پ۲۷۴۶۰
per
طراحي و پیاده‌سازی سيستم تشخیص سطوح هوشياري بر اساس سیگنال‌هایECOG(intracranial EEG) موش صحرايي بر روی FPGA
محمد جعفری
برق و کامپیوتر
۱۴۰۱
۷۴ص.
سی دی
کارشناسی ارشد
مهندسی الکترونیک
۱۴۰۱/۰۶/۲۳
امروزه در کنار روش‌های تجربی تشخیص و مدیریت سطوح هوشیاری که در قالب کنترل روند مذکور با علائم بالینی فردی که تحت عمل جراحی قرار گرفته است، انجام می‌گیرد؛ روش بسیار دقیقی که مبتنی بر پردازش‌های چندگانه‌ی سیگنال‌های الکتروانسفالوگرام فرد بیمار است نیز مطرح شده است. چرا که روش‌های تجربی کنترل سطوح هوشیاری، در اکثر موارد غیر قابل اعتماد بوده و می‌تواند ضررهای جبران‌ناپذیر فیزیکی، روحی به بیمار وارد آورند. حساسیت این موضوع در بیماران با شرایطی خاص مثل ضربهی مغزی که تحت عمل جراحی قرار می‌گیرند، بیش از پیش نمایان می‌گردد. فلذا طراحی یک سیستمی که قادر باشد به طریق پردازش سیگنال‌های مغزی فرد، سطوح هوشیاری را با دقت خیلی بالایی تمییز دهد، امری حیاتی است؛ که در این پژوهش با حرکت در راستای این هدف، در ابتدا سیگنال‌های ECOG ده عدد موش صحرایی طی روال ثبت آزمایشگاهی ویژه توسط دستگاه مبتنی بر تراشه‌ی SoC، ثبت شده و سپس بر روی داده‌های موجود در قالب ماتریس‌هایی و در محیط نرم‌افزار متلب، مراحل پیش‌پردازشی شامل حذف نویز با طراحی فیلترهای مختلف، استخراج و انتخاب ویژگی‌ها؛ کدنویسی و اعمال شدند. در طراحی فیلترها، برای اولین بار در این پژوهش فیلتر ابداعی M-CFIDP طراحی و اعمال گردید. در ادامه سیستم‌های ارتقاء یافته‌ای مبنی بر هفت الگوریتم اساسی یادگیری ماشین و یک الگوریتم یادگیری عمیق، و با تنظیم کل پارامترهای مربوط به هر کدام در مسیری رو به بهینگی، به طور جداگانه در قالب کدنویسی طراحی و با داده‌های موجود ارزیابی شدند و در نهایت بعد از ارائه و کدنویسی تکنیک متعادل‌سازی داده‌ها، سیستم نهایی انتخاب شده بر اساس بیشترین دقت طبقه‌بندی، کلاسبند KNN با میانگین دقت کل 52/97 % در تفکیک سه کلاسه انتخاب شد. در ادامه و در بخش طراحی دیجیتال و پیاده‌سازی سخت‌افزاری کار، ساختار این کلاسبند با کدنویسی در محیط نرم‌افزار ویوادو، شبیه‌سازی و سنتز شده و در نهایت بر روی یک Xilinx Zynq SoC سری 7000 با تراشه‌ی Xilinx XC7Z020 مبتنی بر کربرد AC7Z020 می‌باشد پیاده‌سازی شد و توان کل مصرفی روی چیپ برابر با 795 میلی‌وات حاصل شد.
Along with the current experimental methods of diagnosing and managing consciousness levels, which are conducted by controlling the process with the clinical symptoms of a person who has undergone surgery, an extremely accurate method based on multi-processing electroencephalogram signals has also been proposed. Because experimental methods of controlling consciousness levels are unreliable in most cases and can cause irreparable physical and mental damage to the patient. The sensitivity of this issue is more apparent in patients with special conditions such as brain trauma who undergo surgery. For this reason, it is crucial to design a system that can distinguish levels of consciousness with very high accuracy through the processing of individual brain signals. In this study, the ECOG signals of ten rats were captured during a particular recording procedure by a device built around the SoC chip. Following this, data pre-processing steps were conducted on existing data in the form of matrices using MATLAB software, including noise removal by designing different filters, feature extraction and selection, and coded. In the design of filters, for the first time in this research, the innovative M-CFIDP filter was developed and used. Consequently, upgraded systems based on seven basic machine learning algorithms and one deep learning algorithm were created in a path towards optimization by adjusting all the parameters related to each algorithm separately. This was done in the form of coding and evaluating them with the available data. Finally, after presenting and applying the Coding data balancing technique, the final system was chosen based on the highest classification accuracy. The KNN classifier was chosen with an average total accuracy of 97.52% in the separation of three classes. For the following and the digital design and hardware implementation part of the project, the structure of this classifier was coded, synthesized, and simulated in the Vivado software environment. As a final step, it is implemented on a Xilinx Zynq SoC 7000 series with a Xilinx XC7Z020 chip based on the AC7Z020 board, which has a total power consumption of 795 milliwatts
Design and hardware implementation of an consciousness detection system based on ECOG (intracranial EEG) signals on FPGA
جعفری،
محمد
تهيه کننده
فرونچی،
خلیل‌زاده،
جواد
عماد
استاد راهنما
استاد مشاور
تبریز
