Nöral sinyal işleme, nörobilim ve sinir mühendisliğinde giderek daha önemli bir araç haline geliyor. Yaygın olarak uygulanan nöral kayıt ve stimülasyon tekniklerine, nöral işleme metodolojilerine ve bu tekniklerin bazı pratik uygulamalarda nasıl uygulanabileceğine bakmak gerekir. Beyindeki insan davranışının nöral temsillerinin anlaşılması, nöral sinyal işleme metodolojileri kullanılarak önemli ölçüde iyileştirilebilir. Sinir bilimi ve sinir mühendisliğindeki pek çok cevaplanmamış sorunun ve zorluğun, sinirsel kayıt tekniklerindeki ilerlemeler ve sinirsel sinyal işlemedeki paralel gelişmeler sayesinde yakın gelecekte çözüleceğine inanılmaktadır.
İçindekiler
Spike dizisi
Daha yakın nöronlardan gelen dalgalanmalar, kaydedilen sinyalde daha büyük genlik sapmaları üretir. Böyle bir sinyal için sinyal işleme yöntemlerinin amacı, kayıt elektrodu başına tek bir nörondan yayılan impulsları izole etmek ve çıkarmaktır. Bu prosedüre genellikle çiviyi bölmek denir. Spike dizilemenin en basit yöntemi, ani yükselmeleri tepe genliklerine göre sınıflandırmaktır. Bazen, tepe genlikleri farklı nöronlar için aynı olabilir, bu da yöntemi uygulanamaz hale getirir. Daha iyi bir yöntem, deneycinin verileri görsel olarak kontrol ettiği ve pencereleri aynı şekle sahip pinlerin aynı kayıtlarına yerleştirdiği bölünmüş pencere yöntemidir. Son zamanlardaki bir eğilim, tümsekleri, her grubun nöronlardaki impulslara nasıl karşılık geldiğine göre otomatik olarak gruplandırmak olmuştur.
Zamansal ve mekansal özellikleri ayıklayın
Altta yatan zamansal ve uzamsal özellikler, temel salınımlardan nöral aktivitenin anlaşılmasına ve temsil edilmesine yardımcı olabilir. Normalde, beyinden kaydedilen nöral sinyaller, yerel mahalledeki büyük bir nöron grubunun ağ aktivitesi tarafından üretilen potansiyelleri karıştırır. Bu nedenle, uygun özellik çıkarma yöntemlerinin uygulanması, hem zamansal hem de uzamsal alanlarda önemli özellikleri izole edebilir ve çıkarabilir.
uzamsal filtreleme
Birden çok elektrot kullanarak beyin sinyallerini kaydeden bazı yöntemlerde, sinyaller beynin birden çok bölgesinden kaydedilir. Küresel gürültünün büyük değişkenliği ile yerel sinyaller azalıyor gibi görünüyor. Bu nedenle, yerel aktiviteyi iyileştirmek ve ortak gürültüyü filtrelemek için mekansal filtreleme veya yeniden referanslama yöntemleri uygulanır. Tek tek elektrotlar için ortalama aktivite, çevreleyen elektrotlardan (Laplacian filtreleme) veya genel elektrotlardan (birleşik referans ortalaması) çıkarılır. Sinirsel verilerin varyansını tahmin etmek için mekansal filtreleme yöntemleri de kullanılabilir.
zamansal analiz
Kaydedilen beyin sinyallerinin kalitesi esas olarak kayıt tekniklerine bağlıdır. Ancak kaydedilen zaman serisi sinyalleri, zaman alanı filtreleme yöntemleri kullanılarak filtrelenebilen çok fazla gürültü içerir. Zaman alanındaki ham sinyalleri işlemek için hareket ortalaması yumuşatma, üstel yumuşatma vb. Çeşitli filtreleme teknikleri kullanılmaktadır.
Filtrelemeye ek olarak, davranışı temsil eden önemli özellikleri çıkarmak için zamansal analiz de kullanılabilir. Bu önemli özellikler, hesaplama modelleri kullanılarak bir dizi zaman sinyalinden çıkarılabilir. Bazı nöral sinyaller zaman içinde korelasyon gösterme eğilimindedir, bu nedenle aşağıdaki zamansal örnekler, otomatik regresyon modelleri (sabit sinyaller için) veya uyarlanabilir otoregresif modeller (sabit olmayan sinyaller için) kullanılarak önceki örneklere dayalı olarak tahmin edilebilir. Bu yöntemler, sinyal öncesi örnekler ile son örnekler arasındaki belirgin karşılıklı ilişkilerden oluşturulan modele bağlıdır. Model parametreleri, gerçek zamanlı kod çözme veya tahmin için kullanılan sonraki tanıma veya sınıflandırma prosedürleri için sinirsel özellikler olarak düşünülebilir.
frekans analizi
Zamansal analiz yöntemleri yararlı olsa da, bu yöntemlerin anlamlı özellik çıkarımı sağlayamayacağına dair bazı göstergeler vardır. Örneğin, EEG gibi invaziv olmayan yöntemler, binlerce nöronun aktivitesini yansıtan sinyallere dayanır. Zayıf uzamsal ve zamansal çözünürlüğün zorlukları, zaman alanı çıkarımı ile karakterize edilir. Bu nedenle, kaydedilen sinyal, yalnızca salınım etkinliği gibi büyük nöron gruplarıyla ilişkili etkinliği yakalayabilir.
Beyin sinyallerinin temel özelliği sinir salınımlarıdır. Teorik olarak, bu salınımlar, periyodik sinyallerin Fourier dönüşümünü (FT) kullanan sinüzoidal fonksiyonlar gibi bir dizi temel fonksiyon tarafından ayrıştırılabilir. Her bir döngü için genlik, periyot ve dalga formu simetrisi ölçülür ve salınımlı patlamalar, patlamaların içinde ve arasında salınım özelliklerinin değişiminin keşfedilmesine izin verecek şekilde sayısal olarak belirlenir. Genel olarak, sinir sinyalleri için kısa Fourier dönüşümü (STFT), kısa süreli kayan pencerelerle FT gerçekleştirerek daha iyi sonuçlar sağlar. Periyodik olmayan sinyaller için, sinyali ayrıştırmak için dalgacık dönüşümü uygulanır. Ham sinir sinyallerinin şekline göre farklı ölçekli ve sonlu dalga biçimleri seçilebilir. Dalgacık katsayıları bazen sinirsel özellikler olarak düşünülebilecek benzersiz bilgiler içerir.
Zaman ve frekans analizi
Zamansal analiz ve yinelemeli analizin avantajlarını birleştiren araştırmacılar, zaman ve frekans analizinin gücünü fark ettiler. Örneğin, ayrıştırma teknikleri kullanılarak, sinyal içsel mod fonksiyonlarına (IMF) ayrıştırılabilir ve Hilbert spektroskopisi gibi yöntemler uygulanarak zaman içindeki anlık frekanslar elde edilebilir. Bu tekniğin en önemli avantajı, kaydedilen doğrusal olmayan ve statik olmayan nöral sinyallerin doğrusal ve statik bileşenlere dönüştürülebilmesidir. Bu bileşenler, belirli özelliklerin anlık frekansları ile lokalize edilmesi ve zaman-frekans alanında anlamlı davranışsal bilgileri temsil etmesi açısından genellikle fiziksel olarak anlamlıdır.
Zaman-frekans analizi, nöral sinyal işlemede geniş çapta uygulanmaktadır, çünkü zaman veya frekans alanında tek bir analiz ilgili dezavantajlara sahiptir ve zaman-frekans analizi, sinyallerin en iyi temsilini elde etmek için zaman ve frekansın çözünürlüğünü ayarlar. Spektrograf ve STFT gibi diğer teknikler, genellikle sinyali kısa periyotlara bölerek ve kayan pencereler aracılığıyla spektrumu tahmin ederek uygulanır.
hacim azaltma
Nöral sinyal işlemede kritik bir prosedür, kaydedilen nöral verilerin yüksek boyutlu indirgenmesidir. Bu veriler beyin görüntüleri, çok kutuplu sinyaller, ağ potansiyelleri veya yüksek boyutlu nöral özellikler olabilir. En yararlı bileşenleri tutmak ve fazlalığı ortadan kaldırmak için doğrusal veya doğrusal olmayan çeşitli algoritmalar uygulanabilir. Temel bileşen analizi (PCA), maksimum varyansın yönünü bulmak ve böylece gözlemlenen varyansa dayalı olarak temel bileşenleri (ağırlıklı doğrusal gruplar) oluşturmaktır. Doğrusal diskriminant analizi (LDA), PCA’ya benzer şekilde çalışır, ancak bir dizi nöral veri içindeki varyansı azaltma ve nöral veri kümeleri arasındaki mesafeyi artırma eğilimindedir.
Bu nedenle PCA, özellik çıkarma için uygulanan denetimsiz bir algoritma olarak tanımlanır ve LDA, veri kümeleri için etiket tabanlı eğitim kullanan denetimli bir algoritma olarak tanımlanır. Diğer en popüler yöntemler CCA ve ICA’dır. Kanonik korelasyon analizi (CCA), iki çok değişkenli değişken grubu arasındaki ilişkileri keşfetmenin başka bir yöntemidir ve ilişkilerin temel özelliklerini korurken daha az değişkenle ilişkileri özetlememize olanak tanır. Bağımsız Bileşen Analizi (ICA), bir küçültme yönteminden ziyade kör bir kaynak tahsis yöntemidir.
Nöral sinyaller muhtemelen beyin aktivitesinin bazı temel bileşenlerinin karıştırılmasıyla üretilen efor kayıtlarından oluşuyor. ICA, bağımsız bileşenleri hesaplayarak beyin aktivitesinin bu ana bileşenlerini teorik olarak izole edebilir.
makine öğrenimi algoritmaları
Makine öğrenimi veya derin öğrenme algoritmaları giderek daha popüler hale geliyor ve birçok alanda uygulanıyor. Denetimsiz öğrenme ve denetimli öğrenme olarak ikiye ayrılabilir. Denetimsiz öğrenme yöntemleri, genellikle özellik çıkarma, örüntü tanıma, kümeleme ve boyut küçültme için kullanılan sinirsel verilerdeki gizli yapıları çıkarmayı amaçlar. Denetimli öğrenme yöntemleri, belirli çıktıları eşleştirmek ve girdi verileri ile çıktı etiketleri arasındaki ilişkileri otomatik olarak saptamak için temel işlevleri kullanarak sinirsel verileri eğitir.
Denetimli öğrenmenin en yaygın uygulamaları sınıflandırma ve regresyondur. Nicel modeller, nörobilimde inanılmaz derecede güçlü uygulamalarla makine öğrenimi algoritmaları sağlar. LDA, PCA ve destek vektör makinesi (SVM) gibi bazı geleneksel yöntemler de makine öğrenimi algoritmalarıdır. Diğer algoritmalar (sinir ağları, otomatik kodlayıcılar, lojistik regresyon), çıktıyı uyarlamalı olarak eşleştirmek için temel dönüştürme işlevini kullanarak girdi verisi kümelerini eğitir.
kaynak:
https://www.battelle.org/government-offerings/health/medical-devices/neurotechnology/neural-signal-processing-data-analysis
http://ieeexplore.ieee.org/abstract/document/1642/
yazar: Özlem Güvenç Ağaoğlu
Diğer gönderilerimize göz at
[wpcin-random-posts]