ترجمه شناسایی پتانسیل‌های قشر مغز مرتبط با حرکت مبتنی بر روش آموزش مستقل از شخص

توضیحات

 عنوان فارسی:شناسایی پتانسیل‌های قشر مغز مرتبط با حرکت مبتنی بر روش آموزش مستقل از شخص

عنوان انگلیسی مقاله ترجمه شده:

Detection of movement-related cortical potentials based on subject-independent training

شناسایی پتانسیل‌های قشر مغز مرتبط با حرکت مبتنی بر روش آموزش مستقل از شخص

چکیده

برای اینکه بتوان از واسط مغز و رایانه (BCI)، به طور معمول استفاده نمود ,می‌بایست بخش های وقت گیر در آموزشهای فردی به کاربر را کاهش داد و یا ترجیحاً به طور کامل حذف نمود. در این مطالعه، این امکان را بررسی می کنیم که به طور کل مرحله آموزش فردی را در هنگام  شناسایی قصد جنبش در BCI های نامتقارن بر اساس پتانسیل قشر مرتبط با جنبش (MRCP) حذف کنیم .سیگنال های EEG در طول مرحله اقدام به حرکت (ME) یا تصور حرکت (MI) برای عضله زانو از 20 فرد سالم، و نیز 5 فرد با سابقه سکته مغزی جمع آوری گردید. این داده ها برای شناسایی و ایجاد الگویی (الگویی به عنوان میانگین تمام افراد) برای فاز منفی اولیه مربوط به MRCP  ها مورد استفاده قرار گرفتند. البته  پیش از ایجاد الگو از یک فیلتر فضایی بهینه شده به عنوان مرحله پیش پردازش استفاده شد.  با استفاده از این الگو، دقت نتایج (میانگین ± SD) که به عنوان نرخ مثبت صحیح (که بار روش Leave-one-out برآورد شده است) برای مرحله اقدام به حرکت (ME) محاسبه شده است , در آزمون با تنها یک بار تکرار براي افراد سالم و سکته مغزی به ترتیب برابر 21 ± 69 درصد و 11 ± 58 درصد بدست آمد. این عملکرد مشابه نتایجی است که با استفاده از الگوی شخصی منحصربفرد برای هر شخص بدست آمد، که منجر به تطابق  6 ± 71 و12 ± 55 درصدی به ترتیب برای افراد سالم و سکته مغزی گردیده بود. دقت نتایج برای داده های MI برابر با 22 ± 65٪ با قالب متوسط ​​و برابر 13 ± 60٪ با الگوی شخصی سازی شده شد. این نتایج نشان می دهد که احتمالا بتوان قصد حرکت را در شخص بدون گذارندن فاز آموزش فردی و در عین حال بدون افت قابل توجه در عملکرد آن تشخیص داد.

کلمات کلیدی: پردازش سیگنال EEG –  پتانسیل قشر مرتبط با حرکت –  توانبخشی سکته مغزی –  تصور حرکت[1] – آموزش موضوع

1. مقدمه

واسط مغز و رایانه (BCI) کانال ارتباطی جایگزینی را برای کاربران سالم یا معلول از طریق مغز آنها به محیط خارجی ایجاد می نماید. سیستم BCI می تواند تغییرات حالت و شرایط ذهن را از EEG در حال گذر تشخیص دهد و وسیله ای خارجی را کنترل نماید از جمله این وسیله ها میتوان از سیستم تایپ متن، پروتز، و حتی بازی کامپیوتری نام برد. از آنجا که هیچ گونه اعصاب یا عضلات محیطی در این فرآیند دخیل نیستند، سیستم های BCI میتواند به عنوان یک فن آوری کمکی در بیماران مبتلا به اختلالات حرکتی شدید مانند سکته مغزی یا بیماران با نشانگان قفل شده استفاده می شود[4]. در روشهای BCI کلاسیک، سیستم ها نیاز به آموزشهای گسترده و گاها ناامید کننده توسط افراد دارند.[1و6] با این حال، به تازگی، نشان داده شده است که زمان آموزشی لازم برای طبقه بندی نیازهای حرکتی به کمتر از 30 دقیقه رسیده است.[3و14] که البته عملکرد سیستم  نسبت به استراتژی های با آموزش طولانی تر کاهش محسوسی نداشته است [10]. علاوه بر این،کالیبراسیون مستقل از شخص (آموزش) مرتبط با سیستم BCI  برای یک کلاس طبقه بندی دو مرحله ای پیشنهاد شده است.[7]  در سال های اخیر، تحقیقات BCI در زمینه توانبخشی مورد توجه قرار گرفته است. [4، 16] سیستم BCI می تواند هم برای کنترل کردن وسیله ای کمکی که به عنوان جایگزین عملکرد حرکتی مورد استفاده است, قرار گیرد(به عنوان مثال، تحریک الکتریکی عملکردی (FES) اندامهای روبوتیک) [2، 17] و هم برای القاء کردن دستور نوروپلاستیسیته خاصی[2] برای بهبود عملکرد عضو(اثر نورومدولاریتی) استفاده نمود. برای استفاده از نورومدولاریتی ، نیاز به ایجاد رابطه ای قدرتمند با تاخیر کوتاه مدت بین قصد جنبش و تحریک عضلات آسیب دیده وجود دارد[8]. برای این منظور، قصد جنبش باید توسط یک سیستم خود تنظیم شونده BCI با تأخیر کوتاه شناسایی گردد.

 آموزش فردی طولانی مدت به هیچ وجه در این کاربری ها مطلوب نیست، زیرا ممکن است با اثر نورومودولتیسیون مربوط به فاز مداخله[3] اصلی تداخل داشته باشد. در این مطالعه ما بر روی مشخص نمودن قصد حرکت تمرکز کردیم و تمرکز خود را روی توسعه سیستمی خود تنظیم شونده BCI متمرکز کردیم که نیاز به آموزش فردی ندارد.

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.