مقاله طراحی سیستم ارتباط ی مغز با رایانه با استفاده از مدل یادگیری عاط فی مورن

word قابل ویرایش
28 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

چکیده – مطالعات زیادی در طی دو دهه اخیر نشان داده است که افراد می توانند از سیگنالهای مغز خود برای انتقال تمـایلات و اهـداف خـود بـه رایانـه از طریق واسط های مغز و رایانه استفاده نمایند. این ابزارها از طریق ثبت سیگنالهای مغز و ترجمه آنها به دستورات کنترلی عمـل مـی نماینـد. ایـن تکنولـوژی می تواند توسط افرادی که از معلولیت شدید بدنی رنج می برند و نمی توانند به صورت طبیعی از عضلات خود اسـتفاده نماینـد مـورد اسـتفاده قـرار گیـرد. دو مسأله اساسی در استفاده از این تکنولوژی جدید به عنوان یک ابزاز عمومی عبارتند از: نیاز اساسی به تجزیه و تحلیل دقیق این سـیگنالهـا جهـت شناسـائی بهترین و مفیدترین ویژگی هایی که برای برقرای ارتباط مؤثر می باشد و همچنین شناسائی اختلالهایی که هنگام تهیه این سیگنالهـا رخ مـی دهـد، بـه ایـن اختلالها اصطلاحا آرتیفکت گفته می شود. در این مطالعه الگوریتم ژنتیک برای انتخاب بهترین ویژگی ها و آنالیز اجزاء مستقل بـرای حـذف آرتیفکـت هـا بـه عنوان روشهای جدید در سیستم های واسط بین مغز و رایانه ارائه شده اند. بعد از حذف آرتیفکت های موجود و استخراج ویژگـی هـای مناسـب بـا اسـتفاده از مدل یادگیری عاطفی مورن فعالیت های ذهنی فرد دسته بندی شده، و مورد ارزیابی قرار گرفت و نتایج بدست آمده با نتایج حاصل از به کارگیری شـبکه هـای عصبی پرسپترون، شبکه های عصبی احتمالاتی و ماشین بردار پشتیبان مقایسه گردید.

١- مقدمه
سیستم های واسط مغز رایانه ١ کانالهـای ارتبـاطی و کنترلـی جدیدی را در اختیار کاربرهای خود قرار می دهند که وابسته به کانالهای خروجی عصـبی و عضـلانی معمـول مغـز، اعصـاب محیطی و عضلات، نیستند. در این سیستم ها ساز و کار انتقال اطلاعات، فقط براساس سیگنالهـای مغـزی و بـدون نیـاز بـه استفاده از اعصاب محیطی و عضلات مـی باشـد. سیسـتم BCI کانـال ارتبـاطی مغـز بـا رایانـه اسـت کـه بـر اسـاس تغییـر سیگنالهای مغزی ٢ در هنگام انجام فعالیـت هـای ذهنـی کـار می کند. در سیستم BCI با داشتن سیگنالهای مغزی یک فرد، به تفسیر حالات و یا مقاصد ذهنـی فـرد مـورد نظـر پرداختـه می شود، یعنی فرد با تصمیم گرفتن به انجام یک عمل در ذهن خود، بدون هیچ حرکت فیزیکی تصمیمش عملی می شود. این موضوع خود می تواند کاربردهای گونـاگونی چـون کمـک بـه ناتوانان جسمی – حرکتی برای ابراز خواسته ها و حتـی انجـام کارهای خود، ساخت دستگاههای دروغ سنجی ، کشف و تفسیر برخی حالت های مغزی و غیره داشته باشد [١].
اولین گام در طراحی واسط های مغـز و رایانـه تهیـه دادههـای مورد نیاز است این دادهها ورودیهای سیستم و انتقال دهنـده فرمانهای فرد به سیستم می باشند. این سیگنالها به دو روش تهاجمی و یا غیرتهاجمی تهیـه مـی شـوند. در روش تهـاجمی حسگرهای مورد نیاز برای ثبت سیگنالها مستقیما روی قشـر مغز قرار می گیرند به عبارتی در این روش نیاز به عمل جراحی می باشد ولی در روش غیرتهـاجمی نیـازی بـه عمـل جراحـی نیست و حسگرها بر روی سطح سر قرار می گیرند که به دلیـل راحتی و کم هزینه بودن معمولا از این روش استفاده می شـود
[٢]. سپس باید این سیگنالها مـورد بررسـی قـرار گیرنـد تـا آرتیفکت های موجود در آنها حذف شود و ویژگی هایی که برای برقرای ارتباط مؤثر می باشند از آنها اسـتخراج و بهتـرین آنهـا انتخاب گردد.
در این مطالعه الگوریتم ژنتیک برای انتخاب بهترین ویژگی ها و آنالیز اجزاء مستقل برای حذف آرتیفکت ها به عنوان روشهای جدید در سیستم های واسط مغز و رایانه پیشنهاد شده اند. بعـد از حذف آرتیفکت های موجود و استخراج ویژگی های مناسب با استفاده از مـدل یـادگیری عـاطفی مـورن [٣]
فعالیت های ذهنی فرد دسته بندی شده، و مـورد ارزیـابی قـرار گرفت و نتایج بدست آمـده بـا نتـایج حاصـل از بـه کـارگیری شبکه های عصبی پرسپترون، شبکه هـای عصـبی احتمـالاتی و ماشین بردار پشتیبان مقایسه گردید.

٢- روش های بکار گرفته شده
در این مطالعه ، دو مجموعه داده از سیگنالهای EEG مسابقات جهانی BCI سال ٢٠٠٣، استفاده شده است [۴]. و با اسـتفاده از آنها یک سیستم BCI، برای کنترل حرکت مکاننما بـر روی صــفحه نمایشــگر طراحــی شــده اســت . در بخــش ٣ انــواع آرتیفکت ها موجود در سیگنالهای EEG و روشهای برخـورد با آنها معرفی شده و روش آنالیز اجزاء مستقل برای حذف ایـن آرتیفکت ها پشنهاد شده است . در بخش ۴ نحوه انتخاب ویژگی با استفاده از الگوریتم ژنتیک را بیان کـرده و در بخـش پایـانی یک شبکه عصبی پرسپترون با یک لایه پنهان با ٧ نرون، شبکه عصبی احتمالاتی و ماشین بردار پشتیبان با کرنل گوسی RBF برای دسته بندی فعالیت های ذهنی فرد استفاده شده است .

٣- آرتیفکت ها
آرتیفکت ها پتانسیل های نامطلوبی هسـتند کـه سـیگنالهـای مغزی را آلوده می کنند و معمولا منبع غیر مخچه ای دارند. این پتانسیل ها می توانند شکل پدیدههای نرولـوژیکی را کـه بـرای راهاندازی سیستم BCI مورد استفاده قـرار مـی گیرنـد، عـوض کنند [۵].
یکــی از بزرگتــرین مشــکلات آنــالیز اتوماتیــک ســیگنال الکتروانسفالوگرام، کشف انواع مختلف و متفـاوت آرتیفکـت هـا است . که در جلسات ثبت سیگنال بر روی این سیگنال سـوار و با آن جمع شده انـد. ایـن شـکل مـوجهـای تـداخلی هـر نـوع پتانسیل الکتریکی ثبت شده هستند که منشا انها مغذ نمی باشد.چهار منبع ارتیفیکت موجود که عبارت اند از :
١. تجهیزات تهیه سیگنالهای مغز
٢. تداخلات الکتریکی خارج از شخص و سیستم ثبـت سیگنال
٣. لیدها و الکترودها
۴. خود شخص : فعالیت های الکتریکی نرمال قلب ، پلک زدن، حرکات چشم و به طور کلی عضلات.

٣-١- روش های برخورد با آرتیفکت
در این بخش بطور مختصر روشهای برخـورد بـا آرتیفکـت هـا بررسی شده است . در این مطالعه از رویکرد حذف آرتیفکت هـا استفاده شده است .

١-١-١- اجتباب ازآرتیفکت
اولین گام برای برخورد با آرتیفکت ها اجتناب از رخ دادن آنهـا به وسیله فراهم کردن ساختار مناسب برای استفاده کننـدههـا می باشد. به عنوان مثال می توان اسـتفاده کننـدههـا را طـوری سازماندهی نمود که در طول آزمایش ها از پلکزدن یا حرکـت اعضای بدن اجتناب کنند. اسـتفاده از آمـوزش کـاربران بـرای اجتناب از تولید آرتیفکت ها در هنگام جمع آوری دادهها، دارای ایـن مزیـت اسـت کـه کمتـرین نیـاز بـه محاسـبات در میـان روشهای برخورد با آرتیفکت ها را دارا می باشد از آنجـا کـه در این روش فرض می شود هیچ آرتیفکتی در سـیگنالهـا وجـود ندارد ( و یا وجود آرتیفکت حداقل ممکن است ). هر چنـد کـه این روش دارای چندین کاستی نیز می باشد.
اول اینکه که بسیاری از سیگنالهای فیزلوژیکی مانند ضـربان قلــب ، آرتیفکــت هــای غیــر ارادی هســتند کــه همیشــه در سیگنالهای مغزی وجود دارنـد. حتـی در مـورد فعالیـت هـای ارادی مانند سیگنالهای چشمی ۴ و سیگنالهـای ماهیچـه ای ۵ کنترل حرکات چشم و عضلات در حین ثبـت دادههـا چنـدان آسان نیست . دوم اینکه وجود فعالیت های چشمی و عضلانی در حین عمل بلادرنگ ۶ هر سیسـتم BCI اجتنـاب ناپـذیر اسـت .
سوم اینکه جمع آوری مقـدار مناسـب از داده بـدون آرتیفکـت ممکن است مشکل باشد بخصوص در مواردی کـه افـراد دارای ناتوانی های عضلانی و معلولیـت جسـمی شـدید باشـند [۶]. و نهایتا اجتناب از آرتیفکت ممکن است باعث ایجاد فعالیت هـای دیگری در فرد گردد. به عنوان مثـال مـی تـوان نشـان داد کـه جلــوگیری از پلــکزدن باعــث تغییــر در تــوان بعضــی از پتانسیل های برانگیخته گردد.

١-١-٢- رد کردن آرتیفکت
رد کــردن آرتیفکــت اشــاره دارد بــه فرآینــد کنــار گذاشــتن آزمایش هایی که تحت تا ثیر آرتیفکت ها قرار گرفته اند. شـاید این ساده ترین راه برای برخورد با سیگنالهای مغزی آلوده بـه آرتیفکت ها باشد.
روش رد کردن آرتیفکت دارای چنـد مزیـت مهـم نسـبت بـه روشهای اجتناب از آرتیفکت می باشد. برای مثـال ایـن روش، برای استفاده افرادی کـه در آزمـایش هـا شـرکت مـی کننـد و کارهای لازم را انجـام مـی دهنـد بخصـوص افـرادی کـه دارای ناتوانی حرکتـی هسـتند بسـیار راحتـر مـی باشـد. دوم اینکـه آرتیفکت هـا و فعالیـت هـایی کـه در روش رد آرتیفکـت بـرای اجتناب از آرتیفکت تولید می شد در این روش در سیگنالهای EEG وجود نخواهد داشت .
رد کــردن آرتیفکــت معمــولا بــه وســیله بازرســی چشــمی سیگنالهای EEG یا با استفاده از روشهای کشـف اتوماتیـک انجام می شود.
١-١-٣- حذف آرتیفکت ها٨
حذف آرتیفکت ها عبارت است از شناسائی آرتیفکت ها و حذف آنها از سیگنالهای مغزی. یـک روش حـذف آرتیفکـت بایـد بتوانــد بــدون اینکــه روابــط بــین پدیــدههــای نرولــوژیکی را دست کاری کند آرتیفکت های موجود در آن را حذف نماید. در این مطالعه برای حذف آرتیفکت ها از آنالیز اجزاء مستقل ٩ کـه یکی از روشهای جداسازی کور منابع ١٠ می باشد استفاده شده است .
١-١-۴- جداسازی کور منابع
روشهـای BSS سـیگنالهـای EEG را بـه اجـزاء سـازنده آن تجزیه می کنند. این روشها با شناسائی اجزائـی کـه آرتیفکـت هسـتند و کنـار گذاشـتن ایـن اجـزاء، سـیگنالهـای EEG را بازسازی می کنند. از میان روشهای BSS آنالیز اجزاء مسـتقل بیشتر مورد توجه قرار گرفته است [٧].
١-١-۵- آنالیز اجزاء مستقل
۱۱ آنالیز اجزاء مستقل روشی اسـت کـه بـه صـورت کورکورانـه سیگنالی که از ترکیب چند منبع مستقل تشکیل شـده اسـت ، به اجزاء سازنده آن تجزیه می کند. هدف ICA تجزیه دادهها به اجزائی است که بصورت آماری از یکـدیگر مسـتقل مـی باشـند.[۸]
در روش ICA فرض می شود که پتانسیل های ثبت شده از روی سر یک جمع وزندار از پتانسـیل بخـش هـای مختلـف مغـز و همچنین آرتیفکت ها می باشد. بنابراین هدف این روش تجزیـه این سیگنال ثبت شده، به اجزاء سازنده آن است بـدون اینکـه دانشی درباره این اجزاء داشته باشیم .
در این مطالعه برای انجام ICA از الگوریتم رابطه (١) اسـتفاده شده است .

در الگـوریتم ICA هـدف یـافتن بـردار وزن w مـی باشـد کـه سیگنال ثبت شده از روی مغز را به اجزاء آن تجزیـه مـی کنـد.
همگرایی یعنی اینکه مقدار جدید و قدیم w در یک جهت قرار گیرند یعنی ضرب نقطه ای آنها برابر ١ شود. از آنجـا کـه w وw- جهت های یکسانی را تعریف می کننـد لازم نیسـت کـه بردار وزن به یک نقطه واحد همگرا شود. g تابع غیرکوادراتیک به صورت رابطه (٢) می باشد.

۴- انتخاب ویژگی
انتخاب ویژگی یکی از کارهای اساسی در مسـأله دسـته بنـدی دادهها می باشد. هدف اصلی از انتخاب ویژگـی ، انتخـاب تعـداد محدودی ویژگی از میان مجموعه ویژگی های موجود می باشـد به طوری که با این انتخاب دقت دسته بندی کننده بهتـر شـده و.یا حجم محاسبات مورد نیاز برای دسته بندی دادهها کـاهش یابد.
از آنجایی که در ساختار دسته بندی کننده نمـی تـوان از همـه ویژگی ها موجود استفاده نمود و دیگر اینکه برای پیـدا کـردن یک زیرمجموعه بهینـه از ویژگـی هـای موجـود بایسـتی تمـام حالات ممکن را بررسی کرد، بنابراین برای انتخاب ویژگی ، باید از روشی استفاده شود که بتواند با در اختیار گرفتن تعداد کمی از ویژگی ها تمام حالات ممکـن را در فضـای ویژگـی جسـتجو کند و بهترین زیرمجموعه را از بین ویژگی هـای موجـود بطـور خودکار انتخاب کند. لـذا در ایـن مطالعـه از الگـوریتم ژنتیـک اســتفاده شــده کــه بــا جســتجو در فضــای ویژگــی بهتــرین زیرمجموعه ای که دارای ویژگـی کمتـر و قـدرت دسـته بنـدی بالایی می باشد، انتخاب می شود. در ادامه به توضیح ایـن روش انتخاب ویژگی پرداخته شده است .
۴-١- انتخـــاب ویژگـــی بـــا اســـتفاده از الگوریتم های ژنتیک
الگوریتم ژنتیک یـک رویکـرد جسـتجوی تصـادفی اسـت کـه توانائی آن در مسائل انتخاب مجموعـه ویژگـی بهینـه کـاملا روشن است و در دهه اخیر توجه ویژهای به آن شده است [٩].
در این مطالعه از الگوریتم ژنتیک برای انتخاب مجموعه ویژگی بهینه استفاده شده است .
ایـده اصـلی الگـوریتم هـای ژنتیـک در سـال ۱۹۶۰ توسـط ریچنبرگ ١٢ مطرح گردید [١٠]. الگـوریتم ژنتیـک بـر اسـاس انتخاب طبیعی که در اصل وراثت جانداران وجـود دارد، عمـل می کند. الگوریتم کار خود را با یک مجموعـه از راه حـل هـای تصادفی آغاز می کند. هر راه حل ، یا جواب مسأله بهینه سازی به نحو خاصی کدگذاری شـده و یـک کرومـوزوم را در جمعیـت تشکیل می دهد. در طی تکرارهای الگوریتم ، بوسیله عملگرهای خاصی ، کروموزومها با هم می پیوندند، تولید مثل مـی کننـد و بوسیله روشهای خاص انتخاب، اعضاء نسل بعد را می سازند و به تدریج کروموزومها خواص بهتری پیدا کرده و جمعیـت بـه سمت بهینه سراسری مسأله پیش می رود. اصول این الگوریتم بر پردازش تصادفی یا به تعبیر صـحیح تـر، پـردازش تصـادفی هدایت شده ١٣ استوار است . ساختار کلی الگوریتم ژنتیک شامل سه بخش اصلی ، کدگذاری، عملگرها و نحوه انتخاب می باشد.
نحوه کدگذاری راه حل ها در این الگوریتم ، به صورت باینری یا دهدهی است و عملگرهای الگـوریتم هـای ژنتیـک دو عملگـر برش ١۴ و.یا جهش ١۵ می باشند. روشهای مختلفی برای انتخاب کروموزومها وجود دارد که مهمترین این روشهـا عبارتنـد از، روش چرخ رولت ١۶، روش حالت پایدار١٧ و روش رتبـه بنـدی١٨.[۱۰]

هر کدام از اعضای یک رشته کروموزوم، ژن نامیده می شود. در این مطالعه برای انتخـاب ویژگـی بـا GA کرومـوزومهـایی بـا ژنهای باینری در نظر می گیریم کـه طـول هـر کرومـوزوم(d)
برابر با تعداد ویژگی هاست و “صـفر” بیـانگر حـذف ویژگـی و”یک “بیانگر وجود ویژگی ” در دسته بندی است . اگر هر کدام از کروموزومها را بصورت یک ماتریس تبدیل در نظر بگیریم ، با ضرب کردن ماتریس ورودی در هر کدام از ایـن کرومـوزومهـا زیرمجموعه جدیدی از ویژگی ها خواهیم داشت شکل ١ ساختار یک کروموزوم استفاده شده برای انتخاب ویژگی با اسـتفاده از الگوریتم های ژنتیک را نشان می دهد.
در این مطالعه مبنای انتخاب ویژگی برپایه خطای دسته بندی کننده است . در این حالـت تـابع تطـابق ١٩ مطـابق رابطـه (٣)بدست می آید:

در این رابطه که در این پیاده سازی به دلیل زیاد بودن ویژگی ها برابر ٠.٨ در نظر گرفته شده کـه مقـدار نسـبتا بزرگی است تا بتواند تعداد ویژگی های کمتری انتخاب شـوند.
طبق رابطه بالا، کروموزومی انتخاب می شود که دارای کمترین خطا و کمترین تعداد ویژگی باشد.

۵- دسته بندی
دسته بندی دادهها یکی از مباحث کلاسیک و پایه در شناسایی الگو است . در این بخش ، چند نوع از این دسته بندیکننـدههـا معرفی شده و با استفاده از آنها سیگنالهای EEG دسته بندی شده اند.
۵-١- مدل یادگیری عاطفی مورن
به نظر می رسد امیگـدالا و اوربیتوفرانتـال بخـش هـایی از مغـز باشند که نقش عمدهای در یـادگیری عـاطفی ایفـا مـی کننـد.
بررسی صورت گرفته نشان می دهد که هنگام ورود محرکهای عاطفی ، تالاموس این محرکها را دریافت کرده ویک پـردازش بر روی سـیگنال ورودی انجـام مـی دهـد. در ادامـه تـالاموس محرکهای عاطفی پردازش شده را در اختیـار کـورتکس قـرار می دهدتا بدقت مورد ارزیابی قرار گرفته و پردازش شوند.
تئوری مورد قبول در خصوص عملکـرد کـورتکس بیـانگر ایـن نکته می باشد که کورتکس عملیاتی انتخاب ویژگی و اسـتخراج ویژگی را بر روی دادهها انجام می دهد. کورتکس نیز به نوبـه ی خود پس از پردازش محرکهای عاطفی ورودی نتیجه نهایی را در اختیار آمیگدالا و اروبیتوفرانتال قرار می دهد. لازم بـه ذکـر است که آمیگـدالا بـر خـلاف اروبیتوفرانتـال از تـالاموس هـم سیگنال دریافت می کند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 28 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد