نوع مقاله: مقاله کامل پژوهشی

نویسندگان

گروه مهندسی پزشکی دانشکده مهندسی برق دانشگاه علم و صنعت ایران تهران ایران

10.22041/ijbme.2019.108563.1486

چکیده

کنترل پروتز عصبی به منظور بازیابی عملکرد دست افراد مبتلا به فلج در اندام‌های فوقانی، یکی از کاربردهای مهم سیستم‌های BCI می‌باشد. توانایی گرفتن اجسام، از ابتدایی‌ترین نیازها برای انجام کارهای روزانه است و برای عملکرد صحیح پروتز عصبی بدین منظور، لازم است کاربر بتواند مقدار نیروی لازم برای گرفتن اجسام را کنترل کند. به همین دلیل افزایش دقت رمزگشایی پیوسته نیرو، موضوعی مهم برای عملکرد صحیح این نوع سیستم‌های BCI می‌باشد. در اغلب پژوهش‌های صورت گرفته در زمینه رمزگشایی نیرو، از مدل‌های خطی مانند فیلتر وینر، فیلتر کالمن و PLS استفاده شده و تاکنون تاثیر استفاده از مدل‌های غیرخطی بر دقت رمزگشایی نیرو مورد بررسی قرار نگرفته است. هدف این پژوهش، بررسی تاثیر استفاده از مدل‌های رگرسیون غیرخطی مبتنی بر توابع کرنل بر دقت رمزگشایی نیروی دست موش صحرایی با استفاده از سیگنال‌های پتانسیل میدانی محلی می‌باشد. بدین منظور، روش‌های رگرسیون ستیغی، PCR و PLS را در نظر گرفته و با استفاده از تابع کرنل گوسی، تعمیم‌یافته غیرخطی آنها را برای تخمین پیوسته نیرو به کار گرفته‌ایم. ارزیابی و مقایسه روش‌های رگرسیون ستیغی کرنلی، PCR کرنلی و PLS کرنلی نشان می‌دهد که در نظر گرفتن ارتباطات غیرخطی بین ویژگی‌های سیگنال مغزی، دقت رمزگشایی نیرو را نسبت به مدل‌های خطی بهبود می‌بخشد. درصد بهبود میانگین ضریب R2، 12.7% برای روش رگرسیون ستیغی کرنلی نسبت به روش ستیغی، 25.5% برای روش PCR کرنلی نسبت به PCR و 19.1% برای روش PLS کرنلی نسبت به PLS بوده است. بهترین دقت رمزگشایی نیرو نیز به ازای روش رگرسیون ستیغی کرنلی و با میانگین ضریب همبستگی 72% و مقدار R2 برابر 0.62 بدست آمده است.

کلیدواژه‌ها

عنوان مقاله [English]

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

نویسنده [English]

  • Maryam Fatemi

Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology (IUST), Tehran, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Brain Computer Interface (BCI)
  • Local Field Potential
  • Continuous Force Decoding
  • nonlinear regression