مکاترونیک نیوز | هوش مصنوعی فعالیت الکتریکی مغز را برای تشخیص افسردگی، ابزارهای کنترل ذهن و موارد دیگر پردازش می‌کند

به گزارش مکاترونیک نیوز، محققان Skoltech، دانشگاه HSE، و موسسه RAS فعالیت های اعصاب عالی و نوروفیزیولوژی، یک جعبه ابزار و یک پلت فرم آنلاین جمع سپاری برای تجزیه و تحلیل داده های الکتروانسفالوگرافی ساخته‌اند.
راه حل های خودکار اجزای معنی دار در سیگنال های EEG را سریعتر و بیشتر از متخصصان انسانی و به طور مداوم شناسایی می کند.
همانطور که محققان و پزشکان بیشتری به آن کمک می کنند سازندگان آن انتظار دارند که الگوریتم‌ها به تدریج دقیق تر نیز بشوند.
آنها این پلت فرم را به عنوان مرکزی برای جامعه پزشکی، دانشمندان و محققان مطالعات خواب، توانبخشی، سکته مغزی، تشخیص صرع ، رابط های مغز و کامپیوتر و موارد دیگر در نظر می گیرند. مقاله مرتبط در Frontiers و نوروانفورماتیک منتشر شده است.

الکتروانسفالوگرافی تکنیکی است که به صورت غیر تهاجمی فعالیت الکتریکی مغز را از طریق الکترودهایی که روی پوست سر قرار می گیرند (در مورد دستگاه EEG اخیراً توسعه یافته در Skoltech بخوانید) اندازه گیری می کند. خوانش امواج مغزی حاصل برای مطالعه خواب تشخیص بیماران کما و صرع، امکان تعامل ذهنی کاربران با ابزارها، استفاده می شود. وبه افراد کمک می کند تا پس از سکته مغزی یا سایر شرایطی که فعالیت طبیعی مغز را مختل می کند بهبود یابند.
EEG ارزان و غیر تهاجمی است، اما سیگنال های ثبت شده در مقایسه با آن بسیار همراه با نویز هستند آنهایی که توسط الکترودهای کاشته شده شناسایی می شوند. از آنجایی که سنسورها روی پوست سر قرار می گیرند،هر یک از آنها مجموع فعالیت الکتریکی بسیاری از نورون ها و سیگنال را با تکثیر از طریق انحراف سگنالهای استخوان، پوست و سایر بافتها می گیرند. علاوه بر این، EEG ممکن است حاوی فعالیت الکتریکی ناخواسته، از جمله منابعی که نزدیک به مغز هستند(مانند چشمک زدن) یا به سادگی قوی (ضربان قلب)، و حتی جریان الکتریکی خود تجهیزات تشخیصی باشد.

بنابراین دو مشکل وجود دارد. اول اینکه سیگنالی که ضبط می کنیم حجیم است و باید کم شود. هر چیزی که قرار نیست وجود داشته باشد: اثرات تنفس، حرکات سر، عرق کردن، و امثال آنها. دوم، آنقدر در مغز مستيل مختلفی در هر زمان اتفاق می افتد که حتی یک سیگنال “تمیز” نیز وجود نداردو در هر سیگنال واقع ترکیبی از سیگنال های بسیاری است که فرآیندهای شناختی مختلف را نشان می دهد. و بسته به اینکه EEG برای چه چیزی استفاده می شود، ممکن است نیاز به صفر کردن موارد بسیار خاص اجزای سیگنال، مانند فعالیت حرکتی مسئول حرکات اندام باشد

.محقق ماکسیم شرایف، دانشمند تحقیقاتی ارشد در Skoltech

بنابراین دو مشکل وجود دارد. اول اینکه سیگنالی که ضبط می کنیم حجیم است و باید کم شود. هر چیزی که قرار نیست وجود داشته باشد: اثرات تنفس، حرکات سر، عرق کردن، و امثال آنها. دوم، آنقدر در مغز مستيل مختلفی در هر زمان اتفاق می افتد که حتی یک سیگنال “تمیز” نیز وجود نداردو در هر سیگنال واقع ترکیبی از سیگنال های بسیاری است که فرآیندهای شناختی مختلف را نشان می دهد. و بسته به اینکه EEG برای چه چیزی استفاده می شود، ممکن است نیاز به صفر کردن موارد بسیار خاص اجزای سیگنال، مانند فعالیت حرکتی مسئول حرکات اندام باشد.

در یک محیط واقعی، EEG نویزدار می تواند از تعدادی نویز مستقل و اجزای فعالیت واقعی مغز تشکیل شود. پیش پردازش اسکن معمولاً توسط یک فیزیکدان با تجربه است که سیگنال مربوطه را به صورت خسته کننده و تحلیل و بررسی نسبتاً ذهنی تشخیص می دهد.

ما این فرآیند را خودکار کردیم و با استفاده از یادگیری ماشینی آن را سازگارتر کردیم. اکنون یک الگوریتم آموزش داده شده بر روی صدها ضبط EEG وجود دارد که توسط چندین انسان مشخص شده است. کارشناسان می تواند این سیگنال را حذف کرده و اجزای سیگنال خاص را تشخیص دهد.

وی همچنین خاطرنشان کرد که در حالی که قبلاً تلاش های مشابهی انجام شده است، راه حل جدید دارای این مزیت مهم است که توسط یک پلت فرم اختصاصی جمع سپاری انجام می شود. دیگرمتخصصان می توانند EEG های خود را که با تجهیزات مختلف و از تجهیزات دیگر، بیماران، و اسکن های ضبط شده اند بارگذاری کنند. این بدان معناست که پلتفرم جدید پتانسیل تبدیل شدن به یک مرکز اصلی برای تجزیه و تحلیل EEG، را دارد و همانطور که متخصصان بیشتری را جذب می کند، هوش مصنوعی می تواند نتایج بهتری تولید کند.

با انباشته شدن داده های بیشتر و بیشتر، می توان تصور کرد که EEG در برخی موارد قابلیت تبدیل شدن به راهی معتبر برای تشخیص نه تنها اختلالات آشکارتر مانند صرع -که در آن فعالیت غیر طبیعی مغز به راحتی قابل تشخیص است – بلکه سایر شرایط ظریف تر، مانند اختلال افسردگی اساسی، اسکیزوفرنیا یا اوتیسم را دارد.شاریوا اضافه کرد ” امروز، این حوزه تحقیقاتی فقط در حال توسعه است و بخشی از عملکردبالینی نیست. ما نیز در حال کار روی این موضوع هستیم”

این دانشمند خاطرنشان کرد: یکی دیگر از کاربردهای اصلی مربوط به رابط های مغز و کامپیوتر است. این امر اشاره دارد به فناوری که سیگنال های مغزی دریافت شده توسط EEG را به دستوراتی برای دستگاه های کاشته شده در مغز یا خارجی تبدیل می کند، یا برای جبران عملکردهای از دست رفته در بدن یا برای سرگرمی ساده استفاده می‌شود. این فرمان‌ها می‌توانند از حرکت دادن بازوی اسکلت بیرونی که توسط یک فرد فلج برای روشن کردن تلویزیون به عنوان مثال استفاده می‌شود متفاوت باشند. ما در این مقاله نشان دادیم که الگوریتم می تواند امواج که به آن امواج مو می گویندرا شناسایی کند که این موج یکی از اجزای سیگنال است که مسئول حرکات ارادی بدن است.
یک کاربرد مرتبط اما متمایز، توانبخشی پس از سکته مغزی است. این مورد شامل آموزش بیمار برای ایجاد فعالیت در ناحیه خاصی از مغز با تلاش مکرر ذهنی و دریافت بازخورد بصری روی صفحه نمایش می‌باشد.

مطالعات بنیادی روی قوای شناختی انسان نیز از داده های EEG استفاده می کند. که شامل تحقیق و آزمایش خواب با افرادی می شود که وظایف شناختی را انجام می دهند در حالی که فعالیت مغز آنها برای شناسایی مناطقی از مغز که در فرآیندهای شناختی خاص نقش دارند، نظارت می شود.

شرایف تاکید کرد: “ما این پروژه را به عنوان یک پلت فرم مهم برای همکاری می بینیم.” “درSkoltech، این به معنای همکاری بین مرکز تحقیقاتی خودمان برای هوش مصنوعی کاربردی و کاهش ردپای کربن و مرکز توانبخشی نوروبیولوژی و مغز ولادیمیر زلمن است فراتر از آن Skoltech، امیدوار است که این مرکز به یک جامعه بزرگ در زمینه مطالعات و کاربردهای EEG تبدیل شود.

نام منبع: https://www.azorobotics.com

نام خبرنگار: منا بنهری