توضیحات
عنوان فارسی: آزمایش های موثر بر افزایش الگوهای یکپارچه مغزی در تشخیص و جداسازی تصاویر ذهنی
عنوان انگلیسی مقاله ترجمه شده:
Single-trial effective brain connectivity patterns enhance discriminability of mental imagery tasks
آزمایش های موثر بر افزایش الگوهای یکپارچه مغزی در تشخیص و جداسازی تصاویر ذهنی
دیرج راته، هابرت کیوتتی، گیریژه پرازد
مرکز تحقیقات سیستم های هوشمند، دانشکده محاسبات و سیستم های هوشمند، دانشگاه اولستر، درری-لندندری، نیویورک، ایرلند، انگلستان.
پست الکترونیکی: rathee-d@email.ulster.ac.uk
اکتبر۲۰۱۶
چکیده:
هدف: اکثر رویکردهای در حال حاضر سیستم های BCI مبتنی بر اتصال متمرکز بر تمایز بین وظایف مختلف تصاویر حرکتی (MI) است. مناطق مغزی مرتبط با MI از نظر تشریحی به یکدیگر نزدیک هستند، از این رو این سیستم های BCI از عملکرد پایین رنج می برند.
هدف ما این است که سیستم BCI مبتنی بر قابلیت اتصال یکپارچه را برای وظایف مبتنی بر تصویر شناختی (CI) معرفی کنیم که در آن مناطق مغز مرتبط با آن دورتر نسبت به MI قرار گرفته است.
رویکرد: ما علت گرانروی جزئی (PGC) را برای برآورد ویژگی های اتصال در یک تنظیم BCI اجرا کردیم. فرضیه پیشنهادی با دو مجموعه داده موجود شامل وظایف MI و CI تأیید شده است.
نتایج اصلی: از این سیستم نتیجه گیری می شود که ویژگی های مبتنی بر اتصال می تواند عملکرد بهتر را نسبت به یک چارچوب پردازش سیگنال کلاسیک بر اساس ویژگی های توانایی باند همراه با ترسیم فضایی برای وظایف CI، از جمله تولید، تفریق و ناوبری(جهت یابی) فضایی فراهم کند. این نتایج برای اولین بار نشان می دهند که ویژگی های اتصال می توانند عملکرد قابل اعتماد برای سیستم BCI مبتنی بر تصویر ارائه دهند.
اهمیت: ما نشان می دهیم که ویژگی های اتصال یکپارچه برای وظایف تصویر مخلوط (به عنوان مثال ترکیبی از CI و MI) می توانند از ویژگی های به دست آمده از روش فعلی پیشرفته برخوردار باشند و از این رو می توانند با موفقیت برای برنامه های کاربردی BCI اعمال شوند.
کليدواژگان: رابط مغز و كامپيوتر، تصاوير ذهني، اتصال به اينترنت، عليت گرنجر به طور جزئی.
فهرست اختصارات:
AIC: معیار اطلاعات Akaike
BCI : رابط مغزی-کامپیوتر
BLDA: تحلیل تشخیص خطی بیزی
BOLD: وابسته به سطح اکسیژن خون
CI: تصویر شناختی
CSD: تراکم منبع فعلی
CSP : الگوی فضایی مشترک
DTF: عملکرد انتقال مستقیم
ECoG: الکتروکورتیکوگرافی
ERD: ترمینال مربوط به رویداد
ERS: همگام سازی مربوط به رویداد
FDR: نرخ کشف دروغین
fMRI: تصویربرداری رزونانس مغناطیسی عملکردی
MEG: مغناطیس فلوگرافی
MI: تصویر موتور
MVAR : خودپنداری چند متغیره
PDC: انسجام مستقیم جزئی
PGC: علیت گرنجر جزئی
PMC: موتور پیش ساز
SBIC: معیار اطلاعات شوارتز
SMA: منطقه موتور تکمیلی
- معرفی
فناوری BCI بر اساس تکنولوژی (EEG) می تواند برای اهداف مختلف ارتباطی و کنترلی مانند ×کنترل مکان نما، صندلی چرخدار یا پروتز [۱]،
× صفحه کلید مجازی [۲]
×ناوبری از طریق محیط مجازی اجرا شود.[۳]
این سیستم ها اثرات مثبت قوی بر کاربران غیرفعال را از لحاظ بهبود کیفیت زندگی و برقراری ارتباط با محیط نزدیک خود را تأیید می کنند. علاوه بر این، آنها ابزارهای جایگزین برای کاربران سالم را در قالب سیستم های سرگرمی کنترل شده از EEG مانند بازی های کامپیوتری و کنترل موسیقی [۴و۵] و نیز سیستم های هیبریدی [۶] ارائه می دهند. علاوه بر این، مطالعات اخیر نشان داده است که استفاده از BCI می تواند پلاستیک عصبی در طول دوره آموزش [۷] و احتمالا به بهبود توانبخشی موتور برای بیماران استوک کمک کند [۸]. بنابراین، توسعه این تکنولوژی به چندین زمینه تحقیقاتی مانند پزشکی و مراقبت های بهداشتی، بازاریابی عصبی، سرگرمی و بازی، محیط های هوشمند و امنیت کمک می کند.
بیشتر سیستم های BCI مبتنی بر تشخیص حرکت موتور (MI) بر تغییرات مشخصی در ریتم های (ERD) و هماهنگ سازی مرتبط با رویداد (ERS) متکی هستند که شامل جنبه های زیبایی شناختی تصویر یک حرکت موتور خاص بدون اجرای واقعی آن می باشند [۹و۱۰و۱۱]. اگر چه نتایج و دستاوردهای امیدوار در ادبیات گزارش شده است [۱۲]، بسیاری از چالش ها و موانع موجود برای استفاده از این فن آوری به طور قابل اعتماد و موثر برای کسانی که در نظر گرفته شده است، وجود دارد [۱۳]. یکی از دلایل احتمالی محدودیت MIbased BCI استفاده از ویژگی های مشتق شده کانال استاتیک است.(مانند BP)، (AR)، الگوهای فضایی مشترک (CSP) و که ممکن است حاوی اطلاعاتی در مورد تعاملات در مناطق مغزی باشد، در حالی که به خوبی شناخته شده است که مناطق متعدد مغز به طور پویا در انجام یک وظیفه هستند . بنابراین، منطقی است فرض کنیم که اتصال از مناطق فضایی توزیع شده می تواند ویژگی های اختیاری مفیدی را برای طبقه بندی پاسخ های مغز ایجاد شده در طول وظایف تصویری ارائه دهد.
مغز انسان بر اساس ویژگی های تشریحی و فیزیولوژیکی آن به مناطق مختلف تقسیم شده است [۱۴]. این مناطق به یکدیگر متصل می شوند تا شبکه های مغزی کاربردی را تشکیل دهند که به طور پویا برای انجام کارهای مختلف حسگر و شناختی کار می کنند. تجزیه و تحلیل این اتصالات شبکه (connectome) و پویایی آنها در حالت های مغزی مختلف ممکن است درک بهتر مکانیسم های فیزیولوژیکی مربوط به آنها را فراهم کند. با این حال، ارزیابی قابلیت اتصال پذیری قادر به ارائه اطلاعات دقیق در مورد جهت گیری یعنی اینکه آیا اطلاعات از منطقه A به منطقه B انتقال دارد یا برعکس است. تجزیه و تحلیل وابستگی الکترونیکی می تواند روابط بهتر بین دو ناحیه مورد علاقه را با ارائه تعاملات هدایت شده به دست آورد. بنابراین ارتباط موثر، یک معیار مناسب برای ارزیابی بهتر تغییرات فیزیولوژیک القا شده در مغز است که در طول وظایف تصویری اتفاق می افتد.
توجه:
- برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
- لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.
به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.
سفارش ترجمه مقاله
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.