بخشی از مقاله
چکیده: افراد با بیماریهایی همچون سکته ساقه مغز، فلج مغزی و صدمات نخاعی، به دلیل اختلال در کنترل عصبی -عضلانی، معمولا به فضای کوچک روی تخت خود محدود بوده و به دلیل بستری بودن طولانیمدت و عدم توانایی در تغییر وضعیت خود، از مشکلاتی همچون زخم بستر رنج میبرند. بهمنظور کاهش هزینههای پرستاری و نیز تسهیل استقلال بیمار، یک سیستم رابط مغز کامپیوتر - BCI - 1 برای کنترل تخت بیمارستانی توسط خود بیمار بدون نیاز به کنترل عصبی-عضلانی و تنها با استفاده از سیگنالهای مغزی، موسوم به پتانسیلهای برانگیخته بصری حالت دایم - SSVEP - 2، طراحی شده است.
برای این منظور از چهار محرک بصری که هرکدام متناظر با یک دستور خاص برای تنظیم بخشهای مختلف تخت بیمارستانی است؛ برای برانگیخته کردن سیگنال های SSVEP در مغز بیمار استفاده شده است. بعد از ثبت و پیشپردازشهای لازم، ویژگیهای این سیگنالها با سه روش متفاوت تحلیل چگالی طیفی توان - PSDA - 3، تحلیل همبستگی متعارف4 - CCA - و عملگر لاسو - LASSO - 5، استخراج شده و با دستهبندی مناسب، دستور مدنظر بیمار، آشکار شده است. بالاترین دقت آشکارسازی برابر با %93/75 و بالاترین نرخ ارسال داده - ITR - 6 متوسط برابر با 35/22 بیت بر دقیقه، هر دو برای روش لاسو بهدست آمده است. دستورات آشکارشده بیمار به تخت بیمارستانی شبیهسازیشده در محیط وبتز، اعمال شده و آن را کنترل میکند.
1 مقدمه
امروزه سامانههای رابط مغز-کامپیوتر - BCI - متنوعی برای اهداف مختلف طراحی و ساخته شده است .[1] این سامانهها، سیگنالهای مغز کاربر را به دستورات موردنظر کاربر ترجمه میکند. درواقع، فعالیت مغز، سیگنالهای الکتریکی تولید میکند که از روی پوست سر، قشر یا درون مغز قابلتشخیص هستند. رابطهای مغز-کامپیوتر این سیگنالها را به خروجیهایی تبدیل میکنند که کاربران را قادر سازد بدون دخالت عضلات و اعصاب جانبی به برقراری ارتباط بپردازند.
ازآنجاکه رابطهای BCI به کنترل عصبی-عضلانی وابسته نیستند، به افراد قطع عضو یا با بیماریهای نابودکننده کنترل عصبی-عضلانی، امکان برقراری ارتباط و کنترل اعضای مصنوعی یا دستگاههای مختلف را میدهند. یک سیستم BCI استاندارد، از مراحل مختلفی شامل ثبت داده، پیش پردازش، استخراج ویژگی، دستهبندی ویژگیها و ترجمه دستور تشکیل میشود.
زمانی که شخص به محرکی با فرکانس های بالای 4 هرتز خیره شود، سیگنالهای EEG7 ایجادشده در آن لحظه دارای مولفه قوی در همان فرکانس و همچنین هارمونیکهای آن تا چندین مرتبه خواهد بود که به به این مولفه ها، پتانسیل برانگیخته بصری حالت دایم - SSVEP - گفته می شود .[2] در این مطالعه از SSVEP ها به عنوان ورودی سیستم BCI استفاده شده است.
پیش پردازش داده به منظور حذف نویز و سیگنالهای ناخواسته از سیگنال ثبت شده صورت می گیرد. بلوکهای استخراج ویژگی و دسته بندی، از مشخصههای سیگنال SSVEP برای تشخیص دستور مدنظر کاربر استفاده میکنند. در این مطالعه، سه روش پردازش سیگنال PSDA،CCA و رگرسیون لاسو بر روی داده های SSVEP اعمال شده و مزایا و معایب هرکدام بررسی شده است. برای بررسی این موضوع که به ازای کدام طول پنجره، میزان ITR و یا دقت سیستم بیشینه میشود، از 8 پنجره به طولهای 0/5، 1،...، 3/5، 4 ثانیه استفاده شده است.
2 مواد و روش ها:
1-2 پایگاه داده ها
هدف، کنترل تخت بیمارستانی برقی سهشکن با استفاده از سیگنالهای SSVEP است. به این منظور چهار دستور برای تنظیم زاویه تکیه گاه تخت و قسمت زانوها پیش بینی شده است و متناظر با هر دستور یکی از چهار محرک بصری با فرکانسهای روشن و خاموش شدن 9/75، 8/75، 7/75 و 5/75 هرتز به کار رفته است - شکل . - 1 داده های SSVEP استفاده شده مربوط به دو نفر سالم با سطح بینایی متوسط است که هیچ آشنایی قبلی با سیستمهای BCI مبتنی بر SSVEP نداشتند. چهار مربع با فرکانسهای 9/75، 8/75، 7/75 و 5/75 هرتز بر روی صفحهنمایش LCD بهطور همزمان در حال چشمک زدن بودند.
از هر یک از کاربران خواسته شد تا 4 ثانیه به هرکدام از محرکها خیره شوند و این کار برای هر محرک، 20 بار انجام شد - در کل هر کاربر به هر محرک 20×4 ثانیه خیره شده است - . سیگنال های EEG با نرخ نمونه برداری 250 هرتز و از طریق سه الکترود سیگنال O1، Oz و O2 که محل آن ها طبق استاندارد -20 10 مشخص می شود [3]، ثبت شده اند. متوسط دو الکترود A1 و A2 بهعنوان مرجع و الکترود روی پیشانی بهعنوان الکترود زمین در نظر گرفته شده است. همچنین لازم به ذکر است که این سیگنالها از فیلتر میانگذر 2 تا 50 هرتز عبور کردهاند.
2-2 پردازش سیگنال
1-2-2 تحلیل چگالی طیفی توان
یکی از روش های پردازش سیگنال پیاده سازی شده در مطالعه حاضر، تحلیل چگالی طیفی توان است. روش PSDA روشی رایج در آشکارسازی سیگنال های SSVEP به حساب می آید و وابسته به پردازش سیگنال در حوزه فرکانس است .[4] در این تحقیق قبل از استخراج ویژگی به روش PSDA سه پنجره مربعی، همینگ1 و هنینگ2 برای پنجره کردن دادهها مورد استفاده قرار گرفت تا بهترین پنجره ازنظر دقت دستهبندی انتخاب شود.
بعد از پنجره کردن داده ها، خودهمبستگی سیگنال به منظوربرجسته تر کردن مولفههای متناوب SSVEP و کاهش مولفههای غیرمتناوب شامل فعالیتهای پسزمینهای مغز و نویز محاسبه شد. همچنین به منظور افزایش دقت در تخمین محل پیک های توان، سیگنال با صفر گسترش می یابد تا نوعی درونیابی بین نمونه ها در حوزه فرکانس صورت گرفته و چگالی نقاط افزایش یابد. به این ترتیب برای مشخص کردن اینکه کاربر به کدام محرک بصری خیره شده است، از دامنه طیف فرکانسی خودهمبستگی سیگنال استفاده شده است.
2-2-2 تحلیل همبستگی متعارف
تحلیل CCA یک روش استخراج و دسته بندی ویژگی محسوب می شود که در سیستم های BCI مبتنی بر SSVEP به کار رفته است .[5] فرض کنیم دسته متغیر Y ، سیگنال های EEG خروجی کانالهای مختلف و دسته متغیر X سیگنالهای مرجع محرک نوری یا همان سیگنالهای مرجع برای SSVEP است. تحلیل همبستگی متعارف، جفتبردار وزنی Wx و Wy را چنان مییابد که ترکیب خطی دسته متغیرها با این وزنها، منجر به همبستگی بیشینه بین x و y شود.
روش CCA ابتدا متغیر های درون هر دسته را چنان ترکیب خطی میکند که همبستگی بین دو متغیر متعارف حاصلشده، بیشینه شود، سپس متغیر های هر دسته را با ضرایب جدیدی ترکیب خطی میکند بهطوریکه متغیر متعارف جدید هر دسته با متغیر متعارف قبلی همان دسته، غیرهمبسته باشد و باز همبستگی بیشینه بین دو دسته ایجاد شود. این کار به تعداد متغیرهای دسته کوچکتر - در اینجا 3 بار - انجام میشود. هدف از اعمال این روش این است که متوجه شویم دادههای EEG به سیگنالهای مرجع کدام محرک شبیهتر است بنابراین از میان سه همبستگی متعارف ایجادشده بین دادههای
- Y - EEG و سیگنال مرجع مربوط به هر محرک - X - ، بزرگترین همبستگی متعارف - - CCmax را بهعنوان ویژگی در نظر میگیریم و به این ترتیب بردار ویژگی CC1 CC2 CC3 CC4 حاصل می شود. ازآنجاییکه هدف انتخاب سیگنالهای محرکی با بیشترین شباهت به سیگنالهای EEG است؛ محرک متناسب با بزرگترین مولفه بردار ویژگی بهعنوان هدف آشکار میشود.
3-2-2 رگرسیون لاسو
ابتدا داده های ثبتشده هر کانال با استفاده از پنجره مربعی با طول مدنظر پنجره میشوند. الگوریتم لاسو مدل خطی هرکدام از این سیگنالها را برحسب سیگنال های مرجع محرک ها به دست میآورد. اگر yi پنجرهای N تایی از سیگنال ثبتشده از کانال iاُم با فرکانس نمونهبرداری Fs و X k سیگنال های مرجع محرک kاُم باشد که بهصورت رابطه - 4 - تعریف میشود، آنگاه میتوان سیگنال EEG کانال iاُم را برحسب سیگنال مرجع محرک ها و نویز و فعالیتهای پسزمینه مغز - - طبق رابطه - 5 - مدل کرد که در آن k برداری چهارتایی مرتبط با محرک kاُم است .[7]
