واسط مغز و کامپیوتر مبتنی بر P300

پتانسیل P300

P300 یک موج نوسانی آهسته است که در پارادایم oddball ایجاد می شود. حدودا 300 میلی ثانیه بعد از اینکه فرد با رخداد نادر(محرک هدف) روبرو میشود، یک انحراف مثبت در سیگنال مغزی فرد ایجاد میشود.

P300-based BCI Speller

از این خاصیت مغز در واسط مغز-کامپیوتر جهت ایجاد یک راه ارتباطی بین فرد بیمار و دنیای بیرون ایجاد می‌کنند.  به این ترتیب که یک صفحه نمایشگر در روبروی فرد قرار میگیرد  و سپس کاراکترها به یک ترتیب تصادفی برای سابجکت نمایش داده می شوند و فرد به کاراکتر هدف توجه میکند وهمزمان سیگنال مغزی فرد ثبت و مورد پردازش قرار میگیرید و کاراکتر هدف سابجکت تشخیص داده میوشد. به این ترتیب فردی که قادر به تکلم نیست، میتواند با افراد دیگر ارتباط برقرار کند.

  در این دوره اصول پردازش سیگنال مغزی مبتنی بر P300 از پایه و به صورت تخصصی آموزش داده می شود. این دوره کاملا پروژه محور هست و در طول دوره چندین پروژه تخصصی روی پایگاه داده bci-competition انجام شده است. در این دوره چندین مقاله تخصصی نیز پیاده سازی شده است. جالب است بدانیم که اکثر روشهایی که پیاده سازی شده اند، روی پایگاه داده 2003 بهتر از مقاله برنده عمل کرده اند!

 

 فهرست مطالب دوره BCI مبتنی بر P300

1- مقدمه ای بر واسط مغز کامپیوتر مبتنی بر P300

• پتانسیل P300
• پارادایم oddball
• کاربرد P300
• واسط مغز-کامپیوتر مبتنی بر P300

2- P300-based BCI speller

• پاردایم اولیه Farwell & Donchin برای نمایش کاراکترها
• ایراد پاردایم اولیه
• نحوه نمایش کاراکترها در matrix speller
• ساختار bci مبتنی بر P300
• مراحل تشخیص P300 از non-P300
• مراحل تشخیص کاراکتر هدف در matrix speller
• چالشهای BCI speller

3- معرفی پایگاه داده

• روال ثبت پایگاه داده
• نحوه خواندن پایگاه داده در متلب
• تشخیص کاراکتر هدف با یک رویکرد ساده

4- طراحی واسط مغز کامیپوتر مبتنی بر P300

• پیش پردازش
• استخراج ویژگی
• بالانس کردن داده آموزشی
• طبقه بندی (vs non-P300 P300)
• تشخیص سطر/ستون هدف
• تشخیص کاراکتر هدف

5- پیاده سازی مقاله برنده bci-competition 2003

• پیش پردازش
• استخراج ویژگی
• بالانس کردن داده آموزشی
• طبقه بندی (vs non-P300 P300)
• توصیف پارامترهای طبقه بند SVM خطی و غیرخطی
• تعیین پارامترهای مناسب برای مدل
• تشخیص سطر/ستون هدف
• تشخیص کاراکتر هدف

6- استفاده از یادگیری جمعی در P300 detection و حل مسئله ایمبالانس بودن داده آموزشی

7- انتخاب کانال

• پیاده سازی روش حذف کانال سلسله مراتبی SBFS
• مرتبه گذاری به کانالها به SBFS
• تعیین تعداد کانال مناسب

8- پیاده سازی مقاله برنده bci-competition 2004

• پیش پردازش
• استخراج ویژگی
• انتخاب کانال با SBFS
• تعیین تعداد کانال مناسب
• تعیین پارامترهای مناسب برای هر مدل
• طبقه بندی با یادگیری جمعی (vs non-P300 P300)
• تشخیص سطر/ستون هدف
• تشخیص کاراکتر هدف

9- تشخیص P300 با ویژگیهای تبدیل ویولت

• نحوه استفاده از تبدیل ویولت در BCI مبتنی بر P300
• استخراج ویژگی
• طبقه بندی (vs non-P300 P300)
• تشخیص سطر/ستون هدف
• تشخیص کاراکتر هدف

10- نحوه ترکیب ترایالهای Sequenceها در BCI speller

• میانگین گیری از سیگنال EEG تریالها
• تاثیر میانگین گیری از سیگنال EEG
• چرا میانگین گیری از سیگنال EEG در Matrix speller موثر نیست؟!
• ترکیب خروجی ترایالهای seqeunceها
• چرا ترکیب خروجی ترایالها در Matrix speller موثر است؟!
• انجام پروژه عملی و مقایسه دو رویکرد

---

محتوای پکیج

• ویدیوهای آموزشی
• کدهای پیاده سازی شده برای پروژه های تخصصی
• مقالات پیاده سازی شده
• جزوه دست نویس مدرس

پیش نیاز دوره: دوره پردازش سیگنال مغزی

---

مدت زمان دوره: 28 ساعت

مدرس دوره: محمد نوری‌زاده چرلو

فارغ التحصیل دانشگاه علم و صنعت تهران

---

دوره BCI مبتنی بر P300 یک بسیار دوره مهمی هست و پیشنهاد میکنیم دوستانی که میخواهند وارد حوزه واسط مغز و کامپیوتر شوند حتما این دوره رو نگاه کنند.