ارتباط‎ مغز-رايانه دوبعدي مبتني بر توجه انتخابي ديداري به كمك سيگنال-هاي MEG

A two-dimensional brain-computer interface based on visual selective attention by Magnetoencephalograph (MEG) signals

چكيده: شناخت حالت‎هاي مغزي انسان خصوصاً پديده «توجه» به‎عنوان يكي از بارزترين فعاليت‎هاي شناختي مغز، در بسياري از بيماري‎ها مانند نقص توجه - پر تحرّكي، درخودماندگي، نقص عصب، نقص عضو و هم چنين در بسياري از زمينه‎ها نظير تصميم‎گيري، درمان اعتياد، يادگيري، دروغ‎سنجي، ارتباط مغز- رايانه، رانندگي، نگاهباني اماكن حفاظتي، سوزنباني قطار و خلباني كاربرد دارد. هدف اصلي اين مقاله، ارايه روشي كارا براي ارتباط مغز-رايانه (BCI) دوبُعدي مبتني بر «توجه انتخابي ديداري» با استفاده از سيگنال‎هاي MEG است. توجه انتخابي، يك فرآيند شناختي است كه در آن شخص تمركز خود را به طور انتخابي روي يك وجه قرار داده و وجوه ديگر و نيز برخي عوامل منحرف-كننده را ناديده مي‎گيرد. در اين مقاله، به علت خواص خوب سيگنال مغزي MEG، از آن به‎عنوان سيگنال كنترلي در BCI استفاده مي‎شود. پس از پيش‎پردازش داده، ويژگي‎هايي نظير ضرايب موجك دابشيز و آنتروپي تقريبي از سيگنال MEG استخراج مي‎شوند. معمولاً تمام ويژگي‎هاي استخراجي براي دسته‎بندي مفيد نيستند، بنابراين از الگوريتم تحليل مولفه‌هاي اصلي (PCA)، براي انتخاب مناسب‌ترين دسته ‌ويژگي ها استفاده مي‎شود. ويژگي‎هاي بهينه استخراج شده، به يك ماشين بردار پشتيبان با هسته‎هاي چندجمله‎اي، تابع پايه شعاعي و هم چنين ماشين بردار پشتيبان موجك (WSVM) با هسته‎هاي مورلت و كلاه مكزيكي براي طبقه‎بندي داده مي‎شوند. درنهايت اين مقاله مي‎تواند محل حضور محرك را با درصد صحت متوسط 26/92% به كمك دسته‎بندي كننده با هسته مورلت از روي سيگنال MEG تشخيص ‎دهد. از مطالعه نواحي مختلف مغزي مشاهده مي‎شود، بيش ترين درصد صحت، مربوط به نواحي پيشاني و گيجگاهي است. از نتايج تحقيق مي‎توان براي شناسايي بهتر نواحي مختلف مغز در حالت توجه انتخابي ديداري استفاده كرد. نتايج شبيه سازي بيانگر موثر بودن اين روش در كاربردهاي BCI با صحت 26/92% است.

Abstract: Understanding the human brain states, especially “attention” phenomena, is one of the most important aspects of cognitive sciences and has many fields such as in rehabilitation, attention deficit hyperactivity disorder and autism and also has many applications such as in decision making, addiction treatment, learning, polygraphs, brain-computer interface, driving, protection places, bonnie needle train and pilotage. The main goal of this research is to discover the relationship between visual selective attentions with a two-dimensional brain-computer interface by magnetoencephalography (MEG) signals. Selective attention is a cognitive process in which a person puts their focus selectively on one aspect of information and ignores its other aspects and distorting factors. In this research due to the good properties of MEG signals they are used as control signals in BCI. After pre-processing of the MEG signals, features such as wavelet coefficient (Daubechies) and approximate entropy are extracted. Usually, not all features are beneficial for classification, so the algorithm of principal component analysis (PCA) is used to select the most appropriate feature sets. These optimum features are sent to a support vector machine with different kernels such as polynomial and RBF and also wavelet support vector machine (WSVM) with different kernels such as Morlet and Mexican hat for classification. The simulation results indicate that the proposed system can predict the location of the attended stimulus with a high average accuracy (92.26%).