تعیین نوع حرکت تصور شده اندامها به کمک آنالیز EEG و و بکارگیری روش اصلاح شده الگوهای فضایی مشترک (CSSP)

Publish Year: 1400
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 644

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ECMECONF08_032

تاریخ نمایه سازی: 1 تیر 1400

Abstract:

الکتروانسفالوگرافی (EEG) یک دانش تحریک کننده تحلیلی در تحقیقات امروزی است . مدلهای مغزی و نواحی مختلف مغز، در بررسی فعالیت های مغزی نقش بارزی را دارند و با ارایه مدل های زمانی میتوان به تحلیل فعالیتهای مختلف مغزی در حالت استراحت و یا تاثیر تحریک، پرداخت. با توجه به پردازش سیگنال سیگنال مغز میتوان به عملکرد قسمتهای مختلف مغز در هنگام اقدام به یک عمل خاص مثلا راه رفتن یا حرکت دادن مچ دست یا ... پرداخت. در BCI مبتنی بر تصور حرکتی از شخص خواسته می شود تا حرکتی را بدون اینکه انجام دهد تصور کند، که در نتیجه آن رخدادهایی مرتبط با تصور در مغز رخ میدهد. هدف BCI این است که از روی سیگنالهای EEG نوع حرکت تصور شده توسط شخص را تشخیص دهد. باندهای فرکانسی که مرتبط با تصور حرکتی هستند و مناطق مغزی مرتبط با تصور حرکتی را بایستی بدست آوریم و سپس شروع به تحلیل داده ها کنیم. در ادامه انواع فیلترهای مکانی و فرکانسی جهت کاهش نویز سیگنال را را روی داده اعمال میکنیم، در ادامه برای استخراج ویژگی ها، الگورتیم های بهبود یافته شدهCSP ، از قبیل CSSP را پیاده سازی کنیم. رخدادهای تصور حرکتی در سه باند فرکانسی اصلی بتا، میو و گاما رخ می دهد. ریتم گاما مربوط به حالت هوشیاری و انجام فعالیت زمانی که یک تصور ذهنی انجام شود ایجاد میگردد. ریتم بتا مربوط به حالت هوشیاری و انجام فعالیت در حالت مشغول بودن ذهن و استرس ایجاد می شود. و ریتم میو یا ریتم حسی-حرکتی در بخشی از مغز ایجاد میشود که وظیفه کنترل حرکتهای داوطلبانه را دارد. این ریتم زمانی که شخص به صورت فیزیکی در حالت استراحت است، برجسته تر میشود. برخلاف ریتم آلفا که فرکانس مشابهی دارد، و بخشoccipital ، بخش قشر بینایی ایجاد می شوند، ریتم mu در قشر حرکتی ایجاد میشود. وقتی شخص حرکتی انجام میدهد، و یا زمانی که شخص یک تصور حرکتی انجام میدهد، دامنه ریتم mu کاهش مییابد و یا به نوعی ریتم mu خنثی می شود.در این مطالعه با انتخاب شش ویژگی از طریق روش انتخاب ویزگی SFS در روش CSP به دقت ۸۷.۵ درصد و در روش CSSP به مقدار۹۳.۶ درصد رسید.

Keywords:

رابط مغز و کامپیوتر(BCI) , پردازش سیگنال EEG , CSP , CSSP , استخراج ویژگی

Authors

علیرضا پیراسته

دانشجوی دکتری مهندسی پزشکی ،گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

منوچهر شمسینی غیاثوند

استادیار، گروه مهندسی پزشکی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران