عنوان

واسط مغز-کامپیوتر خودیادگیرنده برای اجرای تصور ذهنی حرکت‌های ترکیبی با استفاده از سیگنال‌های الکتروانسفالوگرام

شماره

پ۲۶۹۶۹

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

واسط مغز-کامپیوتر خودیادگیرنده برای اجرای تصور ذهنی حرکت‌های ترکیبی با استفاده از سیگنال‌های الکتروانسفالوگرام

نام نخستين پديدآور

مجید مقدری امیری

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۶۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

مهندسی کامپیوتر-گرايش هوش مصنوعی

زمان اعطا مدرک

۱۴۰۰/۱۱/۲۵

متن يادداشت

در دهه¬ اخیر پژوهش¬های بسیاری بر روی توسعه¬ی الگوریتم¬های پیش¬پردازش، استخراج و انتخاب ویژگی، و دسته¬بندی داده¬های تصور ذهنی در واسط¬های مغز-کامپیوتر صورت پذیرفت. با توسعه بیشتر پژوهش¬ها، پیاده¬سازی کاربردی واسط¬های مغز-کامپیوتر با استفاده از EEG به خاطر ناکافی بودن اطلاعات مکانی داده¬های مغزی ثبت شده از تصور ذهنی حرکت با چالش مواجه شده است. همچنین با توجه به اینکه تصور ذهنی افراد مختلف از یک حرکت می¬تواند متفاوت باشد لذا واسط‌های مغز-کامپیوتر مبتنی بر تصور ذهنی، نیازمند پیش¬نمایش تصویر مشترکی از حرکت مورد نظر به افراد هستند تا تصور ذهنی از حرکت مشابه الگوهایی که مدل با آن آموزش داده شده است باشد. این اجبار به نمایش تصویر یکسان از حرکت بر روی نمایشگر سبب ایجاد محدودیت در کاربرد عملی واسط‌های مغز-کامپیوتر شده است. یکی از پیشرفت¬های اخیر در زمینه توسعه واسط¬های مغز-کامپیوتر، تلاش برای تشخیص بیان گفتار در ذهن افراد و رمزگشایی دستورات حرکتی تنها با بیان ذهنی حرکت است. سومین مسابقه ملی واسط مغز-کامپیوتر که توسط مرکز ملی نقشه برداری مغز ایران در سال 1399 برگزار گردید به رمزگشایی بیان ذهنی سه حرکت بازی سنگ، کاغذ و قیچی اختصاص یافت. ما در این مسابقه با استفاده از روش‌های پیش پردازش داده‌ها، استخراج و انتخاب ویژگی‌ها توسط تجزیه بسته‌های موجک و الگوی مکانی مشترک، و بکارگیری دسته‌بندهای مختلف توانستیم مقام دوم را کسب نماییم. دسته‌بندهای جنگل تصادفی، k_نزدیک ترین همسایه، ماشین بردار پشتیبان، رگرسیون لجستیک، XGBoost و مدل یادگیری عمیق Dense را بصورت جداگانه برای هر فرد و همچنین بصورت همزمان برای تمامی افراد ارزیابی نمودیم و بهترین دقت میانگین 7%/51 حاصل شد. در ادامه این مدل را با استفاده از روش اسپکتروگرام و شبکه عصبی کانولوشنی توسعه دادیم و توانستیم به دقت میانگین %5/76 دست یابیم. همچنین با توجه به اینکه نواحی بروکا و ورنیکه در نیمکره چپ مغز مربوط به گفتار و درک گفتار است سعی نمودیم تاثیر انتخاب کانال‌های قرارگرفته در این دو ناحیه را بر عملکرد مدل ارزیابی نماییم. در نهایت با انتخاب بازه‌های زمانی مناسب برای داده‌ها، دقت مدل را به %3/77 ارتقا دادیم. این دقت از بهترین دقت گزارش شده بر روی این مجموعه داده بسیار بهتر بوده است. همچنین عملکرد این مدل در مقایسه با پژوهش‌های اخیر در این زمینه بر روی مجموعه داده‌های مختلف، برتری دارد. نتیجه پژوهش صورت گرفته نشان می¬دهد که استفاده از بیان ذهنی حرکت به زبان فارسی برای صدور دستورات حرکتی در واسط¬های مغز-کامپیوتر ممکن است.

متن يادداشت

In the last decade, much research has been done on the development of algorithms of preprocessing, feature extraction and selection, and the classification of mental imagination in brain-computer interfaces. With the further development of research, the practical implementation of brain-computer interfaces using EEG has been challenged due to insufficient spatial information of recorded brain data from the mental imagery of motion. Since different people's mental perceptions of a movement can be different, brain-computer interfaces based on mental imagery need to show the same image of the movement to individuals. This compulsion to display the same image of motion on the screen has limited the practical application of brain-computer interfaces.One of the recent advances in the development of brain-computer interfaces is the attempt to detect the mental speech of individuals and to decode brain motor commands only with the mental expression of movement. The third national competition of brain-computer interface, which was held by the National Brain Mapping Center of Iran in 2020, was dedicated to decoding the mental expression of the three movements of the game of rock, paper, and scissors. In this contest, the authors introduced an approach based on wavelet packets decomposition and common spatial pattern and could win second place. We evaluated some of the most famous classifiers including support vector machine, k-nearest neighbor, random forest, logistic regression, XGBoost, and dense deep learning model separately for each subject and simultaneously for all subjects. The best average accuracy was 51.7%. Then we developed the model using spectrogram and convolutional neural network and achieved an average accuracy of 76.5%. Also, considering that the Broca and Wernicke areas in the left hemisphere of the brain are related to speech expression and speech comprehension, we evaluated the effect of selecting the channels located in these two areas on the performance of the model. Finally, by selecting the appropriate time intervals for the data, we increased the accuracy of the model to 77.3%.The accuracy was much better than the accuracy reported by other researchers on this dataset. Also, the performance of our model is superior to recent research in this field on different datasets. The result of the research shows that it is possible to use the mental expression of movement in Persian to issue movement commands in brain-computer interfaces

عنوان گونه گون

Auto-Learning Brain-Computer Interface for Performing Compound Motor Imagery Movements Using EEG Signals

عنصر شناسه اي

‏مقدری امیری،

ساير عناصر نام

‏‏مجید

کد نقش

تهيه کننده

عنصر شناسه اي

‏زلفی لیقوان،

عنصر شناسه اي

‏دانشور،

ساير عناصر نام

‏‏مینا

ساير عناصر نام

‏سبلان

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز