ثبت سیگنال الکتروآنسفالوگرام (EEG)

ثبت سیگنال EEG (الکتروانسفالوگرافی) فرایندی است که در آن فعالیت الکتریکی مغز از طریق الکترودهایی که روی پوست سر قرار می‌گیرند، اندازه‌گیری و ثبت می‌شود. این سیگنال‌ها نشان‌دهنده فعالیت نورون‌ها در مغز هستند و به صورت امواجی با فرکانس‌ها و دامنه‌های مختلف نمایش داده می‌شوند. برای ثبت EEG، از یک کلاه مخصوص یا الکترودهای چسبی استفاده می‌شود که این الکترودها در نقاط خاصی از پوست سر قرار می‌گیرند. سپس فعالیت الکتریکی مغز به‌عنوان ولتاژهای ضعیف ثبت می‌شود و توسط دستگاه EEG تقویت و پردازش می‌شود. این امواج شامل طیفی از فرکانس‌ها مانند امواج دلتا، تتا، آلفا، بتا و گاما هستند که هرکدام با حالات خاصی از فعالیت مغزی مرتبط هستند. ثبت سیگنال EEG کاربردهای متنوعی در تحقیقات علمی و پزشکی دارد. در پزشکی، EEG به‌طور گسترده‌ای برای تشخیص و مدیریت اختلالات عصبی مانند صرع، اختلالات خواب، و کما استفاده می‌شود. همچنین در تحقیقات شناختی و علوم اعصاب، EEG ابزاری قدرتمند برای مطالعه فرآیندهای ذهنی مانند توجه، حافظه، و تصمیم‌گیری است. یکی از مزایای مهم EEG این است که این روش غیرتهاجمی است و قادر به ثبت فعالیت مغز با دقت زمانی بالا (در حد میلی‌ثانیه) است. با این حال، محدودیت‌های مکانی در دقت این روش وجود دارد، به طوری که تعیین محل دقیق منبع فعالیت مغزی در مغز با استفاده از EEG دشوار است. این تکنیک به دلیل سادگی و قابلیت استفاده در محیط‌های مختلف، به‌طور گسترده‌ای در علوم اعصاب و روانشناسی کاربرد دارد.

مقالات مرتبط

1. Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., & Zhao, X. (2019). A comprehensive review of EEG-based brain–computer interface paradigms. Journal of neural engineering, 16(1), 011001.
2. He, B., Yuan, H., Meng, J., & Gao, S. (2020). Brain–computer interfaces. Neural engineering, 131-183.
3. Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., & Volosyak, I. (2018). Brain–computer interface spellers: A review. Brain sciences, 8(4), 57.
4. Aggarwal, S., & Chugh, N. (2022). Review of machine learning techniques for EEG based brain computer interface. Archives of Computational Methods in Engineering, 29(5), 3001-3020.
5. Orban, M., Elsamanty, M., Guo, K., Zhang, S., & Yang, H. (2022). A review of brain activity and EEG-based brain–computer interfaces for rehabilitation application. Bioengineering, 9(12), 768.

سیگنال P-300

سیگنال P300 یک مؤلفه در پاسخ‌های الکتروانسفالوگرافی (EEG) است که معمولاً حدود 300 میلی‌ثانیه پس از ارائه یک محرک نادر اما قابل توجه در مغز ایجاد می‌شود. این سیگنال نشان‌دهنده فرآیندهای شناختی است که با توجه و پردازش اطلاعات مرتبط است. P300 بخشی از "پتانسیل‌های وابسته به رویداد" (ERP) است و اغلب در مطالعات مرتبط با توجه، حافظه، و تصمیم‌گیری استفاده می‌شود. این سیگنال معمولاً در آزمایش‌هایی مانند "پارادایم Oddball" مورد مطالعه قرار می‌گیرد، که در آن افراد به محرک‌های نادر یا غیرمعمول واکنش نشان می‌دهند و این واکنش‌ها با استفاده از الکترودهایی که روی پوست سر قرار داده می‌شود، ثبت می‌گردد. کاربرد سیگنال P300 در تحقیقات علمی و بالینی گسترده است. به عنوان مثال، در مطالعات مربوط به عملکرد مغز در شرایط مختلف روانشناختی و عصبی مانند اختلالات شناختی، اسکیزوفرنی، و آلزایمر، از این سیگنال استفاده می‌شود. علاوه بر این، P300 به عنوان ابزاری برای ارزیابی عملکرد شناختی و حتی در توسعه رابط‌های مغز و کامپیوتر (BCI) مورد استفاده قرار می‌گیرد، جایی که سیگنال‌های مغزی برای کنترل دستگاه‌های خارجی یا کامپیوترها به کار می‌رود. توانایی تشخیص و تحلیل دقیق P300 می‌تواند به درک بهتر از نحوه عملکرد مغز و نیز توسعه فناوری‌های جدید کمک کند.

مقالات مرتبط

1. Hashmi, M. F., Kene, J. D., Kotambkar, D. M., Matte, P., & Keskar, A. G. (2022). An efficient P300 detection algorithm based on kernel principal component analysis-support vector machine. Computers & Electrical Engineering, 97, 107608.
2. Lafuente, V., Gorriz, J. M., Ramirez, J., & Gonzalez, E. (2017). P300 brainwave extraction from EEG signals: An unsupervised approach. Expert systems with applications, 74, 1-10.
3. Chaurasiya, R. K., Londhe, N. D., & Ghosh, S. (2015, September). An efficient p300 speller system for brain-computer interface. In 2015 International conference on signal processing, computing and control (ISPCC) (pp. 57-62). IEEE.
4. Xu, M., Liu, J., Chen, L., Qi, H., He, F., Zhou, P., ... & Ming, D. (2016). Incorporation of inter-subject information to improve the accuracy of subject-specific P300 classifiers. International journal of neural systems, 26(03), 1650010.
5. Havaei, P., Zekri, M., Mahmoudzadeh, E., & Rabbani, H. (2023). An efficient deep learning framework for P300 evoked related potential detection in EEG signal. Computer Methods and Programs in Biomedicine, 229, 107324.

تایپ به کمک رابط مغز و کامپیوتر

تایپ به کمک رابط مغز و کامپیوتر (BCI) یک فناوری پیشرفته است که امکان ارتباط مستقیم بین مغز انسان و دستگاه‌های دیجیتال را فراهم می‌کند. این سیستم از سیگنال‌های الکتریکی تولیدشده توسط مغز استفاده می‌کند که از طریق الکترودهایی که روی پوست سر قرار دارند (EEG) یا کاشته شده‌اند، جمع‌آوری می‌شوند. سپس این سیگنال‌ها توسط الگوریتم‌های هوش مصنوعی تحلیل و به دستورات قابل فهم برای دستگاه‌های کامپیوتری، مانند حرکت یک نشانگر روی صفحه‌کلید مجازی یا انتخاب حروف، تبدیل می‌شوند. این فناوری به ویژه برای افرادی که به دلیل آسیب‌های نخاعی، سکته مغزی، یا بیماری‌های عصبی مانند ALS قادر به حرکت نیستند، امکان تایپ و برقراری ارتباط را فراهم می‌کند. این نوع تایپ کردن از طریق رابط مغز و کامپیوتر نه تنها به بهبود کیفیت زندگی افرادی که توانایی حرکتی خود را از دست داده‌اند کمک می‌کند، بلکه مرزهای جدیدی در تعامل انسان و ماشین ایجاد کرده است. با پیشرفت در فناوری‌های مرتبط با ثبت و تفسیر سیگنال‌های مغزی، دقت و سرعت این نوع تایپ به طور قابل توجهی افزایش یافته است. این فناوری به کاربران اجازه می‌دهد تا با استفاده از افکار خود، حروف و کلمات را انتخاب کنند، و در آینده با بهبود سیستم‌های پردازشی، می‌تواند جایگزین کاملی برای ابزارهای سنتی تایپ و ارتباط شود.

Image

مقالات مرتبط

1. Zhang, X., Yao, L., Sheng, Q. Z., Kanhere, S. S., Gu, T., & Zhang, D. (2018, March). Converting your thoughts to texts: Enabling brain typing via deep feature learning of eeg signals. In 2018 IEEE international conference on pervasive computing and communications (PerCom) (pp. 1-10). IEEE.
2. Maslova, O., Komarova, Y., Shusharina, N., Kolsanov, A., Zakharov, A., Garina, E., & Pyatin, V. (2023). Non-invasive EEG-based BCI spellers from the beginning to today: a mini-review. Frontiers in Human Neuroscience, 17, 1216648.
3. Akram, F., Han, S. M., & Kim, T. S. (2015). An efficient word typing P300-BCI system using a modified T9 interface and random forest classifier. Computers in biology and medicine, 56, 30-36.
4. Nguyen, T., Khosravi, A., Creighton, D., & Nahavandi, S. (2015). EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems. Expert Systems with Applications, 42(9), 4370-4380.
5. Li, D., Han, H., Xu, X., Ling, Z., & Hong, B. (2017, May). Minimally invasive brain computer interface for fast typing. In 2017 8th International IEEE/EMBS Conference on Neural Engineering (NER) (pp. 477-480). IEEE.

بازخورد عصبی
(Neurofeedback) 

نوروفیدبک نوعی بازخورد زیستی (بیوفیدبک) است که از طریق مانیتورینگ لحظه‌ای فعالیت مغز، به افراد کمک می‌کند تا یاد بگیرند چگونه عملکردهای عصبی خود را تنظیم کنند. در این روش، الکترودهایی به پوست سر متصل می‌شوند و سیگنال‌های الکتریکی مغز از طریق EEG (الکتروانسفالوگرافی) اندازه‌گیری می‌شوند. نوروفیدبک این امکان را به فرد می‌دهد تا ببیند امواج مغزی او در پاسخ به حالت‌های ذهنی مختلف چگونه تغییر می‌کنند. هدف از این روش آموزش مغز برای خودتنظیمی است که اغلب برای بهبود عملکرد شناختی، تنظیم خلق‌وخو، یا مدیریت اختلالاتی مانند ADHD، اضطراب و حتی صرع استفاده می‌شود. مغز با یادگیری تغییر الگوهای فعالیت خود به سمت حالت‌های مطلوب‌تر، در طول زمان توانایی کنترل بهتری بر فرآیندهای ذهنی پیدا می‌کند.

این روش بر اساس خاصیت انعطاف‌پذیری عصبی (نوروپلاستیسیته) مغز عمل می‌کند، که به توانایی مغز در سازماندهی مجدد و ایجاد اتصالات عصبی جدید اشاره دارد. متخصصان نوروفیدبک پروتکل‌های شخصی‌سازی‌شده‌ای را برای هدف‌گیری فرکانس‌های خاص امواج مغزی که با حالت‌های شناختی یا احساسی مختلف مانند تمرکز یا آرامش مرتبط هستند، طراحی می‌کنند. اگرچه تحقیقات در مورد نوروفیدبک همچنان ادامه دارد، غیرتهاجمی و بدون نیاز به دارو بودن آن، این روش را به گزینه‌ای جذاب برای افرادی تبدیل کرده که به دنبال درمان‌های جایگزین برای اختلالات روانی و عصبی هستند. با این حال، اثربخشی نوروفیدبک هنوز موضوع بحث است و نتایج آن بسته به شرایط درمانی، پروتکل استفاده‌شده و میزان مشارکت فرد در فرآیند متفاوت است.

مقالات مرتبط

1. Zhang, X., Yao, L., Sheng, Q. Z., Kanhere, S. S., Gu, T., & Zhang, D. (2018, March). Converting your thoughts to texts: Enabling brain typing via deep feature learning of eeg signals. In 2018 IEEE international conference on pervasive computing and communications (PerCom) (pp. 1-10). IEEE.
2. Maslova, O., Komarova, Y., Shusharina, N., Kolsanov, A., Zakharov, A., Garina, E., & Pyatin, V. (2023). Non-invasive EEG-based BCI spellers from the beginning to today: a mini-review. Frontiers in Human Neuroscience, 17, 1216648.
3. Akram, F., Han, S. M., & Kim, T. S. (2015). An efficient word typing P300-BCI system using a modified T9 interface and random forest classifier. Computers in biology and medicine, 56, 30-36.
4. Nguyen, T., Khosravi, A., Creighton, D., & Nahavandi, S. (2015). EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems. Expert Systems with Applications, 42(9), 4370-4380.
5. Li, D., Han, H., Xu, X., Ling, Z., & Hong, B. (2017, May). Minimally invasive brain computer interface for fast typing. In 2017 8th International IEEE/EMBS Conference on Neural Engineering (NER) (pp. 477-480). IEEE.