انواع واسط مغز-کامپیوتر (Motor Imagery, P300, SSVEP)

واسط مغز-کامپیوتر

واسط های مغز-کامپیوتر کانال های ارتباطی هستند که فعالیت الکتریکی مغز را به دستورات قابل اجرا جهت ارتباط یا کنترل یک دستگاه خارجی ترجمه و تفسیر میکنند و یک راه ارتباطی برای افراد معلول، مخصوصا افراد دارای معلولیت شدید ایجاد میکند تا تواناییهای کنترل محیطی خود را مجددا بدست بیاورند. هدف اصلی واسط مغز-کامپیوتر افراد معلول بوده که اخیرا برای کاربردهای دیگر در افراد سالم نیز توسعه می یابند.

تسک تصور حرکتی (motor imagery)

در BCI تصوری حرکتی از شخص خواسته می‌شود تا تصور کند که بخشی از بدن خود را حرکت می‎دهد. در نتیجه تصور حرکت سیستم عصبی فعال شده و باعث می شود که رخدادهایی در مغز اتفاق بیافتد.

تعداد زیادی از مطالعات تصویربرداری عملکردی نشان داده اند که تصور حرکتی مرتبط با فعال‌سازی خاص مدارهای عصبی درگیر در مرحله اولیه کنترل موتور، است. این مدارات شامل منطقه موتور مکانیکی، قشر حرکتی اولیه، قشر پریتال پایین، بیزال گنگلیا و مخچه هست.

واسط مغز–کامپیوتر مبتنی بر تسک تصور حرکتی

وظیفه سیستم  BCIمبتنی بر تصور حرکتی این است که این رخدادها را از سیگنالهای EEG استخراج نموده و براساس آن نوع حرکت را تشخیص دهد. معمولا از BCI مبتنی بر تصور حرکتی برای کنترل بازوی مصنوعی استفاده می‌کنند.

معروفترین الگوریتم در واسط مغز-کامپیوتر مبتنی بر تصور حرکتی

در طبقه بندی سیگنال EEG مبتنی بر تصور حرکتی، الگوریتم فیلترهای مکانی مشترک (CSP) یکی از معروفترین روشها برای فیلترینگ و استخراج ویژگی هست. این الگوریتم در مقایسه با سایر روشها، عملکرد خوبی از خود نشان داده است و برای همین مطالعات زیادی برای توسعه این الگوریتم انجام شده است.

در پردازش سیگنال EEG مبتنی بر تصور حرکتی کدام حوزه اهمیت بالایی دارد؟

هم حوزه زمان و هم حوزه فرکانس اهمیت بالایی دارند. لذا در طراحی روشها بهتر است اطلاعات هر دو حوزه مورد استفاده قرار بگیرد.

چالش واسط مغز-کامپیوتر مبتنی بر تصور حرکتی

میشه گفت decoding واسط مغز-کامپیوتر مبتنی بر تصور حرکتی در بین سایر فعالیتهای مغزی پیچیدگی بیشتری دارد. و روشهای ارائه شده همچنان به عملکرد قابل قبولی نرسیده اند تا بشه از این سیستم در دنیای واقعی به صورت عمومی بهره برد و فعلا بیشتر تحقیقات آزمایشگاهی هستند. برای افرادی که دنبال موضوعی هستند که جای کار زیاد داشته باشه، BCI مبتنی بر تصور حرکتی موضوع جالب و جذابی میتواند باشد.

آکادمی onlinebme یک دوره تخصصی و پروژه محور برای BCI مبتنی بر تسک تصور حرکتی ارائه کرده است که میتوانید با گذراندن این دوره تخصصی، مهارت لازم برای انجام پروژه های تخصصی در این حوزه بدست بیاورید. در این دوره چندین مقاله تخصصی پیاده سازی شده و روی سه تا داده واقعی bci compettion اعمال شده است.

پتانسیل SSVEP

پتانسیل‌های Steady State Visual Evoked Potential یا به اختصار SSVEP پاسخ نورولوژیکی مغز هستند که در پاسخ به یک محرک بینایی که معمولاً دارای فرکانس مشخص بین 5 تا 60 هرتز هستند ایجاد می‌شوند و این اطلاعات همراه با سایر فعالیت‌های مغزی در الکترودهای مستقر در سطح جمجمه‌ی فرد ثبت می‌شوند. پتانسیلهای SSVEP در visual Cortex بیشتر از سایر نواحی مغز مشاهده می‌شوند که هم فرکانس با فرکانس محرک و هامورنیکهای آن هستند.

واسط مغز کامپیوتر مبتنی بر SSVEP

در واسط مغز-کامپیوتر مبتنی بر SSVEP از این پاسخ نورولوژیکی مغز جهت ایجاد ارتباط استفاده میکنند. به این صورت که یک سری محرک بینایی توسط یک صفحه نمایشگر برای سابجکت نمایش میدهند. هر کدام از محرکهای بینایی مرتبط با یک دستور کنترلی است و با یک فرکانس مشخصی چشمک میزند. سابجکت به محرک مورد نظر خود خیره می شود. در نتیجه آن پتانسیل SSVEP ایجاد شده و همراه با سایر فعالیتهای مغزی ثبت میشود. با تحلیل سیگنال EEG فرکانس SSVEP تشخیص داده شده و به دستور کنترلی تبدیل می شود. در ویدیوی زیر ویلچر توسط یک BCI متبنی بر SSVEP کنترل میشود. در این سیستم از چهار محرک بینایی برای ارتباط و کنترل ویلچر استفاده شده است.

در پردازش سیگنال EEG مبتنی بر SSVEP کدام حوزه اهمیت بالایی دارد؟

در پردازش سیگنال EEG مبتنی بر SSVEP هم حوزه زمان و هم حوزه فرکانس اهمیت بالایی دارند ولی اگر امتیازی بهشون بدهیم حوزه فرکانس امتیاز بیشتری میگیرد. از آنجا که خود SSVEP ها از لحاظ اطلاعات فرکانسی باهم تفکیک میشوند قطعا روشها بهتره به اطلاعات فرکانسی اهمیت بیشتری بدهند.

معروفترین الگوریتم در واسط مغز-کامپیوتر مبتنی بر SSVEP

الگوریتم CCA به خاطر کارایی بالا، سادگی پیاده سازی و استحکام در برابر نویز معروفترین و پراستفاده ترین روش در تشخیص فرکانس SSVEP است.

چالش واسط مغز-کامپیوتر مبتنی SSVEP

در BCI مبتنی بر SSVEP به دوره کلی دو نوع چالش وجود دارد. چالش اول طراحی یک سیستم با تعداد محرکهای بالا هست. از آنجا که رنج فرکانسی برای ایجاد SSVEP محدود است و از طرفی هارمونیک های محرکها نباید هم فرکانس باشند تا تداخلی در پردازش رخ ندهد، همین باعث محدود شدن تعداد محرکها می شود. یک گروه از مطالعات در این زمینه انجام میشود تا بتوانند با طراحی پارادایمی مناسب تعداد محرکهای بیشتری را استفاده کنند.

چالش بعدی اینه که با اینکه SSVEP طیف قوی دارد ولی این پتانسیل آلوده به نویز و سایرفعالیتهای مغزی است و همین تشخیص فرکانس SSVEP را برای مدلها، مخصوصا در بازه زمانی کوتاه سخت میکند. گروه دوم مطالعات هدفشان ارائه روشی هست که بتواند با دقت بالا در بازه زمانی کوتاه فرکانس SSVEP را تشخیص دهد.

آکادمی onlinebme یک دوره تخصصی و پروژه محور برای BCI مبتنی بر SSVEP ارائه کرده است که میتوانید با گذراندن این دوره تخصصی، مهارت لازم برای انجام پروژه های تخصصی در این حوزه بدست بیاورید. در این دوره چندین مقاله تخصصی پیاده سازی شده و روی یک داده واقعی اعمال شده اند.

پتانسیل P300

P300 یک مولفه از پتانسیل وابسته به رخداد است (ERP) که میتواند در طول یک پارادائم Oddball تولید شود. P300 یک موج نوسانی آهسته در EEG است که به صورت time-lock بوسیله Sensory, Motor, or Cognitive events برانگیخته می‌شود. حدودا 300 میلی ثانیه بعد از نمایش محرک نادر یک انحراف مثبت (Positive deflection) در سیگنال مغزی فرد ظاهر می شود که به همین خاطر P300 نام گذاری شده است. این پتانسیل در ناحیه parietal بیشترین دامنه را دارد.

واسط مغز کامپیوتر مبتنی بر P300

اصلی ترین کاربرد P300 در طراحی BCI-speller هست. در BCI-speller یک صفحه نمایش گر روبروی فرد قرار میگیرد. داخل صفحه نمایشگر کاراکترها با پاردایم‌های مختلفی نمایش داده می شوند. یکی از معروفترین پاردایم‌ها، پاردایم فارول و داونچین است. در این پاردادیم 36 کاراکتر در یک ماتریس 6×6 قرار میگیرند. سپس سطر و ستونهای این ماتریس با یک ترتیب کاملا تصادفی به سابجکت نمایش داده میشوند (در هر دور نمایش، هر کدام از سطر و ستونها یکبار برای سابجکت نمایش داده می شوند). در طول نمایش از سابجکت خواسته می‌شود که به کارکتر هدف خود توجه کند و تعداد دفعات نمایش کارکتر هدف را بشمارد. با اینکار شرایط پاردایم oddball رعایت شده و در نتیجه، در زمان نمایش کاراکتر هدف پتانسیل P300 ایجاد می‌شود. همزمان سیگنال مغزی سابجکت هم ثبت شده و توسط کامپیوتر پردازش می شود تا کاراکتر هدف شناسایی شود.

معروفترین الگوریتم در واسط مغز-کامپیوتر مبتنی برP300  

در پردازش سیگنال EEG مبتنی بر P300 مثل سایر تسکها روش معروف خاصی نداریم. ولی میشه گفت که الگوریتم SVM برای دسته بندی سیگنال EEG مبتنی بر P300 نسبت به سایر طبقه بندها خیلی بیشتر استفاده می شود. چرا که در سیگنال EEG مبتنی بر P300 اطلاعات زمانی مهم هست و برای همین در استخراج ویژگی معمولا خود سیگنال یا down-sample شده سیگنال رو استفاده میکنند و این باعث افزایش ابعاد بردار ویژگی میشود و از آنجا که الگوریتم SVM در ابعاد بالا هم خوب عمل میکند، از اینرو برای دسته بندی سیگنال EEG مبتنی بر P300 اکثر مطالعات از SVM استفاده می‌کنند.

در پردازش سیگنال EEG مبتنی بر P300 کدام حوزه اهمیت بالایی دارد؟

در پردازش سیگنال EEG مبتنی بر P300 حوزه زمان اهمیت دارد و حوزه فرکانس اهمیت چندانی ندارند. چرا که در EEG متبنی بر P300، الگوی تغییرات زمانی سیگنال برای دسته بندی گروه هدف (P300) از غیرهدف (non-P300) اهمیت دارد.

چالش واسط مغز-کامپیوتر مبتنی P300

در BCI مبتنی بر P300 چالش اصلی دسته بندی P300 از non-P300 با دقت بالا است. در BCI-speller مبتنی بر P300، سطر و ستونها را در تکرارهای مختلف نمایش داده میشوند و در طول نمایش محرکها، سابجکت به کاراکتر مدنظر توجه میکند. معمولا محرکها در یک تا 15 تکرار نمایش داده میشوند.

هر چقدر تعداد تکرار افزایش پیدا کند، نسبت سبگنال به نویز بهبود یافته و در نتیجه تشخیص P300 از non-P300 راحتر شده و با دقت بالایی کارکتر هدف تشخیص داده میشود. ولی مشکل اصلی اینه که تعداد تکرار هرچقدر بالاتر بره، زمان تشخیص هم افزایش پیدا میکند! فرض کنید سیستم BCI در هر 10 دقیقه یک کاراکتر رو بتونه رمزگشایی کنه. حالا اگه فرد بخواد یک احوال پرسی ساده بکنه باید 3-4 ساعت صبر کنیم!

هدف محققان این است که بتوانند سیستمی طراحی کنند که بتواند در تعداد تکرار پایین (تک تکرار) کاراکترهدف را تشخیص بدهد.

آکادمی onlinebme یک دوره تخصصی و پروژه محور برای BCI مبتنی بر P300 ارائه کرده است که میتوانید با گذراندن این دوره تخصصی، مهارت لازم برای انجام پروژه های تخصصی در این حوزه بدست بیاورید. در این دوره چندین مقاله تخصصی پیاده سازی شده و روی داده واقعی bci competitoin  اعمال شده اند.

در طول این چند سال مخاطبان onlinebme سوالاتی برای ورود به این حوزه میکنند که من به یکی دو تا از این سوالات مهم در پایین جواب میدهم.

سوال 1: برای وارد شدن به حوزه واسط مغز-کامپیوتر، یا برای پیشرفت بهتر در این حوزه به چه تخصص‌هایی نیاز داریم؟

واسط مغز-کامپیوتر بر پایه‌ی دانش دو حوزه طراحی و توسعه می یابد و کسی که مهارت لازم در این دو مورد را داشته باشد قطعا میتواند به راحتی وارد این حوزه شود و کارهای تخصصی در این حوزه انجام دهد. که انجام پروژه پایان نامه یک نمونه کوچک از آن است.

• تسلط به پردازش سیگنال EEG

واسط مغز-کامپیوتر عمدتا برپایه‌ی سیگنال EEG طراحی می شود. چراکه سیگنال EEG فرایند ثبت نسبتا راحتی داره، از لحاظ اقتصادی به صرفه است، قابل حمل هست و رزولوشن زمانی خوبی داره. برای همین اکثر کارهای تحقیقاتی روی BCI مبتنی بر EEG انجام میشه. و قطعا کسی که به پردازش سیگنال مغزی مسلط باشه خیلی راحت میتونه سیستمهای BCI رو توسعه بده.

ما یک دوره تخصصی برای پردازش سیگنال مغزی(EEG) داریم که میتونه به شما کمک کنه تا تخصص کافی در پردازش سیگنال مغزی بدست بیاورید.

• تسلط به یادگیری ماشین

واسط های مغز-کامپیوتر با کمک الگوریتمهای یادگیری ماشین طراحی و توسعه می یابند. درسته که برای استخراج ویژگی در هر تسک BCI روشهای خاصی وجود دارد ولی این روشها یک بخش کوچکی از سیستم BCI هستند و بقیه بخشها با کمک الگوریتمهای یادگیری ماشین طراحی می شوند. بنابراین کسی که به مباحث یادگیری ماشین تسلط کافی داشته باشه و با ابزارهای مختلف یادگیری ماشین آشنا باشه قطعا در توسعه سیستمهای BCI کارش ساده و راحتتر خواهد بود.

یک دوره تخصصی برای یادگیری ماشین ارائه داده ایم که شامل 8 فصل هست. تمامی ابزار یادگیری ماشین به صورت صفر تا صد آموزش داده شده و کلی پروژه عملی انجام داده ایم. پیشنهاد میکنم در اولین فرصت 8 فصل این دوره رو نگاه کنید. دوره ی بسیار مهمی هست و هر شخصی نیاز داره که این دوره رو بگذرونه تا راحت بتونه کارهای تحقیقاتی خودش رو پیش ببرد.

سوال 2: من روی کدام تسک BCI کار کنم؟  یا اینکه در کدام تسک راحتتر میتونم مقاله بدهم؟ و سوالاتی از این دسته…

• واقعا نمیشه به این سوال پاسخ قطعی داد. سلیقه ای هست. در هر سه تسک کار برای ارائه زیاد هست. واسط مغز-کامپیوتر یک تکنولوژی نوپا هست و هنوز در سطح آزمایشگاهی هست. بنابراین کار در هر سه حوزه زیاده و طبق صبحتهایی که داشتیم در هر کدام از تسکها چالشهای زیادی وجود داره و شما میتونید روی این چالش ها کار کنید و تز بدهید.
• پیشنهاد من برای اون دسته از افرادی که میخواهند به صورت تخصصی وارد حوزه BCI شوند و هنوز نتوانسته اند تسک مورد نظرشون رو انتخاب کنند: بهترین کار اینه که در ابتدا هر سه دوره نگاه کنید و به هر سه تسک مسلط بشید. و شناخت دقیق به هر سه تسک داشته باشید. بعدش اصلا خودتون خیلی راحت متوجه میشید که کدام تسک براتون جذاب تره و یا در کدام تسک راحتتر میتونید ایده بدهید. بعدش تسک مورد نظرتون رو انتخاب کنید. ولی در کل شخصی که میخواهد وارد BCI شود بهتره که به هر سه تسک تسلط کافی داشته باشد.
• دوستانی که صرفا برای انجام پروژه درسی میخوان این مباحث رو یاد بگیرند پینشهاد میکنم یکی از دوره ها رو نگاه کنند کارشون راه میافته. نیازی نیست هر سه دوره رو نگاه کنند.

با افتخار اعلام میکنیم که آکادمی onlinebme اولین گروه آموزشی در حوزه واسط مغز-کامپیوتر هست. ما در بخش آموزشی BCI پیشگام بوده‌ایم و در این راستا دوره‎‌های تخصصی ارائه می‌دهیم.