الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۳۴
کد مقاله
IND34
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
یک الگوریتم کنترل رابط ماشین – مغز طراحی شده از یک رویکرد کنترل بازخوردی
نام انگلیسی
A brain machine interface control algorithm designed from a feedback control perspective
تعداد صفحه به فارسی
۲۳
تعداد صفحه به انگلیسی
۵
کلمات کلیدی به فارسی
الگوریتم, کنترل, رابط ماشین – مغز, کنترل بازخوردی
کلمات کلیدی به انگلیسی
brain, machine interface control algorithm, feedback
control
مرجع به فارسی
سی و چهارمین کنفرانس سالیانه بین المللی IEEE EMBS
ساندیگو، کالیفرنیا، ایالات متحده آمریکا
مرجع به انگلیسی
۳۴th Annual International Conference of the IEEE EMBS San Diego, California USA
کشور
ایالات متحده
یک الگوریتم کنترل رابط ماشین – مغز طراحی شده از یک رویکرد کنترل بازخوردی
چکیده
در این مقاله ما یک الگوریتم نوین کنترل رابط ماشین – مغز (BMI) را ارائه می نماییم، که تحت عنوان فیلتر کالمن بازخوردی مجددا کالیبره شده آموزش دیده – بر حسب نیت (REFIT-KF) خوانده می شود. طراحی REFIT-KF خود حاصل آمده از رویکرد کنترل بازخوردی می باشد که برای الگوریتم کنترل BMI موجود کاربرد دارد. نتیجه طراحی نوآوری هایی می باشد که قابلیت جایگزینی با فرضیه های مدلسازی مطرح شده به وسیله این الگوریتم ها و روش ها، که بر مبنای آن آموزش می بینند، را داشته باشد. در آزمایشات کنترل عصبی آنلاین از یک آرایه ۹۶ – الکترودی که در M1 میمونی تحت عنوان بوزینه دم کوتاه شبه انسان (macaque) انجام شد، الگوریتم کنترل REFIT-KF نشان دهنده ارتقای قابل توجه زیادی در مقایسه با وضعیت کنونی سرعت مرتبط با فیلتر کالمن می باشد، که بر حسب ضریب دو سبب کاهش زمان دستیابی به هدف، و در عین حال حفظ یک دوره نگهداری ۵۰۰ms ، و در نتیجه افزایش زیست پذیری بالینی سیستمهای BMI می شود.
کنترل رابط ماشین مغز رویکرد کنترل بازخوردی
۱- مقدمه
بسیاری از الگوریتم های کنترل رابط اثبات مفهوم ماشین – مغز (BMI) بطور ابتدا به ساکن با استفاده از داده های جمع آوری شده، بدونBMI، یا پروتز عصبی، به صورت حلقه، طراحی، آزمایش و متناسب سازی می شوند (مثل، [۱]–[۵]) به طور مثال، حرکت نشانگر / کرسر در ابتدا به وسیله یک عضو اصلی همانگونه که در شکل ۱ الف نشان داده شده است تحت کنترل قرار می گیرد. در طی این وظیفه، سینماتیک یا نیروی جنبشی حرکت بازو و فعالیت عصبی ثبت می شوند. این داده ها جهت ایجاد یک مدل ریاضی به منظور کاربرد در کنترل عصبی به کار گرفته می شوند. فرضیه اصلی آن است که مشاهدات خروجی های سیگنال عصبی در طی کنترل بازو فراهم آورنده یک تقریب مناسب در ارتباط با ویژگی های سیگنال تحت کنترل مغز می باشد (شکل ۱ ب ). با این وجود، تحت کنترل مغز، یک ویژگی جدید به وسیله دینامیک پروتز عصبی برای کاربران ارائه می گردد. این تغییر در چرخه کنترل احتمالا سبب تغییر استراتژی کاربران و ویژگی های خروجی سیگنال عصبی خواهد شد.
مطالعات دیگر نیز این تغییر را از طریق ثابت نگه داشتن پارامترهای مدل و اجازه افزایش میزان عملکرد با توجه به فراگیری کاربران [۶] یا از طریق پالایش تکراری پارامترها در طی آزمایشات BMI [7] – [۱۰]، مورد توجه و مخاطب قرار داده اند. این رویکردها مشخص کننده آن است که استراتژی های کنترل و همچنین پارامترهای مدل به بهترین وجهی در طی آزمایشات BMI لوپ – بسته از نظر مفهومی مشخص و درک می شوند. در این مطالعه، ما از فلسفه فیلتر کالمن (REFIT-KF) جهت ایجاد الگوریتم کنترل عصبی جدید بهره جسته و تفاوتهای بین حرکت بازو به صورت آفلاین و آنلاین، با توجه به کنترل BMI، در هر دو طرح الگوریتمی و تناسب پارامتر، را مورد بررسی قرار می دهیم. ما این نوآوری های الگوریتمی را مورد تست قرار داده و دستاوردهای BMI را نشان می دهیم.
کنترل رابط ماشین مغز رویکرد کنترل بازخوردی
۲- الگوریتمREFIT-KF
الگوریتم REFIT-KF متشکل از دو نوآوری طراحی می باشد که بر مبنای الگوریتم کنترل عصبی در فیلتر کالمن به کار گرفته شده است (شکل ۲ الف). بردار حالت سینماتیک، ، مشخص کننده موقعیت و سرعت مکان نما ( )، همراه با جزء ثابت جهت انباشته سازی نرخهای فعالیت پایه می باشد. سیگنال اندازه گیری شده عصبی می باشد که به عنوان شمارش های رویداد دسته بندی شده تلقی می گردد. پهنای محدوده نوعی به کار گرفته شده در این مطالعه از ۱۰ میلی ثانیه الی ۱۰۰ میلی ثانیه است. این سیستم به صورت گاوسی – خطی مدل سازی شده است.
که در آن و معرف ویژگی های سنجشی مدل خروجی و جنبشی می باشد و و عدم قطعیت گاوسی و نویز اضافه شده است که به صورت و تعریف می گردد. A اقدام به مدلسازی گذار حالت سینماتیک برای یک مرحله زمانی نموده و C نیز قابلیت مدل سازی نگاشت از حالت سینماتیک / جنبشی به خروجی عصبی را خواهد داشت. در عمل، ما اقدام به مقید سازی فرم A و ویژگی های سنجشی W نمودیم به گونه ای که سرعت جامع به طور کامل قابلیت توصیف موقعیت را داشته باشد.
پس از متناسب سازی، و نوعا نزدیک به صفر بوده و و کمتر از ۱ می باشند. مدل حاصله ارائه دهنده دینامیک سرعت میرا شده خواهد بود. بنابراین، با توجه به عدم برآوردهای عصبی، ما انتظار داریم تا مکان نمای در حال حرکت به صورت یکنواخت از سرعت خود بکاهد. در صورتیکه اقدام به تنظیم ماتریس کامل C نماییم، بنابراین مدل خروجی عصبی در تعامل با هردوی موقعیت و سرعت خواهد بود. در صورتیکه عبارات موقعیت را به صفر محدود سازیم، چنین مدلی یک فیلتر کالمن سرعت خواهد بود، که به صورت آنلاین در مطالعات قبلی مورد استفاده قرار گرفته است (همانند [۱۱]، [۱۲]).
شکل ۳٫ ایجاد یک مجموعه آموزشی سینماتیک “نیت – مبنا”. (الف) کاربر در امر کنترل آنلاین با استفاده از یک مکان نمای عصبی دخیل می باشد. کد کننده عصبی اقدام به حرکت مکان نما با یک سرعت مشخص (بردار قرمز) می نماید. نیت فرضی حصول یک سرعت مشخص به سمت هدف است. بنابراین، در داده های آموزشی، بردارهای سرعت به صورت چرخشی مدنظر بوده، که خود سبب ایجاد تخمین های سرعت مورد نظر (بردار آبی) می شوند، که برای تنظیم پارامترهایREFIT-KF مورد استفاده قرار می گیرند. (ب) به عنوان یک مثال تغییر شکل به کار گرفته شده برای داده ها از یک آزمایش خاص مدنظر است.
شکل ۲ ب شاخص گرافیکی فیلتر کالمن موقعیت / سرعت می باشد. به دو جزء تقسیم شده است، برای متغیرهای موقعیت و برای متغیرهای سرعت. همانگونه که به وسیله قیدهای ماتریس A مشخص شده است، موقعیت از تاثیر مستقیمی بر سرعت برخوردار نخواهد بود.
الف. نوآوری ۱: تناسب پارامتر
پارامترهای فیلتر کالمن که برای توضیح حرکت بازو از خروجی های عصبی مشخص شده را می توان جهت کنترل مغز به کار گرفت. نمودار فرضی شکل ۱ C نشان دهنده ارتباط بین ویژگی های پارامتر، کیفیت بازسازی آفلاین، و عملکرد کنترلی مشخص شده به وسیله این رویکرد می باشد. در نظر بگیرید که ما می بایست اقدام به روبش سیستماتیک یکی از پارامترهای فیلتر کالمن نموده و کارایی آن را اندازه گیری نماییم. در ارتباط با کیفیت بازسازی نیروی جنبشی بازو، چنین موردی برآورد ویژگی های متناظر بین حرکتهای بازوی مشاهده شده و ایجاد شده می باشد، که می توان آنرا به طور کامل به صورت آفلاین مشخص و درک کرد. برای عملکرد کنترل BMI، ما خواستار اندازه گیری قابلیت کاربر جهت تکمیل اهداف خود در طی کنترل آنلاین می باشیم. رویکرد آفلاین در نظر می گیرد که هر دوی این کاربردها دارای پارامترهای بهینه یکسانی بوده و بنابراین برآوردهای آفلاین و آنلاین از ماکسیمم کلی یکسان (پیکان سیاه) استفاده می نمایند.
ب. نوآوری ۲: الگوریتم کدبرداری
تحقیق جاری به صورت نوعی قابلیت کدبرداری هر موقعیت (همانند [۱]،[۴]) یا سرعت (همانند [۹]) را دارد. در مقایسه با کدبردارهای موقعیت و سرعت، بیماران دچار ضایعات فلجی قابلیت کنترل عملکرد بیشتری با کدبردارهای سرعت در مقایسه با کدبردارهای موقعیت داشته اند [۱۱]. با این وجود، ما دریافتیم که به هنگامی که کدبرداری موقعیت حذف می شود، سرعتهای کدبرداری شده دارای ثبات کمتری خواهند شد. این موضوع به طور محاوره ای بر این مبنا استوار خواهد بود که کرسر یا مکان نما به نظر در یک موقعیت ” میدانهای نیرو” گیر افتاده است که منجر به “چرخش” حول هدف شده و همچنین سبب “گیرافتادن” در بخشهایی از محدوده کاری خواهد شد. البته این امر تعجب برانگیز نمی باشد، چرا که نرخ های فعالیت در نواحی مغزی ثبت شده دارای همبستگی با موقعیت مکان نما می باشند.
کنترل رابط ماشین مغز رویکرد کنترل بازخوردی
۳- روشها
کلیه رویه ها و تجربه ها به وسیله کمیته مراقبتهای و استفاده از حیوانات دانشگاه استنفورد (IACUC) تثبیت شد. این آزمایشات با یک میمون rhesus نر (L) انجام شد که ۹۶ آرایه Utah الکترودی به آن متصل بود ( شرکت میکروسیستمهای Inc .، Salt Lake City,UT)، با استفاده از تکنیکهای استاندارد مربوط به جراحی اعصاب [۱۷]. میمون L قبل از انجام آزمایشات به مدت ۱۹ الی ۳۳ ماه تحت استفاده از الکترود بوده است. آرایه الکترود در بخش پشتی قشر پیش حرکتی (PMd) و قشر موتوری اولیه (M1) کاشته شد، با توجه به ویژگی های ارزیابی شده بصری از مشخصه های آناتومیکی موضعی.
کنترل رابط ماشین مغز رویکرد کنترل بازخوردی
۴- نتایج
با جمع آوری کل مسائل مطرح شده، نوآوری های توصیف شده در بخشهای II-A و II-B سبب افزایش عملکرد در ارتباط با فیلتر سرعت کالمن (velocity-KF) گردیده، که به عنوان یک راهکار نوین برایBMI های کنونی به شمار می آید ( همانند [۱۱]،[۱۲]). شکل ۴ نشان دهنده مسیرهای شاخص مکان نما برای مودهای کنترل عصبی مختلف و همچنین بازوی اصلی مبتنی بر کنترل می باشد.
شکل ۵ نیز معرف تعاملات مرتبط با عملکرد است که به وسیله هر نوآوری حاصل شده است. شکل ۵ الف نشان دهنده عملکرد با velocity-KF (سبز) در مقایسه بارvelocity-KF با صرفا اولین نوآوری (زرد) و شکل ۵ ب نشان دهنده velocity-KF با اولین نوآوری در مقایسه با REFIT-KF ( هردوی نوآوری ها ) می باشد.
ما الگوریتمهای مربوطه را به صورت متوالی مورد تست قرار داده و با انتخاب متناوب آنها در همان روز شرایط مشخص کاری را بررسی نمودیم. پنجره پذیرندگی برای شکل ۵ الف و شکل ۵ ب به ترتیب ۵ سانتی متر و ۴ سانتی متر بوده است و میمون آزمایشی نیز دارای ۳ ثانیه زمان برای رسیدن به هدف بوده است. پنجره پذیرندگی در شکل ۵ الف بزرگتر است که علت آن اکتساب اهداف کوچکتر با کنترلvelocity-KF می باشد که به طور قابل توجهی مشکل بوده و بنابراین میمون آزمایش احتمالا اهداف مرتبط را از دست می دهد.
کنترل رابط ماشین مغز رویکرد کنترل بازخوردی
۵- نتیجه گیری
در این مقاله ما دو نوآوری مرتبط با الگوریتم کنترل توسعه یافته از یک دیدگاه کنترل بازخوردی را ارائه می نماییم. هر یک از این نوآوری ها منجر به افزایش در عملکرد کنترل BMI می گردد که بر مبنای نرخ موفقیت و / یا زمان اکتساب مورد سنجش قرار می گیرند. همانگونه که در بانکهای متعدد اطلاعاتی نشان داده شده است، الگوریتم کنترلREFIT-KF منجر به کاهش زیاد زمان اکتساب در مقایسه با کنترلvelocity-KF می گردد که به عملکرد کنترل بازوی اصلی برای کنترل مکان نمای مورد آزمایش نزدیک خواهد بود.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
