طراحي و گسترش يك سيستم رابط مغز رايانه به منظورجا به جايي اشيا از راه دور توسط بازوي رباتي در محيط واقعي

كارشناسي ارشد

يك رابط مغز -كامپيوتر (BCI) كاربر را قادر مي سازد تا با استفاده از سيگنال هاي مغزي، به طور مستقيم با رايانه ارتباط برقرار كند. الكتروانسفالوگرافي (EEG) به دليل مزايايي همچون ماهيت غيرتهاجمي و استفاده آسان، به طور گسترده در BCI استفاده مي شود. هنگامي كه محركي به طور تصادفي رخ دهد، سيگنال P300 حدود 300 ميلي ثانيه پس از محرك، در EEG ظاهر مي شود. در اين مطالعه توسعه بازوي رباتيك براي جابجايي اشياء به مكان مورد نظر، توسط محرك بينايي و سيگنال P300 انجام شده است. بدين منظور يك رابط كاربري گرافيكي (GUI) نوآورانه پيشنهاد شد تا كاربر بتواند با كمترين دستور BCI، اشيا را جابجا كند. كاربر ابتدا شي مورد نظر را در اولين GUI انتخاب و در GUI دوم تاييد مي كند. سپس براي جابجايي شي انتخاب شده، مقصد مورد نظر خود را در GUI سوم انتخاب و در GUI چهارم تاييد مي كند. پس از پايان انتخاب هاي كاربر، مسير حركت ربات با استفاده از سينماتيك معكوس و مختصات جسم و مقصد (كه همزمان توسط دوربين نصب شده بر روي ميز پردازش شده است)، طراحي مي شود. علاوه بر اين، يك سوئيچ مغزي در اولين GUI طراحي شد تا كاربر طبق اراده خود سيستم را در حالت كنترل يا غيركنترل قرار دهد. به دليل ماهيت غير ايستايي سيگنال هاي مغزي، داده آموزش زيادي براي كاربر جديد لازم است. اين روند وقت گير و باعث خستگي كاربر مي شود. يادگيري انتقالي رويكردي براي كاهش زمان آموزش و بهبود عملكرد سيستم است. با اين حال نحوه انتقال موثر اطلاعات از كاربران قبلي به كاربر جديد چالش بزرگي است. در اين تحقيق يك روش يادگيري انتقالي جديد بر مبناي معيار فيشر پيشنهاد شده است كه از ويژگي‌هاي استخراج ‌شده از كاربر قبلي به منظور كاهش داده‌هاي مورد نياز از كاربر جديد، استفاده مي‌كند. ما از مدل تركيبي جديد مبتني بر استخراج ويژگي از شبكه عصبي كانولوشن (CNN) و طبقه ‌بندي با شبكه عصبي بولتزمن (DRBM)، به عنوان مدلِ طبقه بند استفاده كرديم. عملكرد يادگيري انتقالي پيشنهادي و طبقه ‌بند تركيبي جديد، بر داده¬ي استاندارد II از سومين مسابقه BCI بررسي شد كه در مقايسه با مطالعات اخير، نتايج بهتري به دست آمد. سپس آزمايش ها در دو جلسه برون خط و برخط بر 4 داوطلب انساني با رده سني 28_59 سال انجام گرفت. در حالت برون خط، يادگيري انتقالي پيشنهادي در مقايسه با دو روش يادگيري انتقالي تبديلِ اقليدسي و تنظيمِ دقيق بهتر ظاهر شد. همچنين طبقه ‌بند تركيبي پيشنهادي با 4 روش CNN، تحليل تفكيك فضايي_زماني، ماشين هاي برداري پشتيبان (SVM) و تركيب CNN_SVM مقايسه شد و به طور ميانگين عملكرد بهتري ‌داشت. در آزمايش هاي برخط از كاربر خواسته شد 4 جسم از پيش تعيين شده را به 4 مقصد مورد نظر جابجا كنند. با استفاده از يادگيري انتقالي پيشنهادي و طبقه بند تركيبي جديد، متوسط دقت 79.2% و نرخ انتقال اطلاعات 19.2 بيت در دقيقه، براي 2 ترايال داده بدست آمد

209209

دانشگاه علم و صنعت ايران

مهندسي پزشكي

عباس عرفانيان اميدوار