یادگیری عمیق برای کاربردهای واسط مغز-کامپیوتر مبتنی بر EEG


یادگیری عمیق، چشم اندازهای عالی برای حل تسک‌های پیچیده‌ی مرتبط مانند کلاسبندی تصاویر حرکتی، تشخیص تشنج صرع و تشخیص توجه راننده با استفاده از داده‌ی EEG نشان داده است. محققان در حال حاضر کارهای زیادی روی رویکردهای مبتنی بر یادگیری عمیق در حوزه‌ی BCI انجام داده‌اند. علاوه بر این تقاضای زیادی برای مطالعاتی وجود دارد که تنها بر مدل‌های یادگیری عمیق در کاربردهای BCI مبتنی بر EEG تأکید شود. در این مقاله به چالش‌های فعلی و جهت گیری‌های مطالعات آتی اشاره می‌کنیم.

در دهه گذشته، پیشرفت‌های حاصل در بیوانفورماتیک سیستم عصبی مرکزی (CNS) و نوآوری محاسباتی باعث پیشرفت‌های چشمگیری در حوزه‌ی واسط مغز-کامپیوتر (BCI) شده است. احیای BCI، استراتژی‌های توانبخشی عصبی را برای بیماران ناتوان از نظر فیزیکی (بیماران ناتوان و همی پلژی) و بیماران مبتلا به آسیب مغزی (مانند بیماران مبتلا به سکته مغزی) ممکن می‌سازد. متدهای مختلفی برای BCIهای مبتنی بر EEG توسعه یافته‌اند. به دلیل نبود دیتاست‌های بزرگ EEG، متدهای یادگیری ماشین به محبوب‌ترین روش‌ها تبدیل شده‌اند. با این حال همه چیز به تازگی تغییر کرده است زیرا تعدادی از دیتاست‌های با کیفیت EEG در حال حاضر عمومی شده‌اند و در کاربردهای BCI مبتنی بر یادگیری عمیق استفاده می‌شوند.

1-مقدمات BCI مبتنی بر EEG

در شکل زیر، کاربرد داده EEG در سیستم‌های BCI نشان داده شده است.

 

BCI based on EEG

الگوهای فعالیت الکتروفیزیولوژیکی سابجکت‌های انسانی با دستگاه اکتساب سیگنال، ثبت می‌شوند. الکترودهای پوست سر روی هدست نصب می‌شوند تا پاسخ عصبی سابجکت‌های انسانی را ثبت کنند. علاوه بر این، یک پیش تقویت کننده استفاده می‌شود تا سیگنال‌های مغزی را قوی‌تر کند و سیگنالی که تقویت شده است از یک فیلتر عبور می‎کند تا بخش‌های ناخواسته، نویز یا تداخل حذف شوند. پس از آن یک مبدل آنالوگ به دیجیتال (ADC) سیگنال آنالوگ فیلتر شده را به سیگنال دیجیتال تبدیل می‎کند. فعالیت‌های الکتریکی که ثبت شده بودند سپس استانداردسازی می‌شوند تا نرخ سیگنال به نویز (SNR) سیگنال دیجیتال را بهبود بخشند. بسیار مهم است که بدانید بخش استخراج ویژگی به شما ویژگی‌هایی را می‌دهد که فعالیت عصبی را برجسته‌تر می‌کند. این بدان معنی است که شما به داده‌ی کمتری نیاز دارید تا مدل را استفاده کنید. سپس داده یا اطلاعات در یک گروه یا دسته‌ی خاصی از الگوهای مغزی قرار می‌گیرد. پس از این مرحله، مجموعه ویژگی بازیابی شده به سیگنال‌های کنترل عملیاتی تبدیل می‌شوند. سیگنال‌های کنترل ساخته شده در مرحله قبل برای کنترل دستگاه واسط خارجی استفاده می‌شوند. بنابراین سیستم BCI را می‌توان با این سیگنال‌های فرمان، کنترل کرد.

2-استفاده از یادگیری عمیق در BCIهای مبتنی بر EEG

2-1-پیش پردازش داده

به دلیل وجود آرتیفکت و آلودگی، داده‌های EEG را نمی‌توان به خوبی برای مطالعات BCI مقیاس بزرگ استفاده کرد. حتی اگر برخی مطالعات یادگیری عمیق بگویند که هیچ مرحله پیش پردازشی روی سیگنال‌های EEG انجام نشده است، اکثر اوقات، مراحل پیش پردازش بسیار مهم هستند. برخی از کارهای پژوهشی، مراحل پیش پردازش را در مدل یادگیری عمیق خود ادغام می‌کنند و آن را یک فریم ورک end-to-end می‌نامند. علاوه بر این، یک لایه CNN اضافی برای پیش پردازش در اکثر اوقات استفاده می‌شود. اکثر اوقات، فیلترهای حوزه‌ی فرکانس در پژوهش‌ها استفاده می‌شوند تا پهنای باند سیگنال EEG را محدود کنند. این زمانی مفید است که یک محدوده فرکانس خاص وجود داشته باشد که می‌توان با خیال راحت آن را نادیده گرفت. در 30 درصد از مطالعات، سیگنال زیر 45 هرتز یا کمتر از یک باند گامای معمولی پایین، فیلتر پایین گذر روی آن اعمال می‌شود. محدوده فرکانسی فیلتر شده بر اساس نوع تسک و روش‌های کاهش آرتیفکت، گروهبندی می‌شوند. این نشان می‌دهد اکثر پژوهش‌ها یک تکنیک را استفاده می‌کنند تا آرتیفکت‌ها را حذف کنند و برای این منظور محدوده‌ی فرکانسی را کاهش می‌دهند.

طبق بررسی‎ها، 20% از مطالعات به طور دستی آرتیفکت‌ها را حذف می‌کنند. دیدن نقاط پرت (outlier) به صورت بصری آسان است مانند زمانی که داده‌ها از دست رفته یا آرتیفکت‌های EEG قابل توجهی وجود دارند. علاوه بر این از آنجاییکه نحوه‌ی پردازش داده‌ها به شدت تصادفی است، برای سایر محققان کپی کردن این روش‌ها بسیار دشوار است. علاوه بر این، 10% از مطالعات به طور معمول آرتیفکت‌های EEG را حذف نمی‌کنند. روش‌هایی چون تحلیل مولفه‌های مستقل (ICA) و تبدیل موجک گسسته (DWT) رایج‌ترین روش‌های حذف آرتیفکت بودند که در دوسوم پژوهش‌ها استفاده شدند. الکترودهای EEG همچنین سیگنال‌های فیزیولوژیکی الکتریکی نامطلوب را از سیگنال‌های پلک چشم و عضلات گردن می‌گیرد. علاوه بر این مسائلی در رابطه با آرتیفکت‌های حرکت ناشی از حرکت کابل و جابجایی الکترود وجود دارد هنگامی که فرد در حال حرکت است. مطالعات زیادی صورت گرفته است که چطور می‌توان آرتیفکت‌های EEG را پیدا کرده و حذف کرد. به طور خلاصه، یکی از سه روش (فرآیند حذف دستی، فرآیند حذف خودکار، یا عدم حذف مصنوع) در هر مطالعه در نظر گرفته شده تا آرتیفکت حذف شود.

2-2- استفاده از دیتاست‌ها

یکی از محدودیت‌های اصلی BCIهای کلاسیک مبتنی بر EEG، تعداد سابجکت‌هایی است که در مطالعه شرکت کرده‌اند. در مورد دیتاست‌هایی که در مطالعات عمیق استفاده شده‌اند، بیش از 47% روی دیتاست BCI Competition انجام شده‌اند. علاوه بر این، 9%، 16% و 7% از مطالعات روی دیتاست‌های به ترتیب DRYAD, SEED-VIG, EEG-MI استفاده شده‌اند. اما سوال «چه مقدار داده کافی است؟» هنوز به عنوان یک سوال مهم هنگام استفاده از DL برای دیتای EEG باقی مانده است. ما به ابعاد توصیفی متعددی برای بررسی این سوال نگاه کرده‌ایم: تعداد شرکت کنندگان، میزان داده‌ی EEG جمع آوری شده و تسک دیتاست. مطالعات اندکی وجود دارند که از دیتاست‌های جمع آوری شده‌ی خود استفاده کرده‌اند. اما اکثر مطالعات یادگیری عمیق روی دیتاست‌های EEG عمومی کار کرده‌اند مانند:

دیتاستی که برای اعتبارسنجی روش طبقه بندی و پردازش سیگنال برای واسط مغز-کامپیوتر استفاده شده است از BCI Competition بدست آمده است. این دیتاست متشکل از داده‌های EEG شرکت کنندگان است. کلاس 1، دست چپ و کلاس 2 دست غالب و کلاس 3 هر دو پا بود و کلاس 4 زبان بود. برای هر سابجکت، دو جلسه سیگنال ثبت شده است. هر جلسه متشکل از شش run است که با مکث‌های کوتاه از هم جدا شده‌اند.

-دیتاست DRYAD شامل پنج مطالعه است که درک گفتار طبیعی را با استفاده از انواع فعالیت‌ها همراه با احساسات کلامی آکوستیک، سینمایی و تصویری بررسی می‌کند.

-دیتاست CHB-MIT متشکل از سیگنال EEG کودکانی است که تشنج‌های غیرقابل درمان داشتند. بعد از آنکه مصرف داروی تشنج آنها متوقف شد، آنها چندین روز تحت نظر بودند تا در مورد تشنج، اطلاعات بیشتری کسب کنند و ببینند آیا آنها کاندیدهای خوبی برای جراحی هستند. 23 بیمار در دیتاست وجود دارد. 969 ساعت سیگنال EEG از پوست سر در این دیتاست ثبت شده است که شامل 173 صرع است. انواع مختلف تشنج را می‌توان در این دیتاست یافت (clonic, atonic, tonic).

دیتاست DEAP متشکل از 32 فرد است که قطعه‌های موزیک ویدیوی 1 دقیقه‌ای را تماشا کرده‌اند و انگیختگی/ظرفیت/ دوست داشتن-دوست نداشتن/ آشنایی آنها مورد بررسی قرار گرفته است.

-دیتاست SEED-VIG، داده‌های EEG را با شاخص‌های دقت در یک محیط مجازی رانندگی ادغام کرده است. علاوه بر این 18 ژل رسانان و ردیابی چشمی وجود دارد.

-دیتاست SEED که در آن EEG بیش از 62 جریان از 15 شرکت کننده ثبت شده است که ویدیوهای کوتاهی را دیده‌اند که احساسات مثبت، منفی یا خنثی آنها را برانگیخته‌اند.

دیتاست STEW شامل داده‌های خام EEG 48 شرکت کننده است که در یک تست گردش کار با استفاده از آزمایش SIMKAP شرکت کرده‌اند.


دیدگاه ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

code