مقاله کنترل ربات های همکار با سیستم واسط مغز - کامپیوتر

بخشی از مقاله

چکیده

برخی از انسان ها به دلیل بیماری یا عوامل دیگر که توان انجام اعمال روزمره خود نیستند پیشرفت های BCI کمک شایانی کرده است. علی الخصوص در دو دهه اخیر پیشرفت های زیادی در زمینه BCI انجام گرفته است. سیستم BCI شرایطی را فراهم می آورد که در آن فرد با سیگنال های مغزی خود می تواند به کنترل دستگاه ها و پروتزها و انواع ربات ها و غیره را انجام دهد.

امروزه بسیاری از پژوهشگران و اساتید دانشگاهی در صدد فعالیت بر روی واسط مغز - کامپیوتر هستند تا این نوآوری جدید - BCI - را ارتقاء دهند. فعالیت در زمینه BCI روز به روز در حال گسترش هست و مجموعه های نانوفناوری فناوری اطلاعات و مهندسی بیومدیکال و علوم کامپیوتری و ریاضیات و ... را شامل می شود. دانشمندان مختلف از دهه 1970 شروع به فعالیت در زمینه BCIها انجام دادن و در آن زمان تحقیقات اولیه با نصب حس گرهای BCI بر روی موش ها و میمون ها و بعد از آن بر روی انسان ها انجام گرفت.

مقدمه

زمانی که بحث در مورد BCIها انجام می گیرد دو مبحث مهم در مورد آنها به میان می آید. یکی روش هجومی و دیگری روش غیرهجومی است. در روش اول الکترودها مستقیما بر روی مغز جاگذاری شده و سیگنال نمونه برداری می شود. در روش دوم الکترودها بر روی کلاه EEG و یا با روش های دیگر متصل شده اند. در روش دوم به بدن شخص آسیبی وارد نمی شود اما در روش هجومی چون الکترودها داخل مغز جاگذاری می شوند احتمال آسیب بر روی سطح مغز و ایجاد عفونت در مغز می رود. هر دو روش هجومی و غیرهجومی همواره دارای ایرادات نیز می باشند. اما روش غیرهجومی به دلیل مشکلات کمتر موجود بیشتر مورد استفاده قرار می گیرد. BCIها کاربردهای فراوانی در صنعت پزشکی و رباتیک دارند که در این پژوهش ربات ها بیشتر مورد بحث ما خواهد بود.

فن آوری BCI حتی چهل سال پس از آغاز به کار خود هنوز به سطح بحرانی پذیرش نرسیده است. چالش در این حوزه در مرحله بدست آوردن سیگنالهای EEG از مغز آغاز میشود. EEG ثبت شده غیر تهاجمی است که شامل مخلوطی از سیگنال از زمینه فعالیت شبکههای عصبی و مقدار نامعلومی از نویز است. بنابراین، سیگنالهای خام نیاز دارند تا فیلتر شوند برای اینکه سیگنالهای EEG شفاف را بدست آورند.

چند گروه در زمینه فیلترینگ EEG در حال فعالیت هستند 2]،.[1 بسیاری از رویکردهای آنها شامل پارامترهای خاص فردی است که اگر به درستی تنظیم شوند، میتوانند عملکرد یک موضوع فردی از نظر صحت طبقه بندی - CA - 1 را افزایش دهد. با این حال، این روشهای فرکانس انتخابی منجر به از دست دادن مقدار نامعلومی اطلاعات از سیگنالهای EEG به دست آورده میشود. بنابراین، در روش فیلترینگ EEG فرکانس انتخابی، چالشی برای راه اندازی BCI طولانی و قابلیت تطبیقی مطرح میشود

بررسی منابع

چالش اصلی در حوزه فیلترینگ EEG این است که EEG بدون نویز واقعی هنوز دست نیافتنی است. روش ارائه شده در این پژوهش تا حدی نشان دهنده حرکت به سوی یک EEG بدون نویز و رفع چالشهای این زمینه است که با توجه به اصول QM برای تولید یک pdf متغیر زمانی از سیگنال EEG تصادفی است که تحت تاثیر SWE تکامل مییابد تا یک EEG بدون نویز را تولید کند.

لازم است در اینجا تاکید کرد که آنصرفاً میتواند یک EEG بدون نویز حاصل شده فرض گردد اگر پارامترهای عملکردی خاص - مانند CA از - BCI بهتر از EEG فیلتر نشده / خام پس از انجام فرآیند فیلتر باشند. ویژگی ها یا خصوصیات مناسب از این سیگنالهای EEG افزایش یافته به منظور آسان تر کردن کارها در مرحله طبقه بندی شده بدست میآید. با این حال، چالش اصلی در سیستم BCI دو طبقه، پهنای باند کمتر ذاتی از کانالهای ارتباطی که ممکن است منجر به پاسخ کندتر زمانی که کنترل یک دستگاه رباتیک صورت گیرد شود.

این مطالعه تلاش مینماید تا با ایجاد یک طراحی واسط کاربری پویا و تطبیقی چالش به روز رسانی محیط اطراف و تغییرات دستگاه کنترل را نشان دهد. این رویکرد، ارسال پهنای باند پایین تر از BCI را برطرف میکند که تا حدی سرعت ارتباط از سیستم را بهبود می بخشد و کاربر BCI را برای رسیدن به سرعت پیش بینی شده قادر میسازد، زیرا به عنوان گزینه در دسترس نمایش داده میشود

تا آنجا که به تحولات موجود در BCI مربوط میشود، سیستم صندلی چرخدار / رباتیک عملی کنترل شده مغزی است که هنوز امکان پذیر نیست زیرا برخی از مسائل فوق هنوز هم از تشخیص تصور ذهنی تضمین شده جلوگیری نمیکنند. علاوه بر این، فرآیند BCI عملی نیاز به سیستمی دارد تا در زمان واقعی دقیق شود. در بخش بعدی، جزئیات اهداف است که تعیین شده تا برخی از مسائل بالا را با تمرکز بر حذف نویز و طراحی واسط تطبیقی دینامیک را به منظور افزایش فرآیند ارتباط کلی برطرف نماید.

برای نشان دادن چالشهای اصلی از مقابله با نویز تعبیه شده ناشناخته - مجهول - در داخل EEG خام و پهنای باند پایین تر ذاتی از BCI، با ایجاد BCI عملی برای استفاده روزانه، اهداف اصلی این پژوهش عبارتند از:

. برای بررسی مفاهیم QM و به دست آوردن ایدهها / انگیزهها برای اعمال اصول مبتنی بر QM به عنوان یک روش فیلترینگ EEG برای BCI است. QM، به طور کلی میتواند به عنوان یک رویکرد ریاضی در نظر گرفته شود که رفتار ذرات در سطح میکروسکوپی را توصیف میکند اما QM اعمال شده در چارچوب کاری شبکه عصبی کوانتومی کاربردی مفهومی است و این رویکرد در یک ذره یا سطح میکروسکوپی کار نمیکند.

. بررسی روش پیش پردازش مبتنی بر RQNN برای فیلترینگ سیگنال خام EEG است. تلفیق SWE در پارادایم شبکه عصبی یک ساختار فراهم میکند که به عنوان RQNN است.SWE معادله اساسی در QM برای توصیف رفتار مکانیک کوانتومی است و آن شبیه به قانون دوم حرکت نیوتن در مکانیکهای کلاسیک است.

. برای بررسی عملکرد EEG فیلتر شده RQNN استفاده از ویژگیهای مختلف از حوزههای زمان و فرکانس و انجام فرآیند طبقه بندی با استفاده از طبقه بندیهای مختلف است.

. برای بررسی یک روش پس پردازش برای مقابله مناسب با ارسال خروجیهای طبقه بندی کننده مبهم در یک EEG آزمایشی است. رویکرد انجام شده در پژوهش برای استفاده از مفاهیم روشهای دی بایاس1 و آستانههای متعدد است.

. برای بررسی یک کنترل عملی، همزمان و مشترک براساس پارادایم واسط ربات - مغز تطبیقی - به عنوان مثال، واسط کاربری گرافیکی - طراحی شده برای اجرای متوالی با روش فیلترینگ RQNN پیشنهاد شده و FE موجود و روشهای طبقه بندی است. همانطور که در بالا ذکر شد، واسط کاربر محور ربات - مغز است که میتواند خود را در زمان واقعی برای گزینههای در دسترس تطبیق دهد و احتمال دارد ازسوی کاربر BCI بصورت متوالی انتخاب گردد، زیرا میتواند بهترین استفاده از پهنای باند محدود از فرآیند ارتباطات را ایجاد کند. هدف از این پژوهش نشان دادن ارسال پهنای باند یک BCI دو طبقه بدون اضافه کردن هر گونه پیچیدگی با استفاده از روش پس پردازش بدیع و یک واسط ربات - مغز بصورت نوآورانه است.