پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم¬های واسط کامپیوتری-مغزی

پایان نامه‌ی کارشناسی ارشد در رشته­ی

مهندسی پزشکی

بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم­های واسط کامپیوتری-مغزی

       سیستم­های واسط کامپیوتری-مغزی سیستم­هایی هستند که می­توانند سیگنال­های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می­تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار بالایی مشکلات آن­ها در راستای ارتباط با محیط پیرامونشان را رفع کند. اما سیستم­های کنونی به علت نداشتن دقت بالای کافی برای همه افراد، هنوز نتوانسته­اند به صورت تجارتی وارد بازار شوند.

در راستای بهبود دقت و عملکرد این سیستم­ها، به­صورت تجربی نشان داده شده که استفاده از روش "الگوی مکانی مشترک" برای استخراج ویژگی­های جدا کننده مناسب از سیگنال­های مغزی، روشی بهینه در سیستم­های واسط کامپیوتری-مغزی همگام است ولی هنوز دارای مشکلات و چالش­هایی می­باشد.  در این پژوهش دو راهکار برای اصلاح روش غیر خطی الگوی مکانی مشترک مطرح شده است: راهکار اول که شخصی سازی الگوریتم غبرخطی است، خود شامل دو روش ترکیبی جدید می­باشد. روش اول با افزودن اطلاعات فرکانسی-مکانی سیگنال به روش الگوی مکانی مشترک، منجر به بهبود عملکرد الگوریتم در راستای پیدا کردن ویژگی­های متمایز بهتری شده و بر مبنای همین ویژگی­ها، دقت کلاس­بندی داده­ها افزایش می­یابد. در روش دوم که به دو طریق مختلف پیاده­سازی شده، مقدار هم­فعالیتی دو به دوی همه کانال­ها به فرمولاسیون CSP تزریق می­شود و سپس مقادیر به دست آمده توسط یک تابع کرنل خطی، به فضای دیگری می­روند و در نهایت جداسازی بین تصورات حرکتی را بهبود می­بخشند.

مغز انسان و فعالیت­های آن

    از دیدگاه آناتومی و فیزیولوژی، سیستم عصبی و به خصوص مغز انسان به عنوان پردازشگر، تصمیم گیرنده و کنترل کننده اصلی تمامی رفتارهای انسان شناخته می­شود. می­توان گفت که سیستم مغز پیچیده­ترین و ناشناخته­ترین ارگان بدن انسان است زیرا که نحوه عملکرد آن در مباحثی چون یادگیری، حافظه، پردازش اطلاعات، ایجاد رابطه بین مفاهیم مختلف و غیره، تاکنون نیز به روشنی مشخص نگردیده است و جای سوال بسیاری برای دانشمندان جهان دارد. شناخت هرچه بیشتر نحوه عملکرد اجزا مختلف مغز می­تواند در رفع بسیاری از نارسایی­های عصبی، روانی، حسی و حرکتی بدن انسان کارآمد باشد و این واقعیت باعث توجه هرچه بیشتر دانشمندان به کاوش در چگونگی کارکرد مغز انسان در سال­های اخیر شده است.

    جهت پردازش سیگنال­های مغزی ابتدا باید راهی برای دریافت آن­ها پیدا شود. نورون­ها، کوچک­ترین واحد پردازش داده در مغز هستند و ارتباط الکتریکی بین آن­ها اساس کارکرد مغز است [1]. ارتباط الکتریکی بین نورون­ها باعث ایجاد میدان­های الکتریکی و مغناطیسی و در نتیجه جریان­های الکتریکی در حجم مغز می­شود و اندازه­گیری این میدان­ها و جریان­ها یکی از راه­های ثبت فعالیت­های مغزی است. از جمله روش­های مورد استفاده در این حوزه می­توان از [1]EEG نام برد که در نوع غیر تهاجمی آن یک مجموعه از الکترودهای ثبت کننده سیگنال الکتریکی بر روی پوست سر قرار گرفته و سیگنال­های الکتریکی مغز در حین انجام یک فعالیت خاص ثبت می­گردد. در روشی دیگر موسوم به مگنتوانسفالوگرافی یا MEG[2] فعالیت­های مغناطیسی مغز به وسیله ثبت­کننده­های ابر رسانا که بر روی سر قرار گرفته­اند ثبت می­شود. اما اصولا دستگاه ثبت MEG بسیار گران قیمت بوده و دارای تکنولوژی بالایی است. علاوه بر روش­های ثبت فعالیت­های الکتریکی در مغز، روش­های دیگری نیز وجود دارند که به ثبت فعالیت­های متابولیکی در مغز می­پردازند. در واقع این روش­ها از شیوه­های مختلف تصویر برداری پزشکی همچون fMRI، PET، SPECT، و ... استفاده می­کنند و مشخص می­کنند که در هر لحظه کدام نقاط مغز با چه شدتی دارای فعالیت­های متابولیکی است. از مزایای روش­های تصویربرداری متابولیکی مغز می­توان به رزولوشن بالای مکانی و امکان مکان­یابی سه بعدی منابع فعالیت­های مغزی اشاره کرد. اما عمده این روش­ها بسیار گران قیمت بوده و همواره در دسترس نیستند.

(الف)

(ب)

شکل 1-1 سیگنال EEG و نحوه ثبت آن. الف) نمونه سیگنال EEG، ب) نمونه الکترودهای EEG و نحوه ثبت سیگنال

سیستم­های واسط کامپیوتری-مغزی

    چگونگی برقراری ارتباط بین مصنوعات هوشمند امروزی و مغز انسان یکی از چالش­های دانش مهندسی پزشکی است، و سیستم­های واسط مغزی-کامپیوتری یا [3]BCI به منظور برطرف ساختن این چالش گسترش یافته­اند. در واقع آن­ها سیستم­هایی هستند که توانایی جداسازی تصورات مغزی (مخصوصا تصور حرکات اندام بدن) و ترجمه آن­ها به دستورات قابل فهم توسط کامپیوتر را دارند. این قابلیت بر اساس سیگنال­های مغزی فرد می­تواند به بیمارانی همچون مبتلایان به نارسایی­های مغزی-نخاعی مانند ALS[4] و یا دیگر نارسایی­های حرکتی[5] کمک بسیاری کند [2،3]. زیرا که سیستم BCI، نوعی کانال ارتباطی­ای را برای این نوع بیماران فراهم می­آورد که به عصب­های محیطی و ماهیچه­ها وابسته نمی­باشد. به طور مثال در بیماری ALS نورون­های مربوط به حرکت ارادی به مرور زمان تحلیل رفته و فرد به تدریج قابلیت حرکت دادن اندام­های مختلف خود را از دست می­دهد. در مراحل ابتدایی این بیماری، مشکلاتی در حرکت دادن دست و پا، جویدن و بلعیدن غذا ایجاد می­شود و در مراحل پایانی آن، بیمار کاملا توانایی راه رفتن و استفاده از دست و پای خود را از دست می­دهد و عمل جویدن و بلعیدن برای او بسیار سخت شده به طوری که امکان خفه شدن بیمار به وجود می­آید. هم­چنین در این مرحله حتی تنفس شخص با مشکلاتی روبروست و فرد توانایی صحبت کردن نیز نخواهد داشت [4].

    هرچند در بیماری ALS، فرد توانایی حرکت دادن اندام خود را از دست می­دهد، این بیماری تاثیری روی قابلیت­های حسی (شنوایی، بویایی، بینایی، چشایی و لامسه) و هم­چنین فعالیت­های ذهنی فرد ندارد و بیمار توانایی تصور انجام حرکات مختلف را دارد. بنابراین اگر به کمک سیستم BCI از روی سیگنال­های مغزی بتوان معین کرد که بیمار تصور چه حرکتی را کرده، می­توان کمک­های شایانی به وی کرد. به این ترتیب، این قبیل بیماران و نیز بیماران معقول دیگری (که از نظر عقلی سالم هستند) که دچار نارسایی حرکتی هستند، می­توانند پروتزها و اندام­های مصنوعی و وسایل خارجی چون کلیدهای نور و غیره را توسط تصور حرکتی (MI)[6] کنترل کنند که این امر، توانایی شخصی فرد را به صورت وسیعی گسترش می­دهد.

    حرکت دادن عضوهای بدن در زندگی روزانه یک انسان سالم، یک امر کاملا معمول است. تحقیقات نشان داده است که وقتی یک عضو یک رویه[7] (مثل دست چپ) حرکت داده شود، دامنه Mu Rythm (9-13Hz) و Beta Rythm (18-22Hz) کورتکس حرکتی طرف دیگر مغز[8] به طور چشمگیری کاهش یافته، در صورتی که ریتم کورتکس حرکتی همان سمت مغز[9] به طور قابل توجهی افزایش می­یابد. علاوه بر این، وقتی شخصی انجام عملی را تصور می­کند (بدون اینکه آن عمل را انجام دهد)، همان ناحیه از موتور حرکتی مغز را فعال می­کند (و همان الگوی EEG را تولید می­کند) که، زمانی که واقعا آن عمل را انجام دهد [5]. در واقع عملکرد دستگاه­های واسط کامپیوتری-مغزی بر مبنای همین موضوع می­باشد و سیگنال­های تصور انجام حرکتی را برای بررسی مد نظر قرار می­دهد.

    به طور دقیق­تر باید گفت که تقریبا عملکرد تمامی سیستم­های BCI به این صورت است که افراد پس از طی یک دوره آموزشی و یادگیری چگونگی کار با علامت­ها و سیستم، باید با دیدن یک سری علائم خاص بر روی مانیتور روبروی خویش، تصور انجام فعالیت مربوط به علامت را انجام دهد. به عنوان مثال با دیدن پیکان سمت چپ، تصور حرکت دست چپ، پیکان دست راست تصور حرکت دست راست. در حین این تصورات، سیگنال­ها ثبت می­شوند. لازم به ذکر است که در بیشتر مواقع زمان دقیق انجام تصورات مشخص نیست و در بازه زمانی در حدود چندین ثانیه، سیگنال­گیری انجام می­شود که در طی آن تصورات حرکتی انجام شده است. به عنوان مثال اگر 4 ثانیه سیگنال­گیری انجام شود مشخص نخواهد بود که در کدام لحظه از این 4 ثانیه، فرد تصور انجام حرکت اندام را کرده است.

    در سیستم­های BCI سیگنال­های EEG فرد را ثبت می­کنند زیرا که این سیگنال­ها، همزمانی بهتری با فعالیت­های مغزی دارند و می­توانند حرکات سریع پردازش اطلاعات مغزی را به صورت غیر تهاجمی و Real-Time اخذ کنند و نیز اینکه همیشه در دسترس بوده و به سادگی مورد استفاده قرار می­گیرند [6]. گرچه سیگنال­های EEG به دلیل داشتن رزولوشن مکانی کم و نیز سطح نویز بالا شناخته شده هستند. نشان داده شده است که روش­های فیلتر مکانی در استخراج الگوهای فعالیت مغزی، موثر واقع شده­اند.

    هدف در این تحقیق این است که با داشتن سیگنال­های EEG یک فرد، بتوانیم تشخیص دهیم که سیگنال مربوطه، متعلق به کدام تصور حرکتی فرد است. البته در اینجا این پیش­فرض وجود دارد که سیگنال مذکور، به یکی از حرکات معدود از پیش تعیین شده متعلق می­باشد. علت اینکه در اینجا سیگنال­ها فقط به تعداد معدودی حرکت، طبقه بندی می­گردند، کیفیت پایین سیگنال EEG و اطلاعات کمی است که در اختیار می­گذارند، می­باشد. بنابراین پس از پردازش اولیه سیگنال­های ثبت شده EEG، ویژگی­های جدا کننده کلاس­های تصور حرکت از سیگنال­ها استخراج می­شوند. اگرچه روش­های مختلفی برای استخراج ویژگی از سیگنال­های EEG وجود دارد ولی می­توان بیشتر آن­ها را به نوعی فیلتر کردن سیگنال دانست، به طوری که حاصل اعمال فیلتر، بدست آمدن ویژگی­های جداکننده و حاوی اطلاعات می­باشد. از جمله آن­ها می­توان به روش­های بر پایه الگوهای مشترک فضایی (CSP[10]) اشاره کرد. روش CSP بر اساس یکسری سیگنال که کلاس حرکتی مربوط به آن­ها مشخص است، آموزش داده می­شود به طوری که بتواند ویژگی­های جدا کننده مناسبی را استخراج کند. در این روش سعی بر آن است که از روی سیگنال­های EEG ضبط شده روی پوست سر، سیگنال­های اصلی منشاء حرکات که در درون مغز تولید می­شوند را، تخمین زد. پس از تخمین سیگنال­های منشاء، CSP با ساختن فیلترهای مکانی ویژگی­های لازم برای طبقه بندی از آن را استخراج می­کند. از آنجایی که سیگنال­های EEG همان سیگنال­های درون مغز هستند که هم در راستای زمان و هم در راستای مکان فیلتر شده­اند، پس برای تخمین سیگنال­های منشاء درون مغز، باید آن­ها را هم در راستای زمان و هم در راستای مکان فیلتر کرد. البته لازم به ذکر است که CSP عمل فیلترینگ در بعد مکان را انجام می­دهد. فیلترینگ در بعد زمان معمولا به صورت یک مرحله پیش پردازش قبل از اعمال CSP باید انجام ­شود.

    پس از مرحله استخراج ویژگی، ضرایب تخمین زده شده به طبقه­بندی کننده (کلاس­بندی کننده)، داده می­شوند تا کلاس مربوط با هر سیگنال را مشخص کند. فیلترهای استخراج ویژگی و وزن­های طبقه­بندی کننده باید به گونه­ای انتخاب گردند که باعث بیشترین جداپذیری بین کلاس­ها شوند. در واقع تخمین فیلترهای بهینه برای استخراج ویژگی و وزن­های بهینه برای طبقه­بندی کننده مهم­ترین و تأثیرگذارترین مرحله آموزش است. در مرحله آموزش کافیست با استفاده از فیلترهای به دست آمده در مرحله آموزش، ویژگی­های جدا کننده را استخراج کرده و با استفاده از وزن­های طبقه بندی کننده بدست آمده از مرحله آموزش، آن­ها را کلاس بندی[11] کنیم.

    در مورد قسمت کلاس­بندی، لازم به ذکر است که طبقه­بندی کننده­های زیادی وجود دارند که می­توان از آن­ها برای این منظور استفاده کرد. به عنوان نمونه می­توان از طبقه­بندی کننده­های غیر خطی بر اساس قانون بیز، شبکه­های مصنوعی عصبی، طبقه­بندی کننده­های فازی و ساختاری و ماشین­های support vector نام برد [7]. در مورد سیگنال­های پیچیده و تصادفی (سیگنال­های واقعی)، از بین این طبقه­بندی کننده­ها، طبقه­بندی کننده­های آماری بهتر جواب می­دهند که از بین طبقه­بندی کننده­های آماری، طبقه­بندی کننده بیز به عنوان بهینه­ترین طبقه­بندی کننده در نظر گرفته شده است. اما مشکل عمده­ای که در طبقه­بندی کننده بیز وجود دارد، تخمین زدن تابع چگالی احتمال مربوط به مشخصات به ازای هر کلاس می­باشد. علاوه بر این، در مساله نویز باید آن را تغییر داد تا عملکرد مناسبی را در برابر نویز داشته باشد. البته طبقه­بندی کننده­های دیگری نیز بر اساس تخمینی از طبقه­بندی کننده بیز ایجاد شده­اند که از جمله آن­ها می­توان به طبقه­بندی کننده KNN[12] اشاره نمود. از جمله طبقه­بندی ­کننده­های آماری دیگر نیز می­توان به طبقه­بندی کننده به کمک LDA[13] اشاره کرد که می­تواند عملیات کاهش ویژگی­ها و کلاس­بندی را با هم انجام دهد.

 اهداف اصلی تحقیق

    الگوریتم اصلی CSP برای مساله دو کلاسه، طراحی شده است که واریانس سیگنال­های فیلتر شده EEG در باند گذر برای یک کلاس را ماکزیمم می­کند به طوری که واریانس کلاس دیگر مینیمم گردد. و به این ترتیب، تمایز ویژگی­های جدا کننده بین دو کلاس را بیش­تر می­کند. با وجودی که نشان داده شده است که این روش در استخراج ویژگی­های جدا کننده بسیار موثر است ولی برای آن، این پیش فرض وجود دارد که رابطه بین منبع سیگنال مغزی و سیگنال­های EEG ثبت شده، خطی است و این پیش فرض، عملکرد این روش را محدود می­کند. در واقع می­توان گفت که عملکرد اصلی آنالیز CSP، تخمین ترکیبی خطی از کانال­ها مطابق با اهمیت آن­ها برای کلاس بندی است و عملکرد مناسبی بر روی داده­هایی که از یک مدل غیرخطی به وجود آمده­اند، ندارد. اما از آن­جایی که سیگنال­های ورودی به طور مستقیم از پوست سر اندازه گیری می­شوند، این­طور به ذهن می­رسد که باید ترکیبی غیرخطی از اجزای ثابت مکانی و مستقل زمانی باشند که از منابع جدا یا دارای هم­پوشانی مغزی، نشأت می­گیرند. بنابراین ایده اصلی در این تحقیق نیز بر مبنای بهینه کردن روش CSP با فرمولاسیون غیرخطی است.

    برای پیگیری این مساله روش­های غیر خطی CSP با استفاده از تکنیک­های کرنل در BCI معرفی شده­اند. در واقع روش­های kernel CSP، سیگنال­های EEG ورودی را توسط تابع کرنلی، به فضای ویژگی با بعد بالاتر جهت تمایز بیش­تر می­برد و CSP خطی در فضای کرنل یافته، اعمال می­شود که معادل با اعمال CSP غیر خطی در فضای اولیه می­باشد [9،8]. بنابراین در اینجا ایده اصلی، معرفی عملکرد نوینی است که قادر به استخراج ویژگی­های جداکننده از سیگنال­های ناایستای EEG بر مبنای ترکیبی از الگوهای فضایی مشترک (CSP) همراه با روش­های کرنل است. به صورتی که به­طور موثری اجزای مشترک و جدایی پذیر در فضاهای ویژگی با بعد بالا را محاسبه کند.

    در این تحقیق، برای بهینه کردن روش غیر خطی CSP دو راهکار کلی ارائه شده است که هر یک هم به­طور جداگانه خود شامل ایده­هایی می­باشند:

1-3-1  شخصی­سازی Kernel CSP

1-3-1-1  روش پیشنهادی FFT Kernel CSP

    ایده این روش بر مبنای ترکیب اطلاعات فرکانسی-مکانی به فرمولاسیون غیر خطی CSP است. روش پیشنهادی بر این مبنا است که این اطلاعات فرکانسی-مکانی، از خود سیگنال­های ثبت شده با تبدیل فوریه گرفتن از آن­ها به دست آید و از آن­جایی که این اطلاعات فرکانسی-مکانی از خود سیگنال­ها به دست می­آیند و سپس تحت الگوریتم غیر خطی CSP قرار می­گیرند، می­توان اطمینان حاصل کرد که می­توانند تاثیر مثبتی بر روی عملکرد الگوریتم غیر خطی CSP بگذارند.

1-3-1-2  روش پیشنهادی Nonlinear Synchronous CSP

    در این روش سعی شده است که مقدار هم­فعالیتی[14] (هم­زمانی) دو به دوی کانال­ها اندازه­گیری شود و سپس از مقادیر این شاخصه­ها استفاده کرده و در فرمولاسیون روش CSP، تغییراتی ایجاد شود. ایده اصلی در این راهکار نحوه تزریق پارامترهای هم­فعالیتی و هم­زمانی به فرمولاسیون CSP و به طبع آن، فرمولاسیون غیر خطی CSP، به صورتی است که راندمان کلی سیستم BCI را بالا ببرد.

1-3-2   Adaptive Kernel CSP

    با توجه به نتایج به دست آمده در تحقیقات پیشین (که در فصل بعدی مورد بحث قرار گرفته است) می­توان گفت که با استفاده از یک تابع کرنل ثابت مانند یک کرنل گوسی، برتری یکی از روش­های CSP و kernel CSP بر دیگری به طور صریح قابل اثبات نمی­باشد. بنابراین این ایده به ذهن رسید که اعمال فرم غیرخطی CSP با استفاده از طراحی کرنل­های سازگاری که برای هر فرد به طور اختصاصی به روز می­شود، می­تواند در بهبود نتایج روش Kernel CSP تاثیر به سزایی داشته باشد که ایده­های این راهکار به طور مفصل در فصل سوم تشریح شده است.

    برای دستیابی به اهداف ذکر شده، در ادامه این نوشتار خواهیم داشت :

در فصل دوم، روش­های پیشین در حوزه­های مورد بررسی، مرور می­شود. فصل سوم، در ابتدا به اصول نظری مورد نیاز در مباحث و روش­های مورد استفاده، اختصاص دارد و در بخش­های بعدی آن، روش­های پیشنهادی به منظور بهینه کردن دقت الگوریتم­های مورد استفاده، ذکر شده است. در فصل چهارم، روش­های پیاده­سازی الگوریتم­ها بیان شده است و پس از آن نتایج هر یک از روش­های پیاده­سازی در جداول مخصوص به خود، گزارش شده­اند و در ادامه آن به تفسیر هر یک از جداول پرداخته شده است.

جمع بندی و نتیجه گیری کل روش­های ذکر شده در رساله در بخش پنجم این نوشتار، ذکر شده است. هم­چنین در این بخش پیشنهادات در راستای کارهای آتی بیان شده است. در نهایت در فصل ششم، لیست منابع مورد استفاده در این تحقیق عنوان شده است.

در این فصل، ابتدا در مورد قدمت دستگاه BCI و اولین تجربه مشابه با عملکرد این دستگاه توضیحات مختصری داده می­شود و پس از آن انواع روش­های استخراج ویژگی­های متمایز کننده از سیگنال­های ثبت شده، بیان می­شود. در ادامه از آن­جایی که در این تحقیق از روش CSP برای استخراج ویژگی استفاده شده است، مروری بر تحقیقات صورت گرفته در راستای شکل­گیری اولیه این روش صورت می­گیرد و سپس هر یک از روش­ها و تحقیقات انجام شده برای بهبود روش CSP در زمینه مبحث این تحقیق، همراه با مشکلات و معایب آن­ها ذکر می­شود.

2-1 مروری بر کارها و تحقیقات صورت گرفته پیشین

      در مورد قدمت دستگاه BCI می­توان گفت که اولین تجربه از عملکرد کلی BCI توسط دکتر والتر [15]در سال 1964 پدید آمده است به این صورت که او الکترودهایش را به ناحیه حرکتی مغز بیماری که تحت یک عمل جراحی برای مورد دیگری قرار گرفته بود، متصل کرد و سپس سیستم را به یک پروژکتور وصل کرد. از بیمار خواست که دکمه­ای را فشار دهد تا اسلاید پروژکتور جلو رود. ضمن اینکه در همان حین، فعالیت مغزی فرد را ثبت می­نمود. در آن زمان، به طور جالبی والتر متوجه شد که مجبور است تاخیری را از زمان تشخیص فعالیت مغزی تا زمانی که اسلاید پروژکتور جلو می­رود، تعریف کند زیرا که در غیر این صورت (در غیر صورت اینکه تاخیری را تعریف نماید)، اسلاید پروژکتور قبل از اینکه بیمار دکمه را نشان دهد، جلو می­رفت و این یعنی کنترل کردن، بدون اینکه حرکت واقعی­ای صورت بگیرد؛ اولین عملکردی مشابه عملکرد دستگاهی که امروزه به آن BCI گفته می­شود [10].

     از آن زمان تاکنون، کارها و تحقیقات زیادی در سال­های متمادی صورت گرفته است تا اینکه سیستم­های BCI به یک سیستم BCI با کاربردهای امروزی، هم اکنون در اختیار ماست. گرچه این تکنولوژی هنوز راه­های زیادی را در پیش­رو دارد.

     در سیستم­های BCI برای استخراج ویژگی­های متمایز از روش­های مختلفی استفاده می­شود. از جمله این روش­ها می­توان به روش­هایی که از ویژگی­های سیگنال منابع استفاده می­کنند، اشاره نمود. در این­گونه روش­ها فرض بر این است که تمامی اطلاعات یک سیگنال EEG مربوط به یک فعالیت خاص را، می­توان از سیگنال منابع تولید کننده آن، به دست آورد. روش­های به کار گرفته شده در این زمینه را می­توان به دو دسته عمده ERP[16] و ERS/ERD[17] تقسیم نمود. روش­های ERP روش­های به نسبت قدیمی­تری در راستای استخراج ویژگی یک سیگنال EEG هستند و مشخصه آن­ها استفاده از ولتاژ سیگنال می­باشد.

این روش­ها سعی در استخراج عناصری دارند که در هر نمونه سیگنال[18] پس از گذشت زمان ثابتی از لحظه تحریک مغز رخ می­دهند [12،11].

     روش­های ERS/ERD از انرژی سیگنال یا مربع ولتاژ سیگنال استفاده می­شود و بر خلاف دسته اول، قادر به شناسایی عناصر ناهماهنگ در زمان نیز هستند. بنابراین کاربرد بیشتری در سیستم­های BCI دارند. از جمله معروف­ترین روش­ها در این حوزه می­توان از الگوی فضایی مشترک یا همان CSP نام برد. ایده­ای که اصول اولیه روش CSP از روی آن اقتباس شده اولین بار توسط Fukunaga و Koontz در سال 1970 معرفی شد ]13[ و بعدها در سال 1999 توسط Muller-Gerking به فرم CSP امروزی در آمد و برای جداسازی سیگنال EEG به کار گرفته شد ]14[. همان­طور که در قسمت قبل بیان شد، این روش تلاش می­کند تا فیلترهای مکانی هر فعالیت خاص مغزی را به گونه­ای پیدا کند که انرژی منابع یک فعالیت نسبت به فعالیت­های دیگر تصوری حرکتی، بیشینه گردد. یکی از مشکلات این روش این بود که اگرچه باعث جداسازی کلاس­ها می­شود ولی الزاما بیشترین جداپذیری و بهینه­ترین طبقه­بندی را فراهم نمی­کند که در سال 2009 توسط Nasihatkon ثابت شد که CSP از جهتی در بین تمام نگاشت­های ممکن هم بهترین نگاشت است ]15[. در سال 2005 در روشی موسوم به CSSP این ایده دنبال شد که برای یافتن منابع به صورت دقیق­تر، به فیلترینگ فرکانسی نیز نیاز است. از این رو، در آن علاوه بر فیلتر مکانی، یک فیلتر [19]FIR دو جمله­ای ساده نیز تحت شرایطی مشابه با CSP بهینه ­شد ]16[. اگرچه این کار باعث بهبود نتایج BCI شد ولی تعداد کم پارامترهای فیلتر فرکانسی استفاده شده در CSSP[20] جای را برای بهبود بیشتر باز گذاشت. از این­رو در سال­های پس از آن، تحقیقات زیادی با دیدگاه­های متنوعی، در جهت بهبود و رفع نواقص و مشکلات فیلترینگ فرکانسی همراه با CSP، صورت گرفته است. با این حال، عدم استفاده کامل از مزایای فیلترینگ فرکانسی، عدم هماهنگی بین فیلترهای مکانی، فرکانسی و وزن­های طبقه بندی کننده، ارتباط کم تابع هدف بهینه­سازی و دقت طبقه بندی، تعداد بالای فیلترهای مکانی-فرکانسی تخمین زده شده و در نتیجه آن بالا بودن هزینه محاسباتی، از جمله مشکلات روش­های پیشین به شمار می­رود. در همین راستا در سال 2013 روشی به نام DSSPL[21]، توسط Fattahi و همکاران برای تخمین سیگنال منابع الکتریکی مغز پیشنهاد گردید که تا حد زیادی نواقص یاد شده را برطرف می­نماید. در این روش تمامی فیلترهای فرکانسی و مکانی و همین­طور وزن­های طبقه بندی کننده در روشی تکرار پذیر بهینه می­گردند. از آنجا که تمامی فیلترها و وزن­های طبقه بندی کننده به دست آمده توسط تابع هدف مشابهی بهینه شده­اند، بین نتایج آن­ها هم­راستایی و هماهنگی کافی ایجاد می­شود. این امر در نهایت باعث افزایش دقت طبقه بندی فعالیت­های BCI می­گردد ]17[. بنابراین همان­طور که در بالا ذکر شد، در راستای فیلترهای خطی CSP، فعالیت­های زیادی در زوایای مختلف، صورت گرفته و نسبتا به جواب­های مناسبی نیز منجر شده که به عنوان نمونه در این زمینه، چندین تحقیق در بالا توضیح داده شد. ولی در راستای فیلترهای غیر خطی CSP که مبنای همین تحقیق قرار گرفته است، هنوز چالش­های بسیاری وجود دارد تا به جوابی مناسب و فراگیر رسد.

     به نظر می رسد اولین تلاش برای فرمولاسیون نسخه غیر خطی CSP در زمینه EEG توسط Sun و Zhang در اواخر سال 2005 ارائه گردیده است ]18[ که از یک تابع کرنل ناهمگن چندجمله­ای ساده برای استخراج ویژگی­ها استفاده کرده­اند. گرچه روش آن­ها تا حدودی محدود می­باشد. به عنوان مثال در این روش بایستی به تعداد مساوی سیگنال نمونه آزمایشی از هر حرکت انتخاب شود. مشکل اساسی دیگر، پیچیدگی فوق­العاده مساله هم از نظر زمان و هم از نظر حافظه است که همین امر باعث شده که محققان فقط از 30 نمونه آموزشی برای هر حرکت استفاده کنند. فرمولاسیون کلی­تری از مساله، در سال 2007 توسط Zhang و همکارانش ارائه شد ]19[ که بر مشکل اول غلبه می­کند ولی با این وجود هنوز مساله پیچیدگی الگوریتم را به همراه داشت.

     برای حل مشکل پیچیدگی الگوریتم، در سال 2008 در تحقیقی که توسط Liu و همکاران انجام گرفت، راه حلی ارائه شد. در این روش کلیه داده­ها با یک مجموعه نسبتا کوچک از نقاط جایگزین می­شوند که از نظر آمارگان مرتبه دوم معادل نقاط اولیه می­باشند (به عبارت دیگر ماتریس کوواریانس آن­ها با ماتریس کوواریانس داده­ها یکسان است). البته این جایگزینی باید در فضای بعد بالا انجام شود. به این صورت که در ابتدا کل داده­ها به زیر مجموعه­های کوچک­تر تقسیم می­شوند تا الگوریتم، کاهش نمونه­ها را در فضای بعد بالا در هر زیر مجموعه انجام دهد. داده­های معادل درجه دو[22] در فضای بعد بالا در هر زیر مجموعه به صورت ضمنی توسط روش kernel PCA ]20[ به دست می­آید. در این روش ابتدا داده­ها از یک تابع کرنل غیرخطی عبور داده می­شوند و سپس بعد (dimension) آن­ها توسط روش PCA کاهش می­یابد. در مواقعی که تعداد نمونه­ها خیلی زیاد باشد آن­ها را به تعدادی دسته (batch) تقسیم­بندی می­کنند و بعد نمونه­های هر دسته را جداگانه کاهش می­دهند. چالش اصلی این روش یافتن تعداد دسته­ها و تعداد نمونه­ها در هر دسته می­باشد ]21[.

     در سال 2009، Nasihatkon و همکارانش ثابت کردند که فرمول CSP کاملا سازگار با معیار جداپذیری Fisher است. هم­چنین دو عیب عمده روش غیر خطی kernel CSP را بررسی کردند. اولین مشکل الگوریتم یعنی پیچیدگی زمانی و حافظه­ای در برخورد با داده­هایی چون سیگنال­های EEG، با دسته­بندی داده­ها به دسته­های کوچک و استفاده از مرکز دسته­ها به عنوان داده­های جدید حل شد. و مشکل دوم مساله، به این صورت بیان شد که الگوهایی که سیگنال­های منشا حرکات در مغز را به سیگنال­های ضبط شده EEG ربط می­دهند، بسیار به حالت خطی نزدیک هستند و جز غیر خطی این الگوها نیز در افراد مختلف، متفاوت است. در اینجا این مشکل به وسیله استفاده از توابع کرنلی[23] حل شد که به حالت خطی نزدیک بوده و در عین حال توانایی مدل کردن مقدار اندک غیرخطی سیستم را دارا بود ]22[. در سال 2010، Zhao و همکارانش روشی به نام GCSP[24] بر مبنای روشGSVD[25] و توابع کرنل مطرح کردند. این روش را با وجود یکتایی ماتریس کوواریانس مکانی، می­توان هم در فضای اصلی و هم در فضای ویژگی اعمال نمود. هم­چنین روشی موسوم به Regularized GCSP در این تحقیق برای حل مشکل overfitting، با اضافه کردن پارامترهای تنظیم کننده بین چند تابع هدف[26]، به GCSP، ارائه دادند ]23[.

[1] Electroencephalography

[2] Magnetoencephalography

[3] Brain Computer Interface

[4] Amyotrophic Lateral Sclerosis

[5] Neuromuscular Disorders

[6] Motor Imagery

[7] Unilateral limb

[8] Contralateral Sensorimotor Cortex

[9] Ipsilateral Sensorimotor Cortex

[10] Common Spatial Pattern

[11] Classify

[12] K Nearest Neighbors

[13] Liner Discriminant Analysis

[14] Synchronization

[15] Gray Walter

[16] Event Related Potential

[17] Event Related Synchronization/ Desynchronization

[18] Trial or signal

[19] Finite Impulse Response

[20] Common Spatio-Spectral Pattern

[21] Discriminative Spatio-Spectral Pattern Learning

[22] Quadratic Equivalent Points

[23] Hybrid kernel function

[24] Generalized Common Spatial Pattern

[25] Generalized Singular Value Decomposition

[26] Regularized

Abstract

Enhancement of Common Spatial Pattern Filtering Methods to Increase the Performance of Brain-Computer Interface Systems

    Brain Computer Interface (BCI) systems try to translate EEG changes which resulting from motor imageries, into the form of cursor or object movement on the screen. This ability can be worked for the sensory and motor neuropathy patients and help them communicating with their environment. Current BCI systems are still not commercialized duo to their insufficient accuracies.

    Although Common Spatial Pattern (CSP) is an effective method for BCI applications, it still has some challenges to get the best features of the EEG signals.

    This study aimed at modifying kernel CSP method (nonlinear CSP) in two different ideas: The first one is personalized kernel CSP which obtains two new compound methods. The first compound method combine the frequency-local information of the data to the CSP algorithm due to help finding more distinct features. In this way, accuracy of specification of the classifier is improved. In the second method, CSP is equipped with the co-activations of the channels. In other words, correlations values of the two by two channels belonging to each person, were incorporated to the kernel CSP algorithm in two different ways. Experimental results on a set of EEG signals reveal that the both proposed ways affect positively and outperformed the standard kernel CSP.

    The second mentioned idea is Adaptive kernel CSP. This idea is first be done by defining of a kernel function with some free parameters which can be set by cross validation. The other way which is considered to adapt the kernel CSP, is updating the kernel covariance matrix by the input data. In this way, tracking the changing characteristics of the input data is provided and it can help obtaining best features of the data but up to the results of these two last ways, these ways carry some problems and couldn’t provide more specification accuracy than the standard kernel CSP. Then, they should be modified in the future works.

راهکار دوم، سازگار کردن الگوریتم با ورود داده جدید است که اینکار یکبار با تعریف تابع کرنلی با تعداد پارامترهای آزاد زیاد صورت گرفته است و بار دیگر با به روزرسانی ماتریس کوواریانس کرنلی شکل گرفته است که طبق نتایج به دست آمده، این راهکار از هر دو طریق با مشکلاتی همراه بوده و نتوانسته دقت تشخیص بالاتری را فراهم آورد. بنابراین باید در کارهای آینده اصلاحاتی بر روی آن­ها صورت گیرد