واسط مغز-کامپیوتر مبتنی بر P300


P300 یک پتانسیل وابسته به رخداد است که در شرایط oddball ایجاد می شود. حدودا 300 میلی ثانیه بعد از نمایش محرک نادر یک انحراف مثبت (P300) در سیگنال مغزی فرد ظاهر می شود. از این خاصیت مغز، در واسط مغز-کامپیوتر برای ایجاد ارتباط استفاده میکنند و برای افرادی که نمتیوانند صبحت کنند، این فرصت را ایجاد میکنند که بتوانند با کمک BCI-speller با افراد دیگر ارتباط برقرار کنند. در این پست میخواهیم با نحوه طراحی BCI-speller مبتنی بر P300 آشنا شویم.

 پتانسیل P300

پتانسیل P300 پاسخ نورولوژیکی مغز ما به یک محرک نادر است. اجازه بدهید با یک مثال ساده توضیح بدهم که P300 به چه صورت ایجاد می شود. فرض کنید پشت یک چراغ راهنما وایسادید و دارید به آن نگاه میکنید(توجه شما به چراغ راهنما هست) تا چراغ سبز بشه و شما حرکت کنید. چراغ قرمز به مدت مثلا 60 ثانیه روشن بوده و بعدش سبز می شود. در این حالت ما با یک اتفاق نادر روبرو شدیم. چراغ به مدت زیادی قرمز بود بعد یهو شد سبز. اینجا سبز شدن چراغ راهنما یک اتفاق نادر هست. مغز ما به این اتفاق نادر واکنش نشان داده و یک پتانسیلی به نام P300 تولید میکند که همراه با سایر سیگنالهای مغزی میتوان آنرا ثبت کرد. پتانسیل P300 یک انحراف مثبت در سیگنال مغزی هست که حدودا 300 میلی ثانیه بعد از نمایش محرک نادر(هدف) در مغز ایجاد می شود.




از این خاصیت مغز در کاربردهای مختلفی از جمله تشخیص سطح هوشیاری کما، دروغ سنجی و واسط مغز کامپیوتر استفاده میکنند. مهمترین کاربرد آن در حوزه واسط مغز-کامپیوتر هست. از این خاصیت مغز برای ایجاد ارتباط استفاده میکنند و BCI-speller ها را طراحی میکنند تا بیماران بتوانند (افرادی که قادر صحبت کردن نیستند) با کمک چنین BCIهایی حروف را هجی کرده و با افراد دیگر ارتباط برقرار کنند.

نحوه طراحی BCI-speller مبتنی بر P300

در BCI-speller یک صفحه نمایشگر روبروی سابجکت قرار میدهند که داخل این صفحه نمایشگر حروف با پارادایم خاصی به سابجکت نمایش داده می شود. یکی از معروفترین پارادایمها، پاردایم FarwellDonchin. در این پارادایم 36 کاراکتر به صورت یک ماتریس 6*6  همانند شکل زیر کنارهم قرار میگیرند.

پاردایم Farwell-Donchin

در این پارادیم، به جای نمایش تک تک کاراکتر(که خیلی زمانبر میشود)، کارکترها به صورت سطر و ستونی به سابجکت نمایش داده میشوند. به این این صورت که ماتریس 6*6 به 6 سطر و 6 ستون تقسیم می شود. که در مجموع 12 سطر-ستون یا به عبارتی 12 تا محرک خواهیم داشت.

پاردایم Farwell-Donchin

حال این 12 سطر و ستون به صورت کاملا تصادفی به سابجکت نشان داده می شوند. از سابجکت خواسته می شود که کاراکتر هدف توجه کند و تعداد نمایش کاراکترها را بشمارد. در هر تکرار نمایش، کاراکتر هدف دوبار نمایش داده می شود. چرا که هر کاراکتر یکبار در سطرها و یکبار در ستونها نمایش داده میشوند.  در شکل زیر محرکها در یک تکرار با ترتیب کاملا تصادفی به سابجکت نمایش داده شده اند.

پاردایم Farwell-Donchin

در این مثال فرض بر این است که “U” کاراکتر هدف هست. با این حساب، از بین 12 محرک، 10 محرک غیرهدف(رنگ آبی) و 2 محرک هدف (رنگ قرمز) وجود دارد. چون در این پاردایم شرایط oddball رعایت می شود در زمان نمایش محرکهای هدف (سطر و ستونی که در آن کاراکتر هدف وجود دارد) پتانسیل P300 ایجاد می شود. همزمان با نمایش محرکهای هدف سیگنال مغزی سابجکت نیز ثبت می شود که سیستم BCI سیگنال EEG مربوط به هرکدام از سطر و ستونها را تحلیل کرده و مشخص میکند که از بین سطرها کدام سطر، سطر هدف هست و از بین ستون ها هم کدام ستون، ستون هدف است. با تشخیص سطر و ستون هدف، کاراکتر هدف از تلاقی این دو محرک تشخیص داده میشود.

 

مراحل طراحی سیستم BCI مبتنی بر P300 جهت تشخیص کاراکتر هدف

سیستم BCI-speller در دو مرحله طراحی می شود تا بتواند با تحلیل سیگنال مغزی سابجکت کاراکتر هدف را تشخیص دهد.

مرحله اول: تشخیص P300 و non-P300 ( طبقه بندی سیگنال EEG به دو گروه هدف یا غیرهدف)

سیستم BCI برای اینکه بتواند در تشخیص کاراکتر هدف استفاده شود، اول باید قادر به تشخیص گروه P300 از non-P300 شود. به عبارتی باید بتواند با تحلیل سیگنال EEG تشیخص دهد که سیگنال EEG حاوی پتانسیل P300 هست یا نه.

این پروسه مهمترین بخش کار هست. اگر سیستم به درستی عمل نکند، ادامه کاراکترهای هدف را با اشبتاه بسیار زیاد تشخیص خواهد داد. اکثر مطالعات در توسعه این بخش انجام میشود تا بتوانند با ارائه ویژگی ها خوب، طبقه بندهای بهینه، با دقت بالایی P300 و non-P300 را تفکیک کنند.

برای طراحی چنین سیستمی، یک داده آموزشی ثبت میشود که در آن از سابجکت میخواهند که به کاراکترهای خاصی توجه کند. سپس ترایالهای سیگنال EEG را بسته به اینکه مروبط به گروه هدف هستند یا غیرهدف، از سیگنالEEG  جدا کرده و یک داده دو کلاسه فراهم میکنند. سپس طبق فلوچارت بالا، سیستمی طراحی میکنند که بتواند گروه هدف (P300) را از گروه غیرهدف (non-P300) تشخیص دهد.

تشخیص P300 و non-P300 ( طبقه بندی سیگنال EEG به دو گروه هدف یا غیرهدف)

مرحله دوم: تشخیص حروف هدف

بعد از اینکه سیستم BCI در مرحله اول طراحی شد و آماده تشخیص P300 از non-P300 شد در عمل از آن طبق شکل زیر برای تشخیص سطر و ستون هدف و در پی آن کاراکتر هدف استفاده می کنند.

به این صورت که سطر و ستونها به صورت کاملا تصادفی توسط صفحه نمایشگر به سابجکت نشان داده می شوند. سابجکت به کاراکتر مدنظر خود توجه می کند و همزمان سیگنال مغزی سابجکت ثبت شده و به سیستم ارائه می شود. سیستم با تحلیل سیگنال EEG تک تک سطر و ستونها، تشخیص میدهد که کدام سطر و ستون هدف هستند. بعد از تشیخص سطر و ستون هدف، کاراکتر هدف از تلاقی آنها شناسایی می شود.

مرحله دوم: تشخیص حروف هدف

از آنجا که در تک ترایال، تشخیص P300 سخت هست، نمایش سطر-ستونها را به جای یکبار، چندین بار تکرار می‌کنند.

در پست بعدی، کاربردهای دیگر P300 را بررسی خواهیم کرد.


دیدگاه ها

دیدگاهتان را بنویسید

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