ارزيابي مدل هاي غيرخطي مبتني بر توابع كرنل براي رمزگشايي نيرو با استفاده از سيگنال-هاي پتانسيل ميداني محلي

Evaluation of nonlinear models based on Kernel functions for decoding of force using local field potential signals

كنترل پروتز عصبي به منظور بازيابي عملكرد دست افراد مبتلا به فلج در اندام‌هاي فوقاني، يكي از كاربردهاي مهم سيستم‌هاي BCI مي‌باشد. توانايي گرفتن اجسام، از ابتدايي‌ترين نيازها براي انجام كارهاي روزانه است و براي عملكرد صحيح پروتز عصبي بدين منظور، لازم است كاربر بتواند مقدار نيروي لازم براي گرفتن اجسام را كنترل كند. به همين دليل افزايش دقت رمزگشايي پيوسته نيرو، موضوعي مهم براي عملكرد صحيح اين نوع سيستم‌هاي BCI مي‌باشد. در اغلب پژوهش‌هاي صورت گرفته در زمينه رمزگشايي نيرو، از مدل‌هاي خطي مانند فيلتر وينر، فيلتر كالمن و PLS استفاده شده و تاكنون تاثير استفاده از مدل‌هاي غيرخطي بر دقت رمزگشايي نيرو مورد بررسي قرار نگرفته است. هدف اين پژوهش، بررسي تاثير استفاده از مدل‌هاي رگرسيون غيرخطي مبتني بر توابع كرنل بر دقت رمزگشايي نيروي دست موش صحرايي با استفاده از سيگنال‌هاي پتانسيل ميداني محلي مي‌باشد. بدين منظور، روش‌هاي رگرسيون ستيغي، PCR و PLS را در نظر گرفته و با استفاده از تابع كرنل گوسي، تعميم‌يافته غيرخطي آنها را براي تخمين پيوسته نيرو به كار گرفته‌ايم. ارزيابي و مقايسه روش‌هاي رگرسيون ستيغي كرنلي، PCR كرنلي و PLS كرنلي نشان مي‌دهد كه در نظر گرفتن ارتباطات غيرخطي بين ويژگي‌هاي سيگنال مغزي، دقت رمزگشايي نيرو را نسبت به مدل‌هاي خطي بهبود مي‌بخشد. درصد بهبود ميانگين ضريب R2، 12.7% براي روش رگرسيون ستيغي كرنلي نسبت به روش ستيغي، 25.5% براي روش PCR كرنلي نسبت به PCR و 19.1% براي روش PLS كرنلي نسبت به PLS بوده است. بهترين دقت رمزگشايي نيرو نيز به ازاي روش رگرسيون ستيغي كرنلي و با ميانگين ضريب همبستگي 72% و مقدار R2 برابر 0.62 بدست آمده است.

Controlling of neuroprostheses to restore grasping ability in patients with paralyzed or amputated upper limbs is one of the important applications of BCI systems. The ability to get objects is necessary for daily works so, for a reliable function of the neuroprostheses, it is necessary for the user to control the amount of force needed for grasping. For this reason, increasing the accuracy of continuous force decoding is an important issue for the convenient function of these BCI systems. In most studies in the field of force decoding, linear models such as wiener filter, Kalman filter, PLS, etc. are used to decode force. So far, the effect of using nonlinear models is not investigated on force decoding. The goal of this study is to investigate the effect of using nonlinear regression models based on kernel functions on the accuracy of force decoding in Vistar rats using local field potential signals. To do this, we choose ridge regression, PCR and PLS methods and use the Gaussian kernel function to construct a generalized nonlinear model for the force decoding. Evaluating kernel ridge, kernel PCR and kernel PLS methods shows that considering nonlinear relations between brain signal’s features improves decoding accuracy. The mean coefficient of determination (R2) improves 12.7% in kernel ridge toward ridge regression, 25.5% in kernel PCR toward PCR and 19.1% in kernel PLS toward PLS method. The best decoding accuracy has been achieved by the kernel ridge regression method and the mean correlation coefficient between the estimated and measured force is 0.72 and R2 is 0.62.