بخشی از مقاله
چکيده – مطالعات زيادي در طي دو دهه اخير نشان داده است که افراد مي توانند از سيگنالهاي مغز خود براي انتقال تمـايلات و اهـداف خـود بـه رايانـه از طريق واسط هاي مغز و رايانه استفاده نمايند. اين ابزارها از طريق ثبت سيگنالهاي مغز و ترجمه آنها به دستورات کنترلي عمـل مـي نماينـد. ايـن تکنولـوژي مي تواند توسط افرادي که از معلوليت شديد بدني رنج مي برند و نمي توانند به صورت طبيعي از عضلات خود اسـتفاده نماينـد مـورد اسـتفاده قـرار گيـرد. دو مسأله اساسي در استفاده از اين تکنولوژي جديد به عنوان يک ابزاز عمومي عبارتند از: نياز اساسي به تجزيه و تحليل دقيق اين سـيگنالهـا جهـت شناسـائي بهترين و مفيدترين ويژگي هايي که براي برقراي ارتباط مؤثر مي باشد و همچنين شناسائي اختلالهايي که هنگام تهيه اين سيگنالهـا رخ مـي دهـد، بـه ايـن اختلالها اصطلاحا آرتيفکت گفته مي شود. در اين مطالعه الگوريتم ژنتيک براي انتخاب بهترين ويژگي ها و آناليز اجزاء مستقل بـراي حـذف آرتيفکـت هـا بـه عنوان روشهاي جديد در سيستم هاي واسط بين مغز و رايانه ارائه شده اند. بعد از حذف آرتيفکت هاي موجود و استخراج ويژگـي هـاي مناسـب بـا اسـتفاده از مدل يادگيري عاطفي مورن فعاليت هاي ذهني فرد دسته بندي شده، و مورد ارزيابي قرار گرفت و نتايج بدست آمده با نتايج حاصل از به کارگيري شـبکه هـاي عصبي پرسپترون، شبکه هاي عصبي احتمالاتي و ماشين بردار پشتيبان مقايسه گرديد.
١- مقدمه
سيستم هاي واسط مغز رايانه ١ کانالهـاي ارتبـاطي و کنترلـي جديدي را در اختيار کاربرهاي خود قرار مي دهند که وابسته به کانالهاي خروجي عصـبي و عضـلاني معمـول مغـز، اعصـاب محيطي و عضلات، نيستند. در اين سيستم ها ساز و کار انتقال اطلاعات، فقط براساس سيگنالهـاي مغـزي و بـدون نيـاز بـه استفاده از اعصاب محيطي و عضلات مـي باشـد. سيسـتم BCI کانـال ارتبـاطي مغـز بـا رايانـه اسـت کـه بـر اسـاس تغييـر سيگنالهاي مغزي ٢ در هنگام انجام فعاليـت هـاي ذهنـي کـار مي کند. در سيستم BCI با داشتن سيگنالهاي مغزي يک فرد، به تفسير حالات و يا مقاصد ذهنـي فـرد مـورد نظـر پرداختـه مي شود، يعني فرد با تصميم گرفتن به انجام يک عمل در ذهن خود، بدون هيچ حرکت فيزيکي تصميمش عملي مي شود. اين موضوع خود مي تواند کاربردهاي گونـاگوني چـون کمـک بـه ناتوانان جسمي - حرکتي براي ابراز خواسته ها و حتـي انجـام کارهاي خود، ساخت دستگاههاي دروغ سنجي ، کشف و تفسير برخي حالت هاي مغزي و غيره داشته باشد [١].
اولين گام در طراحي واسط هاي مغـز و رايانـه تهيـه دادههـاي مورد نياز است اين دادهها وروديهاي سيستم و انتقال دهنـده فرمانهاي فرد به سيستم مي باشند. اين سيگنالها به دو روش تهاجمي و يا غيرتهاجمي تهيـه مـي شـوند. در روش تهـاجمي حسگرهاي مورد نياز براي ثبت سيگنالها مستقيما روي قشـر مغز قرار مي گيرند به عبارتي در اين روش نياز به عمل جراحي مي باشد ولي در روش غيرتهـاجمي نيـازي بـه عمـل جراحـي نيست و حسگرها بر روي سطح سر قرار مي گيرند که به دليـل راحتي و کم هزينه بودن معمولا از اين روش استفاده مي شـود
[٢]. سپس بايد اين سيگنالها مـورد بررسـي قـرار گيرنـد تـا آرتيفکت هاي موجود در آنها حذف شود و ويژگي هايي که براي برقراي ارتباط مؤثر مي باشند از آنها اسـتخراج و بهتـرين آنهـا انتخاب گردد.
در اين مطالعه الگوريتم ژنتيک براي انتخاب بهترين ويژگي ها و آناليز اجزاء مستقل براي حذف آرتيفکت ها به عنوان روشهاي جديد در سيستم هاي واسط مغز و رايانه پيشنهاد شده اند. بعـد از حذف آرتيفکت هاي موجود و استخراج ويژگي هاي مناسب با استفاده از مـدل يـادگيري عـاطفي مـورن [٣]
فعاليت هاي ذهني فرد دسته بندي شده، و مـورد ارزيـابي قـرار گرفت و نتايج بدست آمـده بـا نتـايج حاصـل از بـه کـارگيري شبکه هاي عصبي پرسپترون، شبکه هـاي عصـبي احتمـالاتي و ماشين بردار پشتيبان مقايسه گرديد.
٢- روش هاي بکار گرفته شده
در اين مطالعه ، دو مجموعه داده از سيگنالهاي EEG مسابقات جهاني BCI سال ٢٠٠٣، استفاده شده است [٤]. و با اسـتفاده از آنها يک سيستم BCI، براي کنترل حرکت مکاننما بـر روي صــفحه نمايشــگر طراحــي شــده اســت . در بخــش ٣ انــواع آرتيفکت ها موجود در سيگنالهاي EEG و روشهاي برخـورد با آنها معرفي شده و روش آناليز اجزاء مستقل براي حذف ايـن آرتيفکت ها پشنهاد شده است . در بخش ٤ نحوه انتخاب ويژگي با استفاده از الگوريتم ژنتيک را بيان کـرده و در بخـش پايـاني يک شبکه عصبي پرسپترون با يک لايه پنهان با ٧ نرون، شبکه عصبي احتمالاتي و ماشين بردار پشتيبان با کرنل گوسي RBF براي دسته بندي فعاليت هاي ذهني فرد استفاده شده است .
٣- آرتيفکت ها
آرتيفکت ها پتانسيل هاي نامطلوبي هسـتند کـه سـيگنالهـاي مغزي را آلوده مي کنند و معمولا منبع غير مخچه اي دارند. اين پتانسيل ها مي توانند شکل پديدههاي نرولـوژيکي را کـه بـراي راهاندازي سيستم BCI مورد استفاده قـرار مـي گيرنـد، عـوض کنند [٥].
يکــي از بزرگتــرين مشــکلات آنــاليز اتوماتيــک ســيگنال الکتروانسفالوگرام، کشف انواع مختلف و متفـاوت آرتيفکـت هـا است . که در جلسات ثبت سيگنال بر روي اين سيگنال سـوار و با آن جمع شده انـد. ايـن شـکل مـوجهـاي تـداخلي هـر نـوع پتانسیل الکتریکی ثبت شده هستند که منشا انها مغذ نمی باشد.چهار منبع ارتیفیکت موجود که عبارت اند از :
١. تجهيزات تهيه سيگنالهاي مغز
٢. تداخلات الکتريکي خارج از شخص و سيستم ثبـت سيگنال
٣. ليدها و الکترودها
٤. خود شخص : فعاليت هاي الکتريکي نرمال قلب ، پلک زدن، حرکات چشم و به طور کلي عضلات.
٣-١- روش هاي برخورد با آرتيفکت
در اين بخش بطور مختصر روشهاي برخـورد بـا آرتيفکـت هـا بررسي شده است . در اين مطالعه از رويکرد حذف آرتيفکت هـا استفاده شده است .
١-١-١- اجتباب ازآرتيفکت
اولين گام براي برخورد با آرتيفکت ها اجتناب از رخ دادن آنهـا به وسيله فراهم کردن ساختار مناسب براي استفاده کننـدههـا مي باشد. به عنوان مثال مي توان اسـتفاده کننـدههـا را طـوري سازماندهي نمود که در طول آزمايش ها از پلکزدن يا حرکـت اعضاي بدن اجتناب کنند. اسـتفاده از آمـوزش کـاربران بـراي اجتناب از توليد آرتيفکت ها در هنگام جمع آوري دادهها، داراي ايـن مزيـت اسـت کـه کمتـرين نيـاز بـه محاسـبات در ميـان روشهاي برخورد با آرتيفکت ها را دارا مي باشد از آنجـا کـه در اين روش فرض مي شود هيچ آرتيفکتي در سـيگنالهـا وجـود ندارد ( و يا وجود آرتيفکت حداقل ممکن است ). هر چنـد کـه اين روش داراي چندين کاستي نيز مي باشد.
اول اينکه که بسياري از سيگنالهاي فيزلوژيکي مانند ضـربان قلــب ، آرتيفکــت هــاي غيــر ارادي هســتند کــه هميشــه در سيگنالهاي مغزي وجود دارنـد. حتـي در مـورد فعاليـت هـاي ارادي مانند سيگنالهاي چشمي ٤ و سيگنالهـاي ماهيچـه اي ٥ کنترل حرکات چشم و عضلات در حين ثبـت دادههـا چنـدان آسان نيست . دوم اينکه وجود فعاليت هاي چشمي و عضلاني در حين عمل بلادرنگ ٦ هر سيسـتم BCI اجتنـاب ناپـذير اسـت .
سوم اينکه جمع آوري مقـدار مناسـب از داده بـدون آرتيفکـت ممکن است مشکل باشد بخصوص در مواردي کـه افـراد داراي ناتواني هاي عضلاني و معلوليـت جسـمي شـديد باشـند [٦]. و نهايتا اجتناب از آرتيفکت ممکن است باعث ايجاد فعاليت هـاي ديگري در فرد گردد. به عنوان مثـال مـي تـوان نشـان داد کـه جلــوگيري از پلــکزدن باعــث تغييــر در تــوان بعضــي از پتانسيل هاي برانگيخته گردد.
١-١-٢- رد کردن آرتيفکت
رد کــردن آرتيفکــت اشــاره دارد بــه فرآينــد کنــار گذاشــتن آزمايش هايي که تحت تا ثير آرتيفکت ها قرار گرفته اند. شـايد اين ساده ترين راه براي برخورد با سيگنالهاي مغزي آلوده بـه آرتيفکت ها باشد.
روش رد کردن آرتيفکت داراي چنـد مزيـت مهـم نسـبت بـه روشهاي اجتناب از آرتيفکت مي باشد. براي مثـال ايـن روش، براي استفاده افرادي کـه در آزمـايش هـا شـرکت مـي کننـد و کارهاي لازم را انجـام مـي دهنـد بخصـوص افـرادي کـه داراي ناتواني حرکتـي هسـتند بسـيار راحتـر مـي باشـد. دوم اينکـه آرتيفکت هـا و فعاليـت هـايي کـه در روش رد آرتيفکـت بـراي اجتناب از آرتيفکت توليد مي شد در اين روش در سيگنالهاي EEG وجود نخواهد داشت .
رد کــردن آرتيفکــت معمــولا بــه وســيله بازرســي چشــمي سيگنالهاي EEG يا با استفاده از روشهاي کشـف اتوماتيـک انجام مي شود.
١-١-٣- حذف آرتيفکت ها٨
حذف آرتيفکت ها عبارت است از شناسائي آرتيفکت ها و حذف آنها از سيگنالهاي مغزي. يـک روش حـذف آرتيفکـت بايـد بتوانــد بــدون اينکــه روابــط بــين پديــدههــاي نرولــوژيکي را دست کاري کند آرتيفکت هاي موجود در آن را حذف نمايد. در اين مطالعه براي حذف آرتيفکت ها از آناليز اجزاء مستقل ٩ کـه يکي از روشهاي جداسازي کور منابع ١٠ مي باشد استفاده شده است .
١-١-٤- جداسازي کور منابع
روشهـاي BSS سـيگنالهـاي EEG را بـه اجـزاء سـازنده آن تجزيه مي کنند. اين روشها با شناسائي اجزائـي کـه آرتيفکـت هسـتند و کنـار گذاشـتن ايـن اجـزاء، سـيگنالهـاي EEG را بازسازي مي کنند. از ميان روشهاي BSS آناليز اجزاء مسـتقل بيشتر مورد توجه قرار گرفته است [٧].
١-١-٥- آناليز اجزاء مستقل
11 آناليز اجزاء مستقل روشي اسـت کـه بـه صـورت کورکورانـه سيگنالي که از ترکيب چند منبع مستقل تشکيل شـده اسـت ، به اجزاء سازنده آن تجزيه مي کند. هدف ICA تجزيه دادهها به اجزائي است که بصورت آماري از يکـديگر مسـتقل مـي باشـند.[8]
در روش ICA فرض مي شود که پتانسيل هاي ثبت شده از روي سر يک جمع وزندار از پتانسـيل بخـش هـاي مختلـف مغـز و همچنين آرتيفکت ها مي باشد. بنابراين هدف اين روش تجزيـه اين سيگنال ثبت شده، به اجزاء سازنده آن است بـدون اينکـه دانشي درباره اين اجزاء داشته باشيم .
در اين مطالعه براي انجام ICA از الگوريتم رابطه (١) اسـتفاده شده است .
در الگـوريتم ICA هـدف يـافتن بـردار وزن w مـي باشـد کـه سيگنال ثبت شده از روي مغز را به اجزاء آن تجزيـه مـي کنـد.
همگرايي يعني اينکه مقدار جديد و قديم w در يک جهت قرار گيرند يعني ضرب نقطه اي آنها برابر ١ شود. از آنجـا کـه w وw- جهت هاي يکساني را تعريف مي کننـد لازم نيسـت کـه بردار وزن به يک نقطه واحد همگرا شود. g تابع غيرکوادراتيک به صورت رابطه (٢) مي باشد.
٤- انتخاب ويژگي
انتخاب ويژگي يکي از کارهاي اساسي در مسـأله دسـته بنـدي دادهها مي باشد. هدف اصلي از انتخاب ويژگـي ، انتخـاب تعـداد محدودي ويژگي از ميان مجموعه ويژگي هاي موجود مي باشـد به طوري که با اين انتخاب دقت دسته بندي کننده بهتـر شـده و.يا حجم محاسبات مورد نياز براي دسته بندي دادهها کـاهش يابد.
از آنجايي که در ساختار دسته بندي کننده نمـي تـوان از همـه ويژگي ها موجود استفاده نمود و ديگر اينکه براي پيـدا کـردن يک زيرمجموعه بهينـه از ويژگـي هـاي موجـود بايسـتي تمـام حالات ممکن را بررسي کرد، بنابراين براي انتخاب ويژگي ، بايد از روشي استفاده شود که بتواند با در اختيار گرفتن تعداد کمي از ويژگي ها تمام حالات ممکـن را در فضـاي ويژگـي جسـتجو کند و بهترين زيرمجموعه را از بين ويژگي هـاي موجـود بطـور خودکار انتخاب کند. لـذا در ايـن مطالعـه از الگـوريتم ژنتيـک اســتفاده شــده کــه بــا جســتجو در فضــاي ويژگــي بهتــرين زيرمجموعه اي که داراي ويژگـي کمتـر و قـدرت دسـته بنـدي بالايي مي باشد، انتخاب مي شود. در ادامه به توضيح ايـن روش انتخاب ويژگي پرداخته شده است .
٤-١- انتخـــاب ويژگـــي بـــا اســـتفاده از الگوريتم هاي ژنتيک
الگوريتم ژنتيک يـک رويکـرد جسـتجوي تصـادفي اسـت کـه توانائي آن در مسائل انتخاب مجموعـه ويژگـي بهينـه کـاملا روشن است و در دهه اخير توجه ويژهاي به آن شده است [٩].
در اين مطالعه از الگوريتم ژنتيک براي انتخاب مجموعه ويژگي بهينه استفاده شده است .
ايـده اصـلي الگـوريتم هـاي ژنتيـک در سـال ۱۹۶۰ توسـط ريچنبرگ ١٢ مطرح گرديد [١٠]. الگـوريتم ژنتيـک بـر اسـاس انتخاب طبيعي که در اصل وراثت جانداران وجـود دارد، عمـل مي کند. الگوريتم کار خود را با يک مجموعـه از راه حـل هـاي تصادفي آغاز مي کند. هر راه حل ، يا جواب مسأله بهينه سازي به نحو خاصي کدگذاري شـده و يـک کرومـوزوم را در جمعيـت تشکيل مي دهد. در طي تکرارهاي الگوريتم ، بوسيله عملگرهاي خاصي ، کروموزومها با هم مي پيوندند، توليد مثل مـي کننـد و بوسيله روشهاي خاص انتخاب، اعضاء نسل بعد را مي سازند و به تدريج کروموزومها خواص بهتري پيدا کرده و جمعيـت بـه سمت بهينه سراسري مسأله پيش مي رود. اصول اين الگوريتم بر پردازش تصادفي يا به تعبير صـحيح تـر، پـردازش تصـادفي هدايت شده ١٣ استوار است . ساختار کلي الگوريتم ژنتيک شامل سه بخش اصلي ، کدگذاري، عملگرها و نحوه انتخاب مي باشد.
نحوه کدگذاري راه حل ها در اين الگوريتم ، به صورت باينري يا دهدهي است و عملگرهاي الگـوريتم هـاي ژنتيـک دو عملگـر برش ١٤ و.يا جهش ١٥ مي باشند. روشهاي مختلفي براي انتخاب کروموزومها وجود دارد که مهمترين اين روشهـا عبارتنـد از، روش چرخ رولت ١٦، روش حالت پايدار١٧ و روش رتبـه بنـدي١٨.[10]
هر کدام از اعضاي يک رشته کروموزوم، ژن ناميده مي شود. در اين مطالعه براي انتخـاب ويژگـي بـا GA کرومـوزومهـايي بـا ژنهاي باينري در نظر مي گيريم کـه طـول هـر کرومـوزوم(d)
برابر با تعداد ويژگي هاست و "صـفر" بيـانگر حـذف ويژگـي و"يک "بيانگر وجود ويژگي " در دسته بندي است . اگر هر کدام از کروموزومها را بصورت يک ماتريس تبديل در نظر بگيريم ، با ضرب کردن ماتريس ورودي در هر کدام از ايـن کرومـوزومهـا زيرمجموعه جديدي از ويژگي ها خواهيم داشت شکل ١ ساختار يک کروموزوم استفاده شده براي انتخاب ويژگي با اسـتفاده از الگوريتم هاي ژنتيک را نشان مي دهد.
در اين مطالعه مبناي انتخاب ويژگي برپايه خطاي دسته بندي کننده است . در اين حالـت تـابع تطـابق ١٩ مطـابق رابطـه (٣)بدست مي آيد:
در اين رابطه که در اين پياده سازي به دليل زياد بودن ويژگي ها برابر ٠.٨ در نظر گرفته شده کـه مقـدار نسـبتا بزرگي است تا بتواند تعداد ويژگي هاي کمتري انتخاب شـوند.
طبق رابطه بالا، کروموزومي انتخاب مي شود که داراي کمترين خطا و کمترين تعداد ويژگي باشد.
٥- دسته بندي
دسته بندي دادهها يکي از مباحث کلاسيک و پايه در شناسايي الگو است . در اين بخش ، چند نوع از اين دسته بنديکننـدههـا معرفي شده و با استفاده از آنها سيگنالهاي EEG دسته بندي شده اند.
٥-١- مدل يادگيري عاطفي مورن
به نظر مي رسد اميگـدالا و اوربيتوفرانتـال بخـش هـايي از مغـز باشند که نقش عمدهاي در يـادگيري عـاطفي ايفـا مـي کننـد.
بررسي صورت گرفته نشان مي دهد که هنگام ورود محرکهاي عاطفي ، تالاموس اين محرکها را دريافت کرده ويک پـردازش بر روي سـيگنال ورودي انجـام مـي دهـد. در ادامـه تـالاموس محرکهاي عاطفي پردازش شده را در اختيـار کـورتکس قـرار مي دهدتا بدقت مورد ارزيابي قرار گرفته و پردازش شوند.
تئوري مورد قبول در خصوص عملکـرد کـورتکس بيـانگر ايـن نکته مي باشد که کورتکس عملياتي انتخاب ويژگي و اسـتخراج ويژگي را بر روي دادهها انجام مي دهد. کورتکس نيز به نوبـه ي خود پس از پردازش محرکهاي عاطفي ورودي نتيجه نهايي را در اختيار آميگدالا و اروبيتوفرانتال قرار مي دهد. لازم بـه ذکـر است که آميگـدالا بـر خـلاف اروبيتوفرانتـال از تـالاموس هـم سيگنال دريافت مي کند.
