بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
مدلسازي شبکيه چشم بوسيله شبکه هاي عصبي مصنوعي
چکيده : هدف اين مقاله ارائه مدل براي شبکيه چشم است . در اين مقاله ابتدا فيزيولوژي شبکيه چشم مورد بررسي قرار گرفته است . مدلي ارائه شده که به خاطر شباهت هر چه بيشتر رفتار مدل به رفتار سلول هاي شبکيه ، از شبکه هاي عصبي مصنوعي براي طراحي ساختار مدل استفاده شده است . ورودي شبکه عصبي ، شدت نور تابيده شده بر روي شبکيه و خروجي آن فعاليت سلول هاي گانگليون شبکيه چشم مي باشد. بين داده هاي حاصل از مدل و داده هاي بيولوژيکي مقايسه اي صورت گرفته است . اين مقايسه نشان مي دهد شبکه هاي عصبي به طور قابل قبولي مي توانند رفتار سلول هاي گانگليون را مدل کنند البته کارايي شبکه به ساختار ، تعداد لايه هاي پنهان و الگوريتم تعليم آن بستگي دارد. همچنين آزمايش ها نشان مي دهد اگر خروجي در زمانهاي قبل را به عنوان ورودي به شبکه عصبي بدهيم ، سيستم داراي حافظه خواهد شد و اين مسئله کارايي مدل را بسيار بالا برده و از رفتار تناوبي آن جلوگيري مي نمايد.
اين مدل در ساخت شبکيه مصنوعي قابل استفاده مي باشد و مي توان آن را بصورت سخت افزاري پياده سازي نمود و براي بازيابي جنبه هايي از بينايي افراد نابينا به کار برد.
واژه هاي کليدي : شبکيه (Retina)، مدلسازي (Modeling)، سلول گانگليون (Ganglion Cell)، شبکه هاي عصبي ( Neural (Networks
١- مقدمه
توجه روزافزون به ساختار سيستم بينايي از اهميت حس بينايي سرچشمه مي گيرد، چون بسياري از ارتباطات با محيط اطراف توسط اين حس انجام مي پذيرد. بنابراين تعجب آور نيست اگر ادعا کنيم بيشترين تحقيقات در ميان حس ها، چه در زمينه بيولوژيکي و چه در زمينه محاسباتي ، بر روي حس بينايي انجام گرفته است .
از اين رو مدلسازي سيستم بينايي حداقل به پيشرفت چند موضوع زير کمک خواهد کرد.
- به بررسي دقيق ساختار فيزيولوژيکي اين سيستم منجر مي شود و به دانشمندان علوم پزشکي کمک مي کند عملکرد اين سيستم را بهتر مطالعه کنند مانند [١].
- بررسي از ديدگاه مهندسي در تمام سيستم هاي طبيعي منجر به الگوگيري براي ساخت دستگاه هاي مهندسي و حل مسائل مهندسي شده است .
- استفاده از مدلهاي سيستم بينايي ، خصوصا مدل شبکيه چشم ، براي ساخت سيستم بينايي مصنوعي کاربرد دارد، براي مثال شبکيه مصنوعي که به جاي شبکيه آسيب ديده قرار مي گيرد، از مدل محاسباتي شبکيه براي توليد سيگنال مناسب استفاده مي کند. در اين حوزه مي توان به پروژه ساخت شبکيه مصنوعي دانشگاه Boston اشاره نمود که تا کنون نتايج قابل توجهي را داشته است . [٢] .
تمرکز اصلي اين مقاله بر روي مدلسازي شبکيه چشم بوسيله شبکه هاي عصبي مصنوعي است . مسئله مورد نظر ارائه مدلي است که بتواند رفتار شبکيه را بهتر دنبال نمايد.
علاوه بر مدل شبکه عصبي مدل هاي ديگر در سطوح مختلف نيز معرفي خواهند شد.
١-١ مباني بيولوژيکي
شبکيه اولين مرحله پردازش اطلاعات بينايي است و بااينکه ساختار سلولي آن بسيار مورد مطالعه قرار گرفته است هنوز هم جنبه هاي عملياتي آن به درستي فهميده نشده است . ساختار سلولي شبکيه در چند لايه مرتب شده است که هر کدام از لايه ها داراي نوع خاصي از سلول هستند. شکل (١) مکان شبکيه بر روي چشم را نشان مي دهد.
شکل (١): شبکيه و محل آن در چشم [٣]
جريان پردازش اطلاعات از سلولهاي گيرنده نور، که فتونهاي نور را به سيگنالهاي الکتريکي تبديل مي کنند، شروع مي شود.
سلولهاي گيرنده نور به سلولهاي دوقطبي متصل هستند که آنها هم به نوبه خود به لايه بعدي يعني سلول هاي گانگليون متصلند.
سلول هاي گانگليون لايه آخر هستند که خروجي آنها به صورت ضربه است و اطلاعات را به صورت تغيير فرکانس توليد ضربه ، به مغز منتقل مي سازند. در شکل (٢) نمونه اي از پاسخ سلول هاي گانگليون به ورودي متناوب نور نشان داده شده است . (منظور از ورودي متناوب ، روشن و خاموش شدن محرک نور با يک دوره تناوب ثابت است ).
شکل (٢): نمونه اي از پاسخ سلول هاي گنگليون به ورودي متناوب نور[٤]
سيگنالهاي توليد شده توسط سلولهاي گانگليون بوسيله عصب بينايي به مناطق بعدي سيستم بينايي در مغز مانند کورتکس اوليه بينايي انتقال مي يابند.
٢- مدلسازي
٢-١ سطوح مختلف مدلسازي
مدلسازي سيستم هاي بيولوژيکي در سطوح متفاوتي انجام مي گيرد. يک سيستم بيولوژيکي را مي توان در سطح سلولي و مولکولي مدل کرد که در اين صورت با مسئله مدلسازي واقع گرايانه روبرو هستيم . در سطح بالاتر شبکه هاي عصبي که از اين سلول ها تشکيل يافته اند هدف مدلسازي مي باشند و در سطوح بالاتر کل ارگانيسم به عنوان يک سيستم مورد بررسي قرار مي گيرد. در اينجا به طور خلاصه مدلسازي واقع گرايانه و مدلسازي بوسيله شبکه عصبي سلولي معرفي مي شوند و سپس به بحث اصلي يعني مدلسازي بوسيله شبکه عصبي مصنوعي مي پردازيم .
٢-٢ مدلسازي واقع گرايانه
در مدلسازي واقع گرايانه ، معادلات حاکم بر سيستم بيولوژيکي با استفاده از قوانين شيمي ، فيزيک و بيولوژي استخراج مي شوند.
براي بدست آوردن مدلهاي واقع گرايانه بايد با سيستم بيولوژيکي به طور کامل آشنا باشيم . در اين نوع مدلسازي تعداد پارامترها زياد بوده و تمام قوانين حاکم بر سيستم آن طوري که هستند بايد در مدل منظور شوند. شاخص ترين کار در اين حوزه مدل Hodgkin و Huxley است که در آن اولين مدل رياضياتي از پتانسيل عمل در سلول را پيشنهاد شد[٥].
٢-٣ مدلسازي شبکيه با استفاده از شبکه هاي عصبي سلولي (Cellular Neural Networks)
TTTTشبکه عصبي سلولي بوسيله Leon Choa در ١٩٨٨ در برکلي معرفي شد و به عنوان يک تکامل مهم در دو دهه گذشته شناخته شده است . اين زمينه به عنوان يک جهت پژوهشي جديد در شبکه هاي عصبي مورد توجه قرار گرفته است [٦].
يک CNN به عنوان يک ساختمان محاسبه گر که آرايه اي سه بعدي در فضاي سيگنالهاي پيوسته است ، تعريف مي شود.
پردازنده ها با ديناميک غيرخطي ، سلول نام دارندکه در نقاط شبکه اي آرايه قرار گرفته اند و به طور موضعي در يک همسايگي محدود به سلولهاي همسايه متصل هستند. الگوي ارتباطات محلي الگو همنوع سازي يا قانون سيناپسي ناميده مي شود که مي تواند ديناميک يا استاتيک ، خطي يا غير خطي ، لحظه اي يا تاخير دار باشد.
مهمترين مشخصه شبکه عصبي سلولي ساختار منظم هندسي و الکتريکي ، موضعي بودن ارتباط بين اجزاء پردازشگر و برنامه پذيري آن مي باشد.
مدل ارائه شده بوسيله CNN يک ابراز قوي و کارا براي مدل کردن شبکيه و ديگر ابزارهاي حسي بر پايه ساختار هاي واقعي بيولوژيکي است . ساختار مدل براساس ساختار واقعي شبکيه و پارامترهاي بدست آمده از اندازه گيري هاي آزمايشگاهي بدست مي آيد. نتايج بدست آمده از مدل بسيار شبيه به اندازه گيري هاي بدست آمده از شبکيه است .
ساختار پيشنهاد شده مي تواند براي پياده سازي سخت - افزاري استفاده شود. اين سخت افزار مي تواند در هر عضو مصنوعي حسي که نياز دارد سيگنالهاي صحيح بيولوژيکي را به مغز بفرستد، بکار گرفته شود [٧].
٣- مدلسازي شبکيه بوسيله شبکه عصبي مصنوعي
در اين بخش مدلسازي بوسيله شبکه هاي عصبي مورد بررسي قرار مي گيرد که حاصل کار مولفان مي باشدTTT.
٣-١ تعريف مسئله
اگر شبکيه را به عنوان يک جعبه سياه در نظر بگيريم در اين صورت ورودي جعبه شدت نور تابيده شده به شبکيه و خروجي آن فعاليت سلول هاي گانگليون مي باشد. در اين صورت ، مسئله پيدا کردن مدلي است که بتواند ورودي جعبه سياه را به خروجي آن ربط دهد. شبکه هاي عصبي قابليت بسيار زيادي در حل اينگونه مسائل دارند که در آنها بدون داشتن معادلات داخلي سيستم و با در اختيار داشتن ورودي و خروجي سيستم مي توان شبکه را طوري تعليم داد که الگوي رابطه بين ورودي و خروجي را پيدا نمايد.
شبکه هاي عصبي با تنظيم وزن هاي بين نورون ها تعليم داده مي شوند به طوري که يک ورودي ويژه يک خروجي ويژه توليد مي کند.
٣-٢ اجزاء مدل
ساختن مدل و شبيه سازي توسط نرم افزار MATLAB انجام گرفته است . هدف مدلسازي فعاليتهاي سلول هاي گانگليون در هنگام اعمال يک ورودي است . ورودي موردنظر يک نور خاکستري است که با استفاده از CRT بر روي شبکيه تابانده شده است . ايده اصلي تعليم دادن يک شبکه عصبي با داده هاي حاصل از آزمايش حاصل از ثبت چند الکترودي از لايه سلول هاي گانگليون و تلاش براي بدست آوردن ساختار قطارهاي ضربه توليد شده است . داده هاي اين آزمايش از گذاشتن ٦٠ الکترود بر روي شبکيه مرغ و دادن ورودي ذکرشده به آن و ضبط فعاليت هاي سلول هاي گانگليون بدست آمده است . داده ها توسط Erich Diedrich از دانشگاه Tuebingen آلمان ضبط گرديده است . داده ها به صورت فايل هايي با فرمت mcd هستند و توسط نرم افزار MC_Rack [٨] ازکمپاني Multi Channel Systems قابل مشاهده و تحليل مي باشند. اين نرم افزار رابطي به MATLAB دارد که با استفاده از آن مي توان اطلاعات ضبط شده را در Workspace بارگذاري نموده و از آنها استفاده نمود. هدف ، تعليم يک شبکه ي عصبي با استفاده از رشته ضربه ها و انواع تحريک هاست . با توجه به قابليت تطبيق بالاي اين سيستم ها، شبکه به صورت نسبتا ايده ال ويژگي هاي فرآيند وقوع ضربه ها را ياد مي گيرد. در هر لحظه از زمان ، بوسيله اطلاعات داده شده به شبکه ، شبکه بايد قابليت پيش گويي وقوع ضربه را داشته باشد. با توجه به فاصله ي زماني ، قطار ضربه توليد شده بايد همانند قطار ضربه توليد شده توسط سلول هاي گانگليون شبکيه باشد.
همانطور که ذکر شد، ورودي مورد نظر يک نور خاکستري است که با استفاده از CRT بر روي شبکيه تابانده شده است . اگر ورودي تغيير بکند مثلا روشن و خاموش بشود، ورودي شبکه عصبي به صورت پالس خواهد بود. ورودي مي تواند به صورت سينوسي نيز باشد يعني شدت نور تابيده شده به صورت سينوسي در زمان تغيير کند.
