای مغزی میمون رزوس (نوع خاصی میمون که در خیلی از مناطق زندگی میکند و مغز او تطبیق زیادی با مغز انسان دارد) و جهت حرکت دستهای او، بر اساس تابع [[کسینوس]] وجود دارد. او همچنین نشان داد که فعالیتهای ارادی میمون را میتوان توسط نرونهایی که در بخشهای مختلف مغز میمون وجود دارد نیز ثبت کرد اما در هر لحظه فقط باید در یک نقطه این اندازهگیری انجام شود. البته این نتیجهگیری به دلیل محدودیت فیزیکی دستگاههای او بود.<ref name="en.wikipedia.org" /> |
||
خط ۱۱۴: | خط ۱۱۴: | ||
۱)فعالیتهای مغزی ریتمیک.{{سخ}} |
۱)فعالیتهای مغزی ریتمیک.{{سخ}} |
||
۲)پتانسیلهای برانگیخته.{{سخ}} |
۲)پتانسیلهای برانگیخته.{{سخ}} |
||
مغز متشکل از میلیونها سلولی است که هر کدام عمل متفاوتی را انجام میدهند. از اینرو در هر لحظه، و در هر جای مغز ترکیب مختلفی ازانواع [[فرکانس|بسامدها]] را میتوان داشت. بسته به سطح هوشیاری، امواج مغزی افراد طبیعی، فعالیت ریتمیک متفاوتی از خود نشان میدهد. برای مثال، مراحل مختلف [[خواب]] را میتوان در EEG مشاهده کرد. همچنین به هنگام بیداری نیز امواج ریتمیک متفاوتی بهوجود میآید. این ریتمها با افکار و اعمال مختلف تحت تأثیر قرار میگیرند. برای مثال، طرحریزی یک حرکت میتواند یک ریتم خاص را بلوکه |
مغز متشکل از میلیونها سلولی است که هر کدام عمل متفاوتی را انجام میدهند. از اینرو در هر لحظه، و در هر جای مغز ترکیب مختلفی ازانواع [[فرکانس|بسامدها]] را میتوان داشت. بسته به سطح هوشیاری، امواج مغزی افراد طبیعی، فعالیت ریتمیک متفاوتی از خود نشان میدهد. برای مثال، مراحل مختلف [[خواب]] را میتوان در EEG مشاهده کرد. همچنین به هنگام بیداری نیز امواج ریتمیک متفاوتی بهوجود میآید. این ریتمها با افکار و اعمال مختلف تحت تأثیر قرار میگیرند. برای مثال، طرحریزی یک حرکت میتواند یک ریتم خاص را بلوکه یا تضعیف کند. این واقعیت که افکار محض میتوانند روی ریتمهای مغزی اثر بگذارند، میتواند به عنوان اساس سیستمهای رابط مغز و رایانه بهکار رود. همانطور که در جدول ۱ نشان داده شده، این امواج را میتوان به چندین رنج فرکانسی تقسیم کرد.{{سخ}} |
||
۱. باندهای فرکانسی امواج ریتمیک{{سخ}} |
۱. باندهای فرکانسی امواج ریتمیک{{سخ}} |
||
فرکانس باند |
فرکانس باند |
||
خط ۱۴۵: | خط ۱۴۵: | ||
[3] Davila, C. E. and Srebro, R. "Subspace averaging of |
[3] Davila, C. E. and Srebro, R. "Subspace averaging of |
||
steady-state visual evoked potentials." |
steady-state visual evoked potentials." |
||
Biomedical Engineering, IEEE Transactions on, Vol. 47, Iss. 6, pp. |
Biomedical Engineering, IEEE Transactions on, Vol. 47, Iss. 6, pp. 720–728. (2000). |
||
[4] Muller, G. R. , Neuper, C. , and Pfurtscheller, G. , "Implementation of a |
[4] Muller, G. R. , Neuper, C. , and Pfurtscheller, G. , "Implementation of a |
||
telemonitoring system for the control of an EEG-based brain-computer interface," |
telemonitoring system for the control of an EEG-based brain-computer interface," |
||
IEEE Trans Neural Syst.Rehabil.Eng, vol. 11, no. 1, pp. |
IEEE Trans Neural Syst.Rehabil.Eng, vol. 11, no. 1, pp. 54–59, 2003. |
||
[5] Krausz, G. , Scherer, R. , Korisek, G. , and Pfurtscheller, G. , "Critical decision-speed |
[5] Krausz, G. , Scherer, R. , Korisek, G. , and Pfurtscheller, G. , "Critical decision-speed |
||
خط ۱۵۹: | خط ۱۵۹: | ||
pp. 422-426, 2003. |
pp. 422-426, 2003. |
||
[7] Eric W. Sellers , Emanuel Donchin ,”A P300-based brain–computer interface: Initial tests by ALS patients”,Elsevier,pp. |
[7] Eric W. Sellers , Emanuel Donchin ,”A P300-based brain–computer interface: Initial tests by ALS patients”,Elsevier,pp. 476–483, 2006 |
||
[8] F. Piccione a,*، F. Giorgi a, P. Tonin a, K. Priftis a,b, S. Giove c, S. Silvoni d, G. Palmas d, |
[8] F. Piccione a,*، F. Giorgi a, P. Tonin a, K. Priftis a,b, S. Giove c, S. Silvoni d, G. Palmas d, |
||
F. Beverina,” P300-based brain computer interface: Reliability and performance inhealthy and paralysed participants”,Elsevier, pp. |
F. Beverina,” P300-based brain computer interface: Reliability and performance inhealthy and paralysed participants”,Elsevier, pp. 531–537, 2006 |
||
[9] Po-Lei Lee, Jen-Chuen Hsieh, Chi-Hsun Wu, Kuo-Kai Shyu,Yu-Te Wu,“Brain computer interface using flash onset and offset visual evoked potentials”, Elsevier, pp. |
[9] Po-Lei Lee, Jen-Chuen Hsieh, Chi-Hsun Wu, Kuo-Kai Shyu,Yu-Te Wu,“Brain computer interface using flash onset and offset visual evoked potentials”, Elsevier, pp. 605–616, 2008 |
||
[10] http://www.bci-info.org |
[10] http://www.bci-info.org |
نسخهٔ ۲۵ سپتامبر ۲۰۱۷، ساعت ۰۹:۵۳
گمان میرود که این مقاله ناقض حق تکثیر باشد، اما بدون داشتن منبع امکان تشخیص قطعی این موضوع وجود ندارد. اگر میتوان نشان داد که این مقاله حق نشر را زیر پا گذاشته است، لطفاً مقاله را در ویکیپدیا:مشکلات حق تکثیر فهرست کنید. اگر مطمئنید که مقاله ناقض حق تکثیر نیست، شواهدی را در این زمینه در همین صفحهٔ بحث فراهم آورید. خواهشمندیم این برچسب را بدون گفتگو برندارید. (مه ۲۰۱۵) |
این مقاله نیازمند ویکیسازی است. لطفاً با توجه به راهنمای ویرایش و شیوهنامه، محتوای آن را بهبود بخشید. |
این مقاله نیازمند تمیزکاری است. لطفاً تا جای امکان آنرا از نظر املا، انشا، چیدمان و درستی بهتر کنید، سپس این برچسب را بردارید. محتویات این مقاله ممکن است غیر قابل اعتماد و نادرست یا جانبدارانه باشد یا قوانین حقوق پدیدآورندگان را نقض کرده باشد. |
واسط مغز و رایانه از مجموعهای از سنسورها و اجزای پردازش سیگنال تشکیل میشود که فعالیت مغزی فرد را مستقیماً به یک سری سیگنالهای ارتباطی یا کنترلی تبدیل میکند. در این سامانه ابتدا باید امواج مغزی را با استفاده از دستگاههای ثبت امواج مغزی ثبت کرد که معمولاً به دلیل دقت زمانی بالا و ارزان بودن و همچنین استفاده آسان، از الکتروانسفالوگرافی برای ثبت امواج مغزی استفاده میشود. الکترودهای EEG در سطح پوست سر قرار میگیرند و میدان الکتریکی حاصل از فعالیت نورونها را اندازهگیری میکنند. در مرحله بعد این امواج بررسی شده و ویژگیهای موردنظر استخراج میشود و از روی این ویژگیها میتوان حدس زد که کاربر چه فعالیتی را در نظر دارد. در این مقاله این سیستم و پیشرفتهایی که تا کنون روی این سامانه صورت گرفتهاست، بررسی شدهاست. از آن جایی که هنوز سرعت و دقت این سیستمها به حد قابل قبولی نرسیدهاست، هنوز به صورت تجاری وارد بازار نشدهاست اما از آن جایی که این سیستمها روش نوینی برای برقراری ارتباط، خصوصاً برای افرادی که از نظر جسمی معلول هستند را فراهم میکنند، گروههای پژوهشی زیادی روی این سامانهها کار میکنند و امید است که در آیندهای نزدیک بتوان به سامانههایی با سرعت و دقت بالا دست پیدا کرد.
مقدمه
این شاخه از علم با عناوین زیادی شناخته میشود که واسط مغز و رایانه(BCI or Brain Computer Interface)، رابط بین ذهن و دستگاه(Brain Machine Interface)، رابط نورونی مستقیم(direct neural interface (DNI و رابط تلپاتی (synthetic telepathy interface (STI چند تا از این نام هاست و در جهت بهبود شناخت انسان از محیط پیرامونش و افزایش توانایی او در ارتباط با دستگاهها مختلف فعالیت دارد. شروع تحقیقات روی BCI اولین بار در دانشگاه دانشگاه کالیفرنیا، لسآنجلس (UCLA) تحت قراردادی که با سازمان پروژههای پیشرفته دفاعی دارپا بسته شد، آغاز شد و مقالاتی که در ان زمان داده شد، اولینها در این زمینه بودند.
تحقیقات اولیه ابتدا بر روی پروتزهای نرونی بود که در جهت بهبود بینایی و شنوایی و حرکات ارادی کاربرد داشت. با توجه به ساختار مغز پیامهایی که به وسیلهٔ الکترودها از دنیای بیرون به مغز داده میشود همانند سایر پیامهای داخلی بدن پاسخ داده میشود.
بیماریهای مختلفی میتوانند باعث صدمه دیدن سیستم عصبی عضلانی که مغز از طریق آن قادر به ایجاد ارتباط و اعمال کنترل به محیط خارج است شوند. بیماریهایی از قبیل سختیدگی جانبی فروافتادگی عضلات، حمله به ساقه مغز، آسیبهای مغزی-نخاعی، فلج مغزی، دش ماهیچگی و فلج چندگانه مثالهایی از انواع بیماریهایی هستند که مسیر عصبی کنترل عضلات در آنها آسیب میبیند. در شرایط حاد بیماری، فرد مبتلا ممکن است تمام حرکات ارادی خود را از دست بدهد. حتی ممکن است حرکات چشم و تنفس که اعمالی غیرارادی هستند نیز امکانپذیر نباشد. به این گونه بیماران، اصطلاحاً نشانگان قفلشدگی گفته میشود. در غیاب روشهایی برای جبران فیزیولوژیکی آسیبهای وارده در اثر این بیماریها، سه انتخاب برای بازآفرینی عملکرد طبیعی بیماران وجود دارد:[۱]
۱. افزایش قابلیتهای مسیرهای عصبی-عضلانی باقیمانده.
۲. بازسازی عملکرد از دست رفته توسط عبور از مناطق آسیب دیده در مسیر عصبی.
۳. فراهم آوردن مسیر ارتباطی جدید و غیرماهیچهای برای مغز است که از طریق آن بتواند مستقیماً پیامها و دستورالعملهای کنترلی را به محیط خارج ارسال نماید: یک رابط مغز و رایانه.
خصوصیتی که این رابطهای مغز و رایانه را از سایر وسایل ارتباطی مجزا میکند، عدم نیاز به حرکتی آشکار در بدن به منظور انتقال اطلاعات میباشد. بدین ترتیب در حالتی ایدهآل شخص باید بتواند بی حرکت در جای خود نشسته و با تمرکز بر برخی افکار و تولید امواج مغزی مناسب منظور خود را بیان کند. با توجه به عدم امکان تحرک در برخی بیماران، اهمیت این موضوع بیشتر نمایان میشود.
مطالعات متعددی نشان دهنده تأثیر فعالیتها و تصورات ذهنی گوناگون بر امواج مغزی بودهاند. به عنوان مثال، توان باند آلفا در هنگام عملیات لفظی در نیمکره چپ نسبت به نیمکره راست کمتر میشود. این در حالی است که دربارهٔ عمل تصور دوران سه بعدی این موضوع برعکس است. به این پدیده اصطلاحاً عدم تقارن باند آلفا میگویند. به عنوان مثالی دیگر، تصمیم به حرکت میتواند یک ریتم خاص به نام ریتم میو را در سیگنال مغزی کاهش داده یا بلوکه نماید. نتیجه پژوهشی که توسط دویل بر عملیات حرکتی و غیر حرکتی انجام گرفت نشان میدهد که عملیاتی که منجر به تحریک قسمتهای حرکتی مغز شوند، باعث ایجاد عدم تقارن بیشتری بین دو نیمکره میگردند. در یک تعبیر کلی این پژوهشها نشان دهنده وجود تفاوتهای قابل اندازهگیری در سیگنال مغزی که مرتبط با تصورات یا عملیات ذهنی متفاوت هستند، میباشد. به عنوان مثال، چنانچه ما بتوانیم با دقت بالا تفاوت بین یک عمل ذهنی که تحریک کننده نیمکره راست و عمل دیگری که تحریک کننده نیمکره چپ است را از یکدیگر و هر دو را از حالت استراحت تشخیص دهیم میتوانیم یک الفبای سه حرفی داشته باشیم؛ بنابراین شخص میتواند با ترجمه تفاوتهای سیگنال EEG خود در قالب حروف، ۲۷ کلمه گوناگون بسازد. با در نظر گرفتن فرضهای زیر، شخص میتواند دستورات متعددی صادر نماید:
-حرف A نشانگر یک فعالیت ذهنی تحریک کننده نیمکره راست
-حرف B نشانگر یک فعالیت ذهنی تحریک کننده نیمکره چپ
-حرف C نشان دهنده حالت استراحت (فعالیت پایه)
با ترکیب نمودن این فعالیتها فرد میتوان دستورات سادهای تولید نمود:
1.BC: برو
2.ABC: بایست
3.BAC: به سمت راست ۹۰ درجه برگرد و هزاران دستورالعمل دیگر.
چنین سیستمی میتواند به فرد معلول کمک نماید که با محیط اطراف خویش ارتباط برقرار نماید. به عنوان مثال، فرد به راحتی میتواند صندلی چرخدار خود را کنترل نماید؛ بنابراین تفکیک درست و نسبتاً سریع عملیات ذهنی میتواند پایهای برای توسعه و طراحی سیستمهای BCI باشد. در این گزارش ابتدا با تأکید بر روش اندازهگیری EEG به شرح روشهای مختلف اندازهگیری فعالیتهای مغزی میپردازیم، همچنین دربارهٔ ساختار مغز و امواج مغزی نیز توضیح داده شدهاست. در بخش دوم سیستم BCI، اجزای مختلف آن و عملکرد هر جز و در نهایت نمونههایی از سیستمهای پیادهسازی شده، آورده شدهاست.
تاریخچه
تاریخچه BCI به فردی به نام هنز برگرHans Berger و نوار مغزی (سیگنال الکتروانسفالوگرافی) برمیگردد. الکتروانسفالوگرافی یا EEG ثبت فعالیتهای الکتریکی مغز است. اولین بار ماهیت الکتریکی بودن این سیگنالها توسط هنز برگر کشف شد. یکی از سیگنالهایی که او کشف کرد امواج آلفا مغزی بود (در فرکانس ۸ تا ۱۳ هرتز).
اولین بار هنز برگر از سیمهای نقره ای در زیر جمجمهٔ بیماران خود به عنوان الکترود استفاده کرد و از دستگاه لیپمن (وسیلهای برای اندازهگیری تحریکات الکتریکی بسیار کم) برای اندازهگیری پتانسیل الکتریکی استفاده کرد. اما حتی با سیم پیچهای نقرهای نیز نتوانست چیزی به دست آورد. سپس از گالوانومترهای دقیقتری مثل دستگاه شرکت زیمنس که تا یک ده هزارم ولتاژ را هم آشکار میکرد استفاده کرد که مؤثر واقع شد.[۲]
EEG
معرفی
EEG مخفف Electroencephalography است که با استفاده از یک سری الکترودها که در سطح مغز قرار میگیرند، فعالیتهای الکتریکی مغز را اندازهگیری میکند. الکترودها به منظور جمعآوری ولتاژ در مکانهای خاصی از مغز قرار میگیرند. قبل از اینکه الکترودها در سطح پوست قرار گیرند یک ژل هادی به منظور کاهش مقاومت روی پوست سر مالیده میشود، خروجی این الکترودها به ورودی یک تقویت کننده وصل میشود سپس از فیلترهای بالا گذر و پایین گذر عبور داده میشود.
تغییرات در جریان اکسیژن خون با میزان فعالیتهای عصبی ارتباط دارد. زمانی که سلولهای عصبی فعال هستند اکسیژنی که توسط هموگلوبین خون حمل میشود را مصرف میکنند. پاسخ محلی به این کاهش اکسیژن افزایش جریان خون در ناحیههایی است که فعالیتهای عصبی زیاد است. از طرف دیگر در اثر فعالیتهای عصبی و انتقال پیامهای عصبی جریان الکتریکی تولید میشود که این جریان الکتریکی طبق قانون ماکسول یک میدان مغناطیسی را تولید میکند. با توجه به این مطالب ما روشهای مختلفی برای اندازهگیری فعالیتهای مغزی داریم:
1. Positron Emission Tomography (PET)
این روش جریان خون مغز را اندازهگیری میکند.
2. Functional Magnetic Resonance Imaging (FMRI)
این روش سطح اکسیژن خون را اندازهگیری میکند.
3. Magneto encephalography (MEG)
این روش سیگنالهای مغناطیسی را اندازهگیری میکند.
4. Electro Encephalography (EEG)
این روش سیگنالهای الکتریکی تولید شده توسط مغز را اندازهگیری میکند.
با وجود این که دقت مکانی EEG پایین است ولی دقت زمانی آن بالاست و کمتر از چند میلی ثانیه میباشد. همچنین این روش به نسبت ارزان است و استفاده از آن نیز آسان میباشد. به دلیل این خصوصیات اکثر BCIها از این روش برای ثبت فعالیتهای مغز استفاده میکنند.
آنالیز - نویز
شکل یک نمونه EEG وطیفهای فرکانسی آن در (نمونه rapidshare.com/files/323512976/0011.JPG.html و طیف آن rapidshare.com/files/323513875/0012.JPG.html) آمدا است. رنج دامنه سیگنالهای EEG برای کانالهای مختلف نسبت به هم متفاوت است. به همین منظور عمل نرمالیزاسیون طبق (rapidshare.com/files/323522398/003.jpg.html) برروی هر یک از کانالها میبایست صورت پذیرد.
شکلهای نرمالیزه شده سیگنال EEG:
(سیگنال EEG نمونه rapidshare.com/files/323522690/004.jpg.html سیگنال EEG نرمالیزه شده rapidshare.com/files/323522905/005.jpg.html)
حذفOcular Artifact)OA) از سیگنال EEG روشهای مختلفی برای حذف اثر پلک زدن چشم و حرکت ماهیچه ارائه شدهاست. 1-(Independent Component Analyzing (ICA
۲-آنالیز اجزای مستقل تکنیک بازسازی سیگنالهای مستقل از روی سیگنالهای اندازهگیری شدهاست. با این فرض که سیگنالهای اندازهگیری شده بصورت ترکیب خطی از سیگنالهای مستقل میباشند.
۳-حذف OA با استفاده از تبدیل ویولت بررسی تکهای سیگنال برای شناسایی OA و استفاده از ضریب وابستگی برای حذف OA ایده زیر برای حذف OA ارائه شدهاست. برای این منظور ابتدا یک میانگین گیری از سیگنالها که تأثیر پلک زدن و حرکت ماهیچه را بخوبی نمایان میکند انجام میدهیم سپس سیگنال میانگین را مطابق شکل به پنجرههای ۴۰ نمونهای تقسیم کرده و موقعیت بیشینه و کمینه دامنه را در هر پنجره مشخص میکنیم.
(rapidshare.com/files/323523738/008.jpg.html تقسیمبندی سیگنال EEG به پنجرههای ۴۰ نمونهای)
سپس موقعیت مقدار ماکزیمم بین پیک ماکزیمم و پیک مینیمم را مییابیم. حال دوباره یک پنجره ۲۰ نمونهای به مرکزیت پیک تعیین شده طبق روال توضیح داده شده در بالا انتخاب میکنیم. اگر قدر مطلق تفاضل نقطه ماکزیمم و نقطه مینیمم در پنجره جدید بیشتر از حد آستانه تعیین شده باشد، این پنجره بعنوان سیگنال OA قلمداد میشود. به مرکزیت پیک تعیین شده یک پنجره ۳۲ نمونهای بطوریکه ۱۵نمونه قبل و ۱۶ نمونه بعد از آن را شامل شود به عنوان ناحیه OA تعریف میکنیم. این ناحیه را در سیگنال EEG مورد آزمایش نیز مشخص میکنیم.
این الگوریتم بطور اتو ماتیک با بررسی سیگنال قابلیت شناسایی ناحیه OA و حذف آن را طبق رابطه بالا دارد. شکل سیگنال و میانگین حاصل را نشان میدهد. (rapidshare.com/files/323524117/009.jpg.html)
نمایش سیگنال قبل و بعد از حذف ناحیه OA (rapidshare.com/files/323524647/0010.jpg.html)
روش بررسی شده در حوزه زمان
با توجه به اینکه مولفه P300 سیگنال در حوزه زمان دارای یک پیک دامنه در نزدیکی t=300 ms پس از تحریک میباشد بنابراین در حوزه زمان از این ویژگی برای تمیز کردن سیگنال P300 دار از سیگنال غیر P300 استفاده میکنیم. برای این منظور ابتدا عمل پیش پردازش یعنی عبور از فیلتر میان گذر [0.3 32 Hz] و حذف ناحیه OA در صورت وجود را برروی سیگنال EEG اعمال میکنیم. سپس برای هر کاراکتر دو سیگنال از ۱۲ سیگنال که دارای مولفه P300 است را مشخص میکنیم؛ بنابراین در ۱۵ بار تکرار سیگنال EEG دارای مولفه P300 و سیگنال EEG غیر مولفه P300 داریم. با میانگین گیری سیگنالهای دارای مولفه P300، الگوی مناسبی از این سیگنال بدست میآید. حال بمنظور کاهش بعد سیگنال عمل down sampling با رنج ۶ برروی سیگنال انجام میدهیم که در نهایت سیگنال ۲۴۰ نمونهای مطابق با شکل۱۱ به سیگنال با ۴۰ نمونه تبدیل میشود. در مرحله طبقهبندی سیگنال، از این ۴۰ نمونه بعنوان الگوی یک سیگنال EEG دارای مولفه P300 استفاده میکنیم. این روش در طبقهبندی با محاسبه کرلیشن بسیار مناسب است.
(rapidshare.com/files/323524849/0011.jpg.html الگوی سیگنال P300 دار و سیگنال down sample شده با رنج ۶)
ازمایشهای BCI روی حیوانات
تا کنون تحقیقات بسیاری روی میمونها، خفاش و گربه انجام شده است که به اختصار به بعضی از انها اشاره شده است. از جمله حرکت دست رباتی توسط یک میمون در سال ۲۰۰۸ در دانشگاه پیتزبرگ(University of Pittsburgh Medical Center) یا حرکت نشانه گر موس روی صفحه فقط از طریق خواندن امواج مغزی میمون از پوسته مغز او و دادن فیدبک از طریق بینایی به حیوان (در این روش کمکم به حیوان میآموزند تا چگونه نشانه گر را روی صفحه کامپیوتر جابهجا کند). در سال ۱۹۶۹ در دانشگاه واشینگتن(University of Washington School of Medicine) نشان داده شد که میمون میتواند به راحتی کار کردن با یک دست رباتی را یاد بگیرد و در سال ۱۹۷۰ نیز نشان داده شد که اگر حیوان با دادن جایزههایی تشویق شود میتواند الگوی مغزی خاصی را تولید کند. در دهه ۸۰ میلادی Apostolos Georgopoulos در دانشگاه جان هاپکینز نشان داد که رابطهای ریاضی بین سیگنالهای مغزی میمون رزوس (نوع خاصی میمون که در خیلی از مناطق زندگی میکند و مغز او تطبیق زیادی با مغز انسان دارد) و جهت حرکت دستهای او، بر اساس تابع کسینوس وجود دارد. او همچنین نشان داد که فعالیتهای ارادی میمون را میتوان توسط نرونهایی که در بخشهای مختلف مغز میمون وجود دارد نیز ثبت کرد اما در هر لحظه فقط باید در یک نقطه این اندازهگیری انجام شود. البته این نتیجهگیری به دلیل محدودیت فیزیکی دستگاههای او بود.[۲]
مغز انسان
مغز مرکز دستگاه عصبی بدن است. مغز، نخاع و اعصاب محیطی از یاختههای عصبی میکروسکوپی به نام نورون ساخته شدهاند، حدود ده هزار میلیون نورون فقط در قشر، حدود صدهزار میلیون نورون در سراسر مغز و چندین میلیون نورون هم در نخاع و اعصاب محیطی وجود دارند. هر نورون مطابق شکل۲ از سه قسمت عمده تشکیل شدهاست. نخستین قسمت تنهاست که به تنه سایر انواع یاخته بی شباهت نیست. نورون حاوی هسته و سایر ساختارهایی است که معمولاً در یاختهها یافت میشوند. دومین قسمت نورون، از زواید کوتاه و چند شاخهای تشکیل میشود که از تنه یاخته بیرون زدهاند و داندریتها خوانده میشوند. سومین قسمت، زایده دراز و باریکی است که آکسون نام دارد. آکسون به مثابهٔ سیم پیچی هر نورون است. آکسون پیامهای الکتریکی عصب را در طول مسیر خود انتقال میدهد و نورون را به نورون دیگر یا به یکی از ماهیچهها متصل مینماید.
شبکه نورونی
در دستگاه اعصاب میلیاردها نورون وجود دارند که پیامهای عصبی را به صورت امواج الکتریکی ملایم منتقل میسازند. اما پیامهای عصبی تنها از یک نورون به نورون دیگر منتقل نمیشوند. داندریتها و انتهای آکسونها به چند شاخه منشعب میشوند و این شاخهها با چندین نورون ارتباط پیدا میکنند، به طوری که هر نورون با چندین نورون مجاور مرتبط میگردد. تعداد ارتباطات نورونی در سراسر دستگاه اعصاب فوقالعاده زیاد است. مسیرهای متفاوتی که هر پیام عصبی میتواند انتخاب کند تقریباً پایان ناپذیرند. اندیشهها، احساسات و یادهای ما به عنوان الگوهای ویژه پیامهای عصبی باقی میمانند و دائماً از طریق چند مسیر معین به مغز انتقال داده میشوند. هر پیام از میان میلیاردها آکسون و داندریت فقط یک مسیر خاص را انتخاب میکند.
یونها و سیناپسها
انتقال یافتن هر پیام عصبی در مسیر هر نورون ممکن است شبیه به عبور یکنواخت جریان الکتریسیته از سیم به نظر برسد، اما در حقیقت چنین نیست. آکسون لولهای است باریک و پر از مواد شیمیایی محلول در آب. حرکت سریع امواج پیام عصبی وابسته به حرکت یونها است. یونها ذرات ریزی هستند که بار الکتریکی دارند. دو نوع اصلی یون در انتقال پیام عصبی نقش دارند که عبارتند از یون پتاسیم و یون سدیم، که دو مادهٔ فلزی معمولی هستند. به طور طبیعی در درون آکسون پتاسیم زیادتر و در درون آبگون دور آن سدیم بیشتر وجود دارد. بار الکتریکی درون آکسون اندکی منفی است، اما سطح خارجی آن بار الکتریکی مثبت دارد. در لحظهٔ ورود پیام عصبی، غشای آکسون تغییر پیدا میکند تا یونها بتوانند از آن نشت کنند، یعنی هنگامی که یونهای پتاسیم از آکسون خارج میشوند، یونهای سدیم وارد آن میگردند. این رویداد توازن الکتریکی را در آن نقطه ناگهان تغییر میدهد، یعنی بار الکتریکی درون غشای سطحی از منفی به مثبت تبدیل میشود. در حالی که پیام عصبی پیش میرود، یونها به جای نخست بازمیگردند و توازن الکتریکی ابقا میگردد. این حالت تبدیل یونی مثل یک موج در سراسر آکسون پیش میرود و حرکت پیام عصبی را باز مینماید. تمام این فرایندها در یک هزارم ثانیه به وقوع میپیوندد. نورونها در عمل یکدیگر را لمس نمیکنند. میان هر نورون فضای کوچکی وجود دارد که سیناپس خوانده میشود. در این نقطه پیام عصبی به کمک مواد شیمیایی خاصی به نام انتقال دهندههای عصبی از یک سوی سیناپس به سوی دیگر آن میجهد.
ساختار مغز
مغز انسان را میتوان از نظر سازمانی به سه بخش کلی تقسیم کرد: ساقهٔ مغز، مخچه و غشای مغز. ساقهٔ مغز عملاً امتداد و جزئی از نخاع و بخشی از مغز است که پیش از همه تکامل مییابد و ساختاری به نام بصل النخاع را دربردارد که سامانههای تنظیم کننده لازم برای ادامهٔ حیات را شامل میشود، مثل سامانههای تنفس، ضربان قلب و تنظیم دمای بدن. در بالای ساقهٔ مغز، تودهٔ ویژهای به نام مخچه وجود دارد. این پردازشگر سیگنال جالب توجه، در حفظ تعادل و انجام حرکات آرام و هماهنگ نقش حیاتی دارد. تالاموس به عنوان یک نقطه انتخاب اولیه برای تمام اطلاعات حسی (بینایی، شنوایی و حسهای پیکری) که در نهایت به بخش پیچیدهتر بیرونی مغز یعنی قشر میرسند، عمل میکند. بخشی از مغز که سطح آن از همه بالاتر و حجیمتر است، مخ نامیده میشود و از دو نیمکره مغزی راست و چپ تشکیل میشود. غشا مغزی لایهٔ سطحی هر نیمکره را تشکیل میدهد. گرچه عملکرد ساختار پیچیده غشای مغز به طور کامل درک نشدهاست ولی میتوان آن را به لوبهای زیر از نظر کاری که انجام میدهند تقسیم کرد: ۱)لوب پسسری یا قشر بینایی اولیه در قسمت عقب سر. ۲)لوب گیجگاهی که قسمت پایینی میانی هر یک از نیمکرهها را اشغال میکند و قشر شنوایی اولیه را دربردارد. ۳)لوب آهیانهای که از عقب به لوب پسسری و از جلو به یک فرورفتگی مهم که از چپ به راست امتداد دارد و شیار مرکزی نامیده میشود، محدود میشود. لوب آهیانهای از نواحی تقریباً مشخصی تشکیل یافتهاست. یکی از این ناحیهها مسئول دریافت سیگنالهای حسی از هر ناحیهای از بدن است (برآمدگی مرکزی پشتی که در پشت شیار مرکزی قرار دارد و به عنوان کرتکس یا غشر حس پیکری نیز شناخته میشود) و ناحیهای در قسمت جلوتر که به ادراکات حسی تشخیصی که مرتبه بالاتری دارند (مثل توانایی شناخت اشیای مختلف از روی شکل وقتی در کف دست انسان قرار داده میشوند) و خودآگاهی (آگاهی فرد از بدن خود و موقعیتش اندامش در فضا) مربوط میشود. ۴)لوب پیشانی، قسمتی از نیمکرههای راست و چپ که در جلوی شیار مرکزی قرار دارند. درست در جلوی شیار مرکزی، قشر حرکتی اولیه قرار دارد که کنترل عصبی خامی روی نورونهای حرکتی ایجاد میکند. همانطور که مشاهده میشود هر سانتیمتر مربع از مغز، از نظر عملکردی مشخص و متمایز نشدهاست. بخشهای باقیمانده را معمولاً نواحی وابسته مینامند. بعضی اظهار داشتهاند که این نواحی در گردآوری اطلاعات از دیگر بخشها برای اصلاح فرایندهای عصبی نقش دارد. در شکل ۳ این نواحی را روی مغز نشان داده شدهاست.
الکترود
یک الکترود یک صفحهٔ کوچک رسانا است که فعالیتهای الکتریکی رسانهای که با آن در تماس است را دریافت میکند. دربارهٔ EEG، الکترودها یک واسط بین پوست و وسایل ثبت و ذخیرهسازی هستند که عمل تبدیل جریان یونی در سطح پوست به جریان الکتریکی را انجام میدهند. مادهٔ هادی که به صورت ژل است و در سطح پوست سر قرار میگیرد، مقاومت تماسی بین الکترود و جمجمه را کم میکند. بسته به کاربرد تعداد الکترودهای مورد استفاده در EEG متفاوت است.
استاندارد ۱۰–۲۰
برای داشتن امکان مقایسه نتایج ثبت سیگنال مغزی و امکان تعمیم نتایج در سال ۱۹۴۹م. یک شیوه الکترود گذاری به عنوان استاندارد بینالمللی شناخته شد. این چیدمان جهانی الکترودها که به عنوان استاندارد ۱۰–۲۰ شناخته شد، امکان پوشاندن تقریباً تمام نواحی سر را توسط الکترودها فراهم میکند (شکل ۸). انتخاب محل الکترودها بر اساس نقاط ویژه استخوان جمجمه انجام پذیرفتهاست. الکترودها در نواحی تلاقی سطوح استخوان جمجمه قرار میگیرند که سایر الکترودهای میانی بر اساس ۱۰ و ۲۰ درصد کل فاصله چیده خواهند شد. شکل ۴ نواحی مختلف قرار گیری الکترودها را نشان میدهد. نام هر منطقه بر اساس لبی که در آن قرار گرفتهاست و قرار داشتن در نیمکره راست یا چپ مشخص میشود به این صورت که در نیمکره چپ با اعداد فرد و در نیمکره راست با اعداد زوج نشان داده میشود.
امواج مغز
سیگنالهای EEG که میتوان به عنوان ورودی سیستم BCI استفاده کرد را میتوان به دستههای زیر تقسیم کرد:
۱)فعالیتهای مغزی ریتمیک.
۲)پتانسیلهای برانگیخته.
مغز متشکل از میلیونها سلولی است که هر کدام عمل متفاوتی را انجام میدهند. از اینرو در هر لحظه، و در هر جای مغز ترکیب مختلفی ازانواع بسامدها را میتوان داشت. بسته به سطح هوشیاری، امواج مغزی افراد طبیعی، فعالیت ریتمیک متفاوتی از خود نشان میدهد. برای مثال، مراحل مختلف خواب را میتوان در EEG مشاهده کرد. همچنین به هنگام بیداری نیز امواج ریتمیک متفاوتی بهوجود میآید. این ریتمها با افکار و اعمال مختلف تحت تأثیر قرار میگیرند. برای مثال، طرحریزی یک حرکت میتواند یک ریتم خاص را بلوکه یا تضعیف کند. این واقعیت که افکار محض میتوانند روی ریتمهای مغزی اثر بگذارند، میتواند به عنوان اساس سیستمهای رابط مغز و رایانه بهکار رود. همانطور که در جدول ۱ نشان داده شده، این امواج را میتوان به چندین رنج فرکانسی تقسیم کرد.
۱. باندهای فرکانسی امواج ریتمیک
فرکانس باند
- (۰٫۱–۳) دلتا
- (۴–۷) تتا
- (۸–۱۵) آلفا
- (۱۶–۳۱) بتا
پتانسیلهای برانگیخته در حقیقت تغییراتی در سیگنال EEG هستند که در پاسخ به یک «اتفاق» مغزی یا محرک خاص روی میدهند. این تغییرات آنقدر کوچکند که برای آشکارسازی آن باید نمونههای بسیاری از EEG در تکرارهای زیاد میانگین گیری شوند. این میانگین گیری پرشهای تصادفی سیگنال EEG که وابسته به محرک نیستند را از بین میبرد؛ بنابراین بررسی سیگنالهای ناشی از تحریک مغز همان تجزیه و تحلیل حوزه زمان سیگنال EEG میباشد. به عنوان نمونهای از این پتانسیلها میتوان به پتانسیل P300 اشاره کرد؛ که با تأخیری حدود ۳۰۰ میلی ثانیه و با پیک مثبت روی جمجمه قابل ثبت خواهد بود.
واسط مغز و رایانه
در طی دو دههٔ گذشته تعداد گروههایی که بر روی BCI کار میکنند افزایش یافتهاست. کشف یافتههای جدید دربارهٔ عملکرد مغز، ارزان شدن و در دسترس بودن تجهیزات رایانهای و نیاز افراد معلول به این سیستم ارتباطی باعث بیشتر شدن این گروههای تحقیقاتی شدهاست. امروزه، سیستمهای BCI یک روش ارتباطی بدون دخالت ماهیچه را در اختیار بشر قرار میدهند تا بتوانند مستقیماً با محیط پیرامون خود ارتباط برقرار کنند. یک سیستم BCI از مجموعهای از حسگرها و اجزای پردازش سیگنال تشکیل میشود که فعالیت مغزی فرد را مستقیماً به یک سری سیگنالهای ارتباطی یا کنترلی تبدیل میکند. این فناوری یک واسط مستقیم را بین مغز و رایانه فراهم میکند. در اولین همایش بینالمللی که در ژون ۱۹۹۹ برگزار شد یک تعریف فرمال برای BCI به صورت زیر ارائه شد:
«یک واسط مغز و رایانه یک سامانه ارتباطی است که وابسته به مسیرهای خروجی نرمال سامانه عصبی جانبی و ماهیچهها نیست.»
این سامانه از اجزای زیر تشکیل میشود:
۱)مرحله جمعآوری دادهها شامل ثبت اطلاعات خام EEG است که از الکترودها در مکانهای مشخصی از مغز گرفته میشود و ورودی سیستم BCI را تشکیل میدهد. انتخابهایی نظیر تعداد، مکان و تراکم الکترودها، کانالهای ورودی را مشخص میکند. مرحله پیش پردازش از فاز جمعآوری شامل تقویت کردن، فیلتر کردن و تبدیل سیگنال آنالوگ به دیجیتال است.
۲)مرحله بعدی، یک مرحلهٔ بهینهسازی اطلاعات است که به صورت اختیاری صورت میگیرد و شامل بهبود نسبت سیگنال به نویز، با حذف آرتیفکت و کاهش افزونگی اطلاعاتی است که از کانالهای EEG دریافت میشود.
۳)استخراج ویژگی مهمترین مرحله در هر سیستم BCI است. این مرحله شامل استخراج ویژگیهای وابسته به دستور و قابل تمییز از سیگنالهای EEG حاصل از مرحلهٔ پیش پردازش است که برای این استخراج ویژگی از الگوریتمهای پردازش سیگنالهای دیجیتال استفاده میشود.
۴)مرحله کلاس بندی یا ترجمهٔ ویژگی شامل مشخص کردن الگوهای ویژگی برای آسان کردن دستهبندی دستورات کاربر است. میتوان از سادهترین روش که گذاشتن یک حد آستانه یا استفاده از یک مدل خطی است تا روشهای پیچیده غیر خطی مبتنی بر شبکههای عصبی استفاده کرد.
۵)خروجی مرحلهٔ کلاس بندی ورودی کنترلی وسیلهاست. فرایند کنترل وسیله، خروجی کلاس بندی را به یک عمل از وسیله تبدیل میکند. خروجی مرحلهٔ کلاس بندی ممکن است این باشد که وسیله عملی را انجام ندهد.
نمونهای از سامانه پیادهسازی شده
همانطور که در شکل ۶ نشان داده شدهاست این سامانه به این صورت عمل میکند که ۴ صفحهٔ شطرنجی که با فرکانسهای مختلف در حال چشمک زدن هستند به همراه شیای که کاربر میخواهد آن را کنترل کند، حرکت میکنند. زمانی که کاربر توجه حود را به یک تصویر خاص متمرکز میکند یا به آن خیره میشود، یک مولفهٔ تناوبی با همان فرکانسی که تصویر در حال چشمک زدن است، در سیگنال EEG، خصوصاً در ناحیهٔ بینایی از مغز مشاهده میشود. این تصاویر چشمک زن میتوانند برای کنترل جهت ماشین استفاده شود. زمانی که کاربر به صفحهٔ بالای ماشین خیره میشود، ماشین به سمت بالا حرکت میکند و بدین ترتیب میتواند جهت حرکت ماشین را کنترل کند.
منابع
- ↑ ف. ممشلی، سیتم BCI، پایاننامه کارشناسی، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1381
- ↑ ۲٫۰ ۲٫۱ https://en.wikipedia.org/wiki/Brain–computer_interface
[۲] س. نجاریان، ن. قاسمی، تجهیزات پزشکی: طراحی و کاربرد، انتشارات جهاد دانشگاهی دانشگاه صنعتی امیرکبیر، تهران، ۱۳۷۹
[3] Davila, C. E. and Srebro, R. "Subspace averaging of steady-state visual evoked potentials." Biomedical Engineering, IEEE Transactions on, Vol. 47, Iss. 6, pp. 720–728. (2000).
[4] Muller, G. R. , Neuper, C. , and Pfurtscheller, G. , "Implementation of a telemonitoring system for the control of an EEG-based brain-computer interface," IEEE Trans Neural Syst.Rehabil.Eng, vol. 11, no. 1, pp. 54–59, 2003.
[5] Krausz, G. , Scherer, R. , Korisek, G. , and Pfurtscheller, G. , "Critical decision-speed and information transfer in the "Graz Brain-Computer Interface"," Appl Psychophysiol.Biofeedback, vol. 28, no. 3, pp. 233-240, 2003.
[6] Obermaier, B. , Muller, G. R. , and Pfurtscheller, G. , ""Virtual keyboard" controlled by spontaneous EEG activity," IEEE Trans Neural Syst.Rehabil.Eng, vol. 11, no. 4, pp. 422-426, 2003.
[7] Eric W. Sellers , Emanuel Donchin ,”A P300-based brain–computer interface: Initial tests by ALS patients”,Elsevier,pp. 476–483, 2006
[8] F. Piccione a,*، F. Giorgi a, P. Tonin a, K. Priftis a,b, S. Giove c, S. Silvoni d, G. Palmas d, F. Beverina,” P300-based brain computer interface: Reliability and performance inhealthy and paralysed participants”,Elsevier, pp. 531–537, 2006
[9] Po-Lei Lee, Jen-Chuen Hsieh, Chi-Hsun Wu, Kuo-Kai Shyu,Yu-Te Wu,“Brain computer interface using flash onset and offset visual evoked potentials”, Elsevier, pp. 605–616, 2008
[11] Raymond Carl Smith, “Electroencephalograph based Brain Computer Interfaces”, thesis, University College Dublin (NUI) , Electrical and Electronic Engineering, 2004