مغز و سیگنال‌های دریافتی مربوطه – علیرضا محمودی فرد

به گزارش کلام ماندگار، سیستم رابط مغز و کامپیوتر مبتنی‌بر الکتروانسفالوگرام، فعالیت مغز شرکت‌کننده را تشخیص داده و اهداف آن را بدون فعال کردن عصب یا عضله محیطی به دستورات تبدیل می‌نماید. شیوع بیماری کووید ۱۹ نیازمندی‌های افراد مبتلا به اختلالات شدید در حمل و نقل روزمره، تحرک، آموزش و مراقبت‌های بهداشتی را روشن نموده است. سیستم BCI مبتنی بر الکتروانسفالوگرام، راه‌حل بهتری را برای بیماران ناتوان در موقعیت‌های همه‌گیر کووید ۱۹ به‌کمک انواع دستگاه‌های الکترونیکی همچون ویلچر ارائه می‌دهد. به‌منظور انجام فعالیت‌های ویژه مثل کنترل لوازم خانگی و ویلچر، سینت‌سایزرهای گفتار، بازوهای رباتیک، رایانه‌های دیجیتال و برنامه‌های بازی، فعالیت‌های روشن‌شده مغز بلادرنگ به دنباله‌ای از دستورات به‌کمک برنامه‌های BCI رمزگشایی می‌گردند. سیستم‌های BCI را می‌توان به‌طورکلی به دو شکل طبقه‌بندی نمود: حالت اول BCI همزمان می‌باشد که یک رویه مبتنی‌بر نشانه و کامپیوتر محور می‌باشد و BCI ناهمزمان حالت دوم بوده که روشی مبتنی‌بر نشانه و کاربر محور نمی‌باشد. فعالیت مغز را می‌توان با روش‌های غیر تهاجمی مانند تصویربرداری پاسخ مغناطیسی عملکردی، مگنتوانسفالوگرام و الکتروانسفالوگرام بررسی نمود.

به‌طور کلی می‌توان گفت سیستم BCI از چند بخش تشکیل شده است: دریافت سیگنال، پردازش سیگنال، تجهیزات کنترل و پیوند بازخورد. فناوری اکتساب سیگنال در سیستم‌های BCI را می‌شود به دو گروه روش‌های غیرتهاجمی و روش‌های تهاجمی تقسیم نمود؛ در حالی که روش‌های تهاجمی مثل کاشت الکترود به‌طور مستقیم در مغز در برخی مطالعات مورد بررسی قرار گرفته‌اند، به‌علت خطرات احتمالی و عملیات پیچیده، معمولا زیاد استفاده نمی‌شوند؛ در نتیجه در اکثر مطالعات از روش‌های غیر تهاجمی استفاده می‌گردد؛ روش‌های غیرتهاجمی شامل تصویربرداری تشدید مغناطیسی عملکردی، طیف‌سنجی مادون قرمز نزدیک، مغناطیسی مغزی، الکتروانسفالوگرافی و توموگرافی انتشار پوزیترون می‌باشد. سیگنال‌های مغزی، ابزاری مفید به‌منظور انعکاس مستقیم فعالیت‌های مغز، هم در BCI و هم در کاربردهای بالینی هستند؛ به‌عنوان نمونه، یک کاربرد معمولی از سیستم‌های EEG-BCI کنترل بازوی ربات توسط سیگنال‌های مغزی است که نه تنها برای افراد ناتوان، بلکه برای افراد عادی برای بهبود زندگی‌شان بسیار مفید می‌باشد؛ در نتیجه، تجزیه و تحلیل سیگنال‌های مغزی به‌گونه‌ای که کاربردهای گوناگونی را در BCI جای دهد، دارای اهمیت می‌باشد. پردازش سیگنال EEG شامل سه مرحله می‌باشد: پیش‌پردازش، استخراج ویژگی و طبقه‌بندی. سیگنال‌های نوار مغز معمولا با استفاده از چندین الکترود روی پوست سر جمع‌آوری می‌گردند، به‌کمک الکترودهایی که در مکان‌های مختلف روی سر قرار گرفته تا سیگنال‌ها را از نواحی مختلف مغز جمع‌آوری نمایند؛ موقعیت یا ترتیب الکترودها، مونتاژ نامیده می‌شود و دو دسته کلی از مونتاژها وجود دارد: دو قطبی و ارجاعی؛ مورد اول نوعی الکترود را با همسایگانش مقایسه کرده و اختلاف آن‌ها را به‌عنوان یک کانال خروجی هدایت می‌کند و دومی نوعی الکترود مرجع را انتخاب کرده و تمام الکترودهای دیگر را با این الکترود مقایسه می‌نماید؛ پس از جمع‌آوری داده‌ها، سیگنال‌های نوار مغزی خام به‌عنوان تانسورهای دو بعدی (توالی‌های یک بعدی چند کاناله) با شکل C × T نمایش داده شده که در آن C و T به‌ترتیب تعداد کانال‌ها و نمونه‌های زمانی را نمایش می‌دهند؛ اکثر مجموعه داده‌ها از مونتاژ ارجاعی بهره می‌برند، بنابراین در آن مجموعه داده‌ها، نوعی کانال با یک الکترود دارای تطابق است. سیگنال جمع‌آوری شده را می‌توان به‌عنوان مخلوط پیچیده‌ای از فعالیت‌های بسیاری از سلول‌های مغز در نظر گرفت که در نتیجه سیگنال‌های نوار مغزی ریتم‌های گوناگونی را نمایش می‌دهد که حالت‌های شناختی متنوعی را منعکس می‌کند و با فعالیت‌های مختلف مغز مرتبط می‌باشد. ریتم‌های گوناگون را می‌توان به‌شکل کلی بر اساس فرکانس به چندین باند، از جمله دلتا (۱-۴ هرتز)، تتا (۴-۸ هرتز)، آلفا (۸-۱۲ هرتز)، بتا (۱۳-۲۵ هرتز) و گاما (≥۲۵) طبقه‌بندی نمود؛ علاوه‌بر این، سیگنال‌های نوار مغزی می‌توانند دارای پارادایم‌های مختلفی باشند که به انواع گوناگونی از وظایف یا محرک‌ها اشاره می‌نمایند؛ پارادایم‌های رایج عبارتند از: P300، تصاویر حرکتی، حالت پایدار بصری پتانسیل برانگیخته و غیره؛ این پارادایم‌ها اغلب مرتبط با یکدیگر در ارتباط هستند و به کنترل یک وسیله برای حرکت مربوط می‌گردد؛ با این وجود، برای پردازش موثر سیگنال‌های مغزی، اهمیت دارد که بعضی از ویژگی‌های ذاتی آن‌ها را هم در نظر گرفت، از جمله این ویژگی‌ها عبارتند از:

1. وضوح فضایی پایین و نسبت سیگنال به نویز پایین: سیگنال‌های ثبت شده از مغز، مستعد تداخل و آرتیفکت‌های گوناگون هستند؛ در نتیجه، پردازش سیگنال باید چالش‌های جداسازی نویز از سیگنال‌های غیرعادی و استخراج ویژگی‌های معنادار را برطرف نماید.
2. فاجعه ابعاد: سیگنال‌های ثبت شده از مغز در طول اکتساب کانال‌های گوناگونی داشته که بیشتر شدن ابعاد آن، سبب افزایش نمایی محاسباتی می‌شود.
3. ثابت نبودن: آمار سیگنال‌های حیاتی مغزی در طول زمان سریعا تغییر می‌نماید.
4. عدم وجود نمونه‌های آموزشی بزرگ با برچسب: با توجه به نیاز به تمرکز بالای شرکت‌کنندگان در حین جمع‌آوری داده‌ها، به‌دست آوردن تعداد زیادی از داده‌های مغز دشوار است؛ به‌عنوان نمونه، تحریک بصری مکرر در طول دریافت سیگنال‌های پتانسیل برانگیخته بصری می‌تواند سبب خستگی بصری گردد؛ در نتیجه، اکثر مجموعه‌های داده دارای تعداد محدودی نمونه هستند.
5. موضوع خاص: سیگنال‌های ثبت شده مغزی به‌شکل قابل‌توجه در بین افراد متفاوت می‌باشد که منجر به ثبات و تعمیم ضعیف می‌گردد. مدل‌های آموزش دیده در موضوعات خاص ممکن است در موضوعات جدید عملکرد خوبی نداشته باشند؛ علاوه‌بر این، برخلاف پردازش تصویر و پردازش زبان طبیعی، ما دانش خاصی از فعالیت فیزیولوژیکی مغزمان نداریم؛ این بدان‌معنی می‌باشد که نمی‌توانیم به‌شکل عینی انواع سیگنال‌های مغزی را درک کرده یا دانش قبلی خود را بر روی آن‌ها اعمال کنیم.

علیرضا محمودی‌فرد – کارشناس تحقیق و توسعه شرکت فنی و مهندسی آریا اندیشه صنعت اکسین