Site Rengi

BilgiliUsta.com | Aradığınız Her Bilginin Adresi.

Asapsal Sinyal Harekâta Uygulamaları

  • 16 Temmuz 2021
  • Asapsal Sinyal Harekâta Uygulamaları için yorumlar kapalı
  • 134 kez görüntülendi.
Asapsal Sinyal Harekâta Uygulamaları

Asapsal sinyal harekâta, asapbilim ve asap mühendisliğinde giderek daha ehemmiyetli bir vasıta haline geldi. Yaygın olarak uygulanan asapsal kayıt ve stimülasyon teknolojilerine, asap harekâta metodolojilerine ve bu tekniklerin bazı pratik uygulamalarda pratik olarak nasıl yürütülebileceğine dair geniş bir pencereden bakmak gerekli. Beyindeki insan tutumunun asapsal temsillerinin anlaşılması, asapsal sinyal harekâta metodolojileri kullanılarak ehemmiyetli miktarda geliştirilebilir. […]

Asapsal sinyal harekâta, asapbilim ve asap mühendisliğinde giderek daha ehemmiyetli bir vasıta haline geldi. Yaygın olarak uygulanan asapsal kayıt ve stimülasyon teknolojilerine, asap harekâta metodolojilerine ve bu tekniklerin bazı pratik uygulamalarda pratik olarak nasıl yürütülebileceğine dair geniş bir pencereden bakmak gerekli. Beyindeki insan tutumunun asapsal temsillerinin anlaşılması, asapsal sinyal harekâta metodolojileri kullanılarak ehemmiyetli miktarda geliştirilebilir. Nöral kayıt tekniklerindeki ilerlemeler ve asapsal sinyal işlemedeki paralel ilerlemeler sayesinde, yakın gelecekte asapbilim ve asap mühendisliğindeki birçok yanıtlanmamış sual ve güçlüğün çözüleceğine inanılmaktadır.

Spike Sıralama

Daha yakın nöronlardan gelen sivri uçlar, kaydolunan sinyalde daha büyük genlik sapmaları üretir. Bu cins bir giriş sinyali için sinyal harekâta usullerinin emeli, kayıt elektrotu başına tek bir nöron tarafından dağılan ani çoğalışları emin bir biçimde izole etmek ve çıkarmaktır. Bu prosedür genellikle başak ayırma olarak adlandırılır. En basit sivri uçlu sıralama usulü, sivri uçları tepe genliklerine göre sınıflandırmaktır. Bazen, tepe genlikleri değişik nöronlar için aynı olabilir ve bu da usulü uygulanabilir hale getirmez. Daha iyi bir yaklaşım, deneycinin bilgileri görsel olarak araştırdığı ve pencereleri aynı şekle sahip sivri uçların hizalı kayıtlarına yerleştirdiği pencere ayırıcı usulüdür. Son meyil, sivri uçları, her bir grubun bir nörondaki sivri uçlara karşılık geldiği şekle göre otomatik olarak gruplara ayırmak istikametinde olmuştur.

Zamansal ve Mekânsal Özellik ÇıkarmaSinirsel Sinyal İşleme Uygulamaları

Temel zamansal ve uzamsal özellikler, asapsal etkinliği altta uyuyan salınımlardan kavramaya dayanakçı olabilir ve temsil edebilir. Beyinden kaydolunan asap sinyalleri tipik olarak, yerel komşuluk etrafındaki büyük bir nöron popülasyonunun ağ etkinliğinden kaynaklanan karışım potansiyelleridir. Bu sebeple, uygun öznitelik çıkarma usullerinin uygulanması, hem zamansal hem de uzamsal alanlardaki ehemmiyetli özellikleri izole edebilir ve çıkarabilir.

Uzamsal Filtreleme

Çoklu elektrotlar kullanarak beyin sinyallerini kaydolan bazı usuller için, sinyaller beynin birçok bölgesinden kaydolunur. Küresel hengamenin büyük varyansıyla, yerel sinyaller eksilmiş gibi görünür. Bu sebeple, yerel etkinliği geliştirmek ve ortak hengameyi filtrelemek için uzamsal filtreleme veya yine referanslama usulleri uygulanır. Tek tek elektrotlar için, çevrelenmiş elektrotlardan Laplacian filtreleme veya global elektrotlardan ortak vasati referans alma vasati etkinlik çıkarılır. Nöral bilgilerin varyansını varsayım etmek için uzamsal filtreleme usulleri de kullanılabilir.

Zamansal Tahlil

Kaydolunan beyin sinyallerinin niteliği öncelikle kayıt tekniklerine bağlıdır. Bununla birlikte, kaydolunan zaman acelesi sinyaller, zaman alanı filtreleme usulleri kullanılarak filtrelenebilecek çok rakamda hengame kapsar. Zaman alanında çiğ sinyalleri ön işlemek için hareketli vasati yumuşatma, üstel yumuşatma vb. Gibi çok rakamda filtreleme tekniği kullanılır.Sinirsel Sinyal İşleme Uygulamaları
Filtrelemeye ek olarak, zamansal tahlil, tutumu temsil eden ehemmiyetli özellikleri çıkarmak için de kullanılabilir. Bu ehemmiyetli özellikler, hesaplama modelleri kullanılarak bir dizi zaman sinyalinden çıkarılabilir. Bazı asapsal sinyaller zaman içinde ilişkilendirilme meylindedir ve bu sebeple alttaki zaman misalleri, otoregresif modeller durağan sinyaller için veya uyarlamalı otoregresif modeller durağan olmayan sinyaller için kullanılarak evvelki misallere dayalı olarak varsayım edilebilir. Bu cins usuller, evvelki sinyal misalleri ile sonraki misaller arasındaki karakteristik dahili ilişkilerden oluşturulan modele bağlıdır. Modelin katsayıları, asıl zamanlı kod çözme veya varsayım için kullanılan sonraki model tanıma veya sınıflandırma prosedürü için asapsal özellikler olarak düşünülebilir.

Frekans İncelemeyi

Zamansal tahlil usulleri verimli olsa da, bu usullerin anlamlı özelliklerin çıkarılmasına neden olmayabileceği bazı sinyaller vardır. Misalin, EEG gibi invazif olmayan usuller, binlerce nöronun etkinliğini yansıtan sinyallere sabreder. Cılız uzaysal ve zamansal çözünürlük, zaman alanında öznitelik çıkarımına alan okur. Böylece kaydolunan sinyal, sadece salınım etkinliği gibi büyük nöron popülasyonlarının ilişkili etkinliklerini yakalayabilir.
Beyin sinyallerinin temel özelliği nöronal salınımlardır. Teorik olarak, bu salınımlar, periyodik sinyaller için Fourier mutasyonu FT kullanan sinüzoid işlevler gibi bir dizi temel işlevle ayrıştırılabilir. Her döngü için, genlik, periyot ve dalga formu simetrisi ölçülür ve salınımlı patlamalar algoritmik olarak belirlenir, bu da patlamalar içindeki ve arasındaki salınım özelliklerinin değişkenliğini araştırmaya imkân tanır. Genellikle, asapsal sinyaller için, kısa süreli Fourier mutasyonu STFT, kayan kısa süreli pencerelerle FT asıllaştırarak daha iyi neticeler sağlar. Periyodik olmayan sinyaller için dalgacık mutasyonu sinyal ayrıştırması için uygulanır. Çiğ asap sinyallerinin biçimine göre muhtelif ölçeklenmiş ve sonlu uzunlukta dalga biçimleri seçilebilir. Dalgacık katsayıları bazen asapsal özellikler olarak kabul edilebilecek benzersiz balakalar kapsar.

Zaman-Frekans İncelemeyi

Tahlilciler, zamansal ve frekans tahlillerinin avantajlarını birleştirerek, zaman-frekans tahlilinin eforunu fark ettiler. Misal olarak, ayrıştırma teknikleri kullanılarak, bir sinyal manevi mod işlevlerine IMF ayrıştırılabilir ve Hilbert spektral incelemeyi gibi usuller uygulanarak zaman içinde anlık frekanslar elde edilebilir. Bu tekniğin en ehemmiyetli avantajı, doğrusal olmayan, sabit olmayan kaydolunan asap sinyallerinin doğrusal ve sabit bileşenlere dönüştürülebilmesidir. Bu bileşenler, özel özellikler anlık frekanslarında yerelleştirildiği ve zaman-frekans alanında anlamlı tutumsal balakaları temsil ettiği için genellikle fiziksel olarak anlamlıdır.Sinirsel Sinyal İşleme Uygulamaları
Zaman-frekans incelemeyi, zaman veya frekans alanındaki bireysel tahlil, alakalı dezavantajlarla birlikte geldiğinden ve zaman-frekans incelemeyi, sinyallerin en iyi temsilini elde etmek için zaman ve frekans çözünürlüğünü değiştirdiğinden, asapsal sinyal işlemede kapsamlı bir biçimde uygulanır. Spektrogram ve STFT gibi öbür teknikler en çok bir sinyali kısa periyotlara bcan vererek ve kayan pencereler üzerinden spektrumu varsayım ederek hakikatleştirilir.

Boyut Eksiltme

Asapsal sinyal işlemede kritik bir prosedür, kaydolunan nöral bilgilerin yüksek boyutluluğunu eksiltmektir. Bu bilgiler beyin görüntüleri, çok elektrotlu sinyaller, ağ potansiyelleri veya yüksek boyutlu asapsal özellikler olabilir. En kullanışlı bileşenleri gözetmek ve aşırılıkları ortadan kaldırmak için muhtelif algoritmalar doğrusal veya doğrusal olmayan biçimde uygulanabilir. Temel bileşen incelemeyi PCA, maksimum varyansın doğrultusunu bulmak ve böylece gözlemlenen varyansa dayalı olarak temel bileşenleri ağırlıklı doğrusal kombinasyonlar oluşturmaktır. Doğrusal diskriminant incelemeyi LDA, PCA’ya benzer bir performans gösterir, ancak bir grup nöral bilgi içindeki varyansı en aza indirme ve nöral bilgi grupları arasındaki mesafeyi had safhaya çıkarma meylindedir.
Bu sebeple, PCA, özellik çıkarımı için uygulanan teftişsiz bir algoritma olarak belirlenir ve LDA, bilgi grupları için yaftalara dayalı eğitimi kullanan teftişli bir algoritma olarak belirlenir. En sık kullanılan öbür usuller CCA ve ICA’dır. Kanonik korelasyon incelemeyi CCA, ilişkilerin temel özelliklerini gözetirken, ilişkileri daha az rakamda değişkenle özetlememize imkân tanıyan iki çok değişkenli değişken kümesi arasındaki ilişkileri keşfetmek için başka bir usuldür. Bağımsız bileşen incelemeyi ICA, bir boyut eksiltme usulünden ziyade âmâ bir kaynak ayırma usulüdür.
Nöral sinyaller, muhtemelen beyin etkinliğinin bazı temel bileşenlerinin karıştırılmasıyla üretilen potansiyellerin kayıtlarından oluşur. ICA, bağımsız bileşenleri hesaplayarak beyin etkinliğinin bu temel bileşenlerini teorik olarak izole edebilir.

Makine Öğrenimi Algoritmaları

Makine öğrenimi veya derin bilme algoritmaları giderek daha popüler hale geldi ve birçok alanda uygulanıyor. Genel olarak teftişsiz bilme ve teftişli bilmeye ayrılabilirler. Teftişsiz bilme usulleri, genellikle özellik çıkarma, örüntü tanıma, kümeleme ve boyut eksiltme için kullanılan asapsal bilgilerdeki saklı yapıları çıkarmayı emeller. Sorgulama bilme usulleri, belirli bir çıktıyla eşleştirmek ve girdi bilgileri ile çıktı yaftaları arasındaki ilişkileri otomatik olarak keşfetmek için temel işlevleri kullanarak asapsal bilgileri eğitir.
Teftişli bilmenin en yaygın uygulamaları sınıflandırma ve regresyondur. Makine öğrenimi algoritmalarının nicel modelleri, asapbilimde olağanüstü derecede güçlü uygulamalar sağlar. LDA, PCA gibi bazı ananesel usuller ve destek vektör aygıtı SVM de makine öğrenimi algoritmaları olarak kabul edilir. Öbür algoritmalar asap ağları, otomatik kodlayıcılar ve lojistik regresyon, çıktıyı uyarlamalı olarak eşleştirmek için temel dönüştürme işlevini kullanarak girdi bilgisi istiflerini eğitir.

Kaynakça:
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

ZİYARETÇİ YORUMLARI

Henüz yorum yapılmamış. İlk yorumu aşağıdaki form aracılığıyla siz yapabilirsiniz.

BİR YORUM YAZ