ارائه رویکرد رمزگشایی عصبی برپایه تشخیص الگوی فعالیت‌های عصبی برای یک سیستم رابط مغز و ماشین قابل کاشت در بدن درون قشری

در بحث رابط مغز و ماشین، به عمل تشخیص و تبدیل تصمیمات مغز به دستوراتی که قابل درک برای ماشین باشد، رمزگشایی گفته می-شود. با وجود پیشرفت های بدست آمده در حوزه رابط مغز و ماشین، رمزگشایی همچنان یکی از مباحث چالش بر‌‌انگیز بوده است. بعلاوه، بسیاری از روش های پیشنهادی به دلیل حجم محاسباتی بالای خود به پردازنده ای مانند رایانه جهت اجرای الگوریتم های خود نیاز دارند. این دسته از رویکردها به دلیل حجم و توان مصرفی رایانه ها رویکردی عملی برای یک سیستم رابط مغز و ماشین قابل کاشت در بدن به حساب نمی آیند. برای رفع این مشکلات در پژوهش پیشرو از یک رویکر نوین با الهام از روش محاسبات ابر بعدی استفاده شده است. به شکل خلاصه در این روش ابتدا فضای ورودی به یک بردار صفر و یک تبدیل می شود که در گام بعدی به وسیله یک الگوریتم مقایسه، شبیه ترین الگو به فضا های خروجی به عنوان خروجی نهایی انتخاب می شود. روش پیشنهادی به کمک بانک داده ای ثبت شده از ناحیه جلوی چشم (frontal eye field) از دو میمون مذکر (rhesus) که در یک تست نگاه کردن به اهداف در 8 زاویه شرکت داشته‌اند ارزیابی شده است. نتایج حاکی از دقت بدست آمده 51.5 درصد با حجم محاسباتی بسیار پایین است. از طرفی دیگر با پیاده سازی رویکرد پیشنهادی بر روی یک آرایه‌ی دروازه‌ی میدانی برنامه‌پذیر (fpga) نشان داده شد این روش یک سیستم رابط مغز و ماشین بلادرنگ قابل کاشت در بدن با حجم محاسباتی بسیار پایین با دقتی متوسط است.

a neural decoding method based on neurons activities pattern recognition for implantable intra-cortical bmis

converting motor intention to a machine command is called decoding in brain machine interface (bmi) field. despite recent advances, decoding remains among the most challenging steps in bmi. furthermore, the majority of algorithms currently used in decoding require a computer, as a result of their high computational complexity. however, due to the size and power consumption of computers, they are not practical for implantable bmi systems. to address this issue, this paper proposes a novel approach based on hyperdimensional computing. this approach involves the conversion of the input space to binary, followed by the selection of the most similar vector to the answer. the proposed method is evaluated using a real dataset recorded from the frontal eye field (fef) of two male rhesus monkeys, with eight possible angles as the output space. the results demonstrate an accuracy rate of 51.5% with very low computational complexity. furthermore, the proposed algorithm is implemented on a field-programmable gate array, indicating that it is a practical choice for real-time implantable bmi applications requiring a low computational cost method with a medium level of accuracy.