دانلود رایگان ترجمه مقاله سیستم و روش کنترل SSVEP دستگاه های الکتریکی – ۲۰۱۲

دانلود رایگان مقاله انگلیسی سیستم ها و روش ها برای کنترل مبتنی بر SSVEP در دستگاه های الکتریکی به همراه ترجمه فارسی

 

عنوان فارسی مقاله: سیستم ها و روش ها برای کنترل مبتنی بر SSVEP در دستگاه های الکتریکی
عنوان انگلیسی مقاله: SYSTEM AND METHOD FOR SSVEP BASED CONTROL OF ELECTRICAL DEVICES
رشته های مرتبط: مهندسی پزشکی، مهندسی برق، سایبرنتیک پزشکی و مهندسی کامپیوتر، هوش مصنوعی، الکترونیک قدرت و ماشینهای الکتریکی، مهندسی الکترونیک و مهندسی کنترل
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله خوب میباشد 
توضیحات مقاله انگلیسی ناقص میباشد.
کد محصول f320

مقاله انگلیسی رایگان

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان 

دانلود رایگان ترجمه مقاله
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

 

 

بخشی از ترجمه فارسی مقاله:

زمینه فنی
۵ بررسی فعلی مربوط به رابط تکنیک های مغز-کامپیوتر ( BCI ) ، مبتنی بر پتانسیل های فراخوانده شده بصری وضعیت پایدار ( SSVEPs) می باشد.به طور خاص، ابعاد این بررسی، مربوط به سیستم ها و روش هایی برای دستگاه های الکتریکی مبتنی بر SSVEP یا کنترل دستگاه هایی که یک پیکر بندی آسان الکترودی برای ثبت الکتروانسفالوگرافی ( EEG ) فراهم میکنند، می باشد.یک روند صحیح و کارامد از نظر محاسباتی، که سیگنال های EEG توسط آن آنالیز بشود و یک مولد تحریک بصری در رابطه با یک دستگاه، شناسایی بشود؛ یک واحد رابط توانی ساده و قابل اعتماد چند دستگاهی ، و یک روند فعال سازی سیستمی ساده، قوی و بدون نیاز به کمک که از خستگی های بصری یا گیجی کاربر جلوگیری میکند.
پیش زمینه
جنبه های سیگنال های اندازه گیری شده مغزی که از پوست سر به دست می آی، به طور جدی مورد تحقیق و بررسی قرار گرفته است و تلاشی برای توسعه سیستم های واسطه ای مغز-کامپیوتر و دستگاه هایی در این زمینه بوده است. یک BCI یک مسیر ارتباطی مستقیم بین مغز و یک دستگاه خارجی است.BCI ها معمولا به هدف کمک، افزایش یا بهبود کارایی های ادراکی و یا حسی – حرکتی مغز ساخته میشوند.
تکنیک های BCI یک نقش مهم در توسعه سیستم هایی دارند که از EMG ، الکتروکورتیکوگرام ( ECoG) و یا EEG برای تسهیل کنترل کاربر معلول بر دستگاه های نوروپروتزی، استفاده میکنند.EEG یک حالت غیر تهاجمی دارد که میتواند برای افرادی با ناتوانی های جدی، مورد استفاده قرار گیرد.سیگنال های EEG ، توسط نورون های فعال در مغز ایجاد میشود، و فعالیت های سیناپسی مربوط به سیگنال های پس سیناپسی تولید شده توسط هزاران یا میلیون ها نورون قشر مغز را که دارای جهت گیر فضایی مشابه هستند را نشان میدهد.
اکتساب سیگنال های EEG ، شامل کابل های یا الکترود هایی رو پوست سر است که عموما با استفاده از سیستم ۲۰-۱۰ بین المللی مکان گذاری میشوند. در EEG ، پتانسیل های ریز ایجاد شده توسط تحریک های حسی ، دارای اهمیت زیادی هستند زیار این موج های ضربه ای کوچک گذرا، نشان میدهند که چگونه جمعیتی از سلول ها در پاسخ به یک ضربه نقل کننده که توسط فیبر های حسی اولیه دریافت میشوند، رفتار میکنند.هنگامی که یک تحریک جزئی به یک فرد داده میشود، یک پاسخ گذرای مغزی به آن تحریک رخ میدهد.
به طور کلی، یک سیستم مبتنی بر نوروپروتز های EEG ، شامل سیستم اکتساب سیگنال و یک سیستم پردازش سیگنال و دستگاه های کاربردی است.دو وجه گسترده مورد استفاده از سیستم های نوروپروتز مبتنی بر EEG، EEG های خود به خودی و پتانسیل های مرتبط با یک اتفاق ( های خود به خودی و پتانسیل های مرتبط با یک اتفاق ( ERP ) مانند پتانسیل های فراخوانده شده بصری است ( VEP ) .یک پتانسیل فراخوانده شده، تاثیر یک اتفاق تحریکی روی مغز را مشخص میکند، و نسبت به تغییر های در حس و روند های درکی، حساس است.یک فایده اولیه تکنیک VEP، قدرت تفکیک زمانی آن است که تنها نرخ نمونه گیری توسط دستگاه اندازه گیری محدود میشود.
VEP ها را میتوان به پتانسیل های گذار بصری و پتانسیل های حالت پایدار بصری تقسیم کرد. یک پاسخ دوره ای به یک تحریک بصری است که در فرکانس های بالاتر از ۶ هرتز تولید میشود و میتواند در قسمت پوست سر در ناحیه کورتکس بصری، ثبت شود.تحریک های بصری میتواند با استفاده از یک دیود نوری ( LED ) یا یک برد نورانی یا دیگر الگوهایی که توسط کریستال مایع ایجاد میشود، ( LCD) به وجود آید. دارای فرکانس مبنایی مشابه با تحریک های بصری است و همچنین هارمونیک های آن نیز مشابه هستند.در سیستم های مبتنی بر ، تحریک های چندگانه که توسط فرکانس های مختلف کد گذاری شده اند، در زمینه ی دیدن و پاسخ های مختلف ، حاضر هستند که میتواند توسط تغییر علاقه یا توجه کاربر به یکی از تحریک های ایجاد شده توسط فرکانس ها، تولید شود.
تکنیک های قبلی برای گزینش تحریک ، نتوانستند سیگنال های قابل اعتمادی برای عملیات مناسب سیستم های نوروپروتز مبتنی بر EEG ایجاد کنند، و یا باعث به وجود آمدن خستگی های بصری در فرد میشدند.علاوه بر این، سیستم های تحریکی قبلی ، میتوانند جریان های غیر ضروری پیچیده ای را ایجاد کنند که باعث به وجود امدن مازاد سیستم یا هزینه بشود.
پیکر بندی های قبلی الکترود های نیز به طور غیر ضروری ای پیچیده هستند.برای مثال، برای به دست آوردن سیگنال های قابل اعتماد ، الکترود ها به تعداد ۶۴ حالت مختلف روی پوست سر قرار گرفتند ، که باعث افزایش هزینه و زمان زیاد برای پردازش سیگنال ها شد.تلاش های زیادی برای کاهش تعداد الکترود های مورد نیاز برای ثبت از پوست سر انسان شده است، اما اکثر تلاش ها باعث کاهش کیفیت و صحت سیگنال های شده است، و ازین رو ، دستگاه های نوروپروتز ضعیف و با صحت پایین تولید شده است.
یک مشکل دیگر، از طرف الگوریتم های مورد استفاده برای پردازش سیگنال های است.الگوریتم های فعلی پیچیده هستند و نتایج غیر قابل اعتماد و غلطی را ایجاد میکنند، و قابلیت این را ندارند که تحریک های مشابه را که در کنار تحریک های مورد نظر قرار دارند، حذف کنند.یک مشکل دیگری که نیز به وجود می آید، این است که نصب و اجرای سیستم های نوروپروتزی مبتنی بر EGG، فعلی به سختی مورد استفاده قرار میگیرد، منعطف نبوده و قابل اعتماد نیست و هزینه کنترل دستگاه های مختلف در رابطه با EEG زیاد است.
به این دلیل که سیستم های نوروپروتزی یک پتانسیل برای تاثیر مثبت مشهود بر زندگی های افراد به صورت فیزیکی دارد، نیازی برای بهبود این سیستم ها وجود دارد.بنابراین مطلوب است که یک راه حل برای حل حداقل یکی از مشکلات پیش روی مسیر مرتبط با این سیستم ها، فراهم شود.

بخشی از مقاله انگلیسی:

Technical

Field 5 The present disclosure relates to brain – computer interface (BCI) techniques based upon steady state visual evoked potentials (SSVEPs). More particularly, aspects of the present disclosure relate to systems and methods for SSVEP based electrical device or appliance control that provide a simple electrode configuration for the capture of electroencephalographic (EEG) signals; a computationally efficient, accurate process by which EEG signals are analyzed and a 10 visual stimulus generator associated with an appliance identified; a simple, reliable multi-device power interface unit; and a simple, robust, assistance-free system activation process that avoids or eliminates visual fatigue and/or user distraction.

Background 15 Aspects of brain waves measured from the human scalp have been intensely researched as a result of efforts to develop brain-computer interface (BCI) systems and devices. A BCI is a direct communication pathway between a brain and an external device. BCIs are often aimed at assisting, augmenting or repairing human cognitive or sensory-motor functions. BCI techniques play a prominent role in the development of systems that utilize 20 electromyogram (EMG), electrocorticogram (ECoG), or electroencephalogram (EEG) signals to facilitate a disabled user’s control of a neuroprosthetic device. EEG is a common non-invasive modality that can be used with persons with serious disability. EEG signals arise from electrical activity that can be detected external to the human scalp. EEG signals are produced by neural firing within the brain, and reflect correlated synaptic activity caused by post-synaptic 25 potentials generated by thousands or millions of cortical neurons having similar spatial orientation. Acquisition of EEG signals involves scalp electrodes or leads, typically using locations specified by the International 10-20 system. In EEG, minute potentials evoked by sensory stimuli are of particular importance as these time-locked transient wavelets show how 30 populations of cells behave in response to afferent volleys carried by primary sensory fibers. When a brief stimulus is presented to a subject, a transient brain response to that stimulation occurs. In general, EEG-based neuroprosthetic systems consist of a signal acquisition system, signal processing algorithms and application devices. Two modalities widely used in EEG-based neuroprosthetic systems are spontaneous EEG and event related potentials (ERPs) such as visual evoked potentials (VEPs). An evoked potential indicates the effect of a stimulus on the 5 brain, and is sensitive to changes in sensory and perceptual processes. A primary advantage of the VEP technique is its temporal resolution, which is limited only by measurement device sampling rate. VEPs can be categorized into transient visual evoked potentials (TVEPs) and steady state visual evoked potentials (SSVEPs). The SSVEP is a periodic response to a visual stimulus modulated 10 at a frequency higher than 6 Hz, and can be recorded at scalp locations corresponding to the visual cortex. The visual stimulus can be generated by a light emitting diode (LED) or a checkerboard or other pattern displayed by a liquid crystal display (LCD) screen. The SSVEP has the same fundamental frequency as that of the visual stimulus as well as its harmonics. In SSVEP-based systems, several stimuli coded by different frequencies are presented in the field 15 of vision and different SSVEP responses can be produced by shifting a user’s interest or attention to one of a number of frequency-coded stimuli. Prior techniques directed to stimulus selection fail to produce reliable SSVEP signals for accurate operation of EEG-based neuroprosthetic systems without incurring visual fatigue in the subject under consideration. Further, prior stimulus systems can require unnecessarily complex 20 circuitry, leading to increased system overhead and/or cost. Prior electrode configurations are also unnecessarily complex. For instance, in order to obtain reliable SSVEP signals, electrodes have been positioned at as many as 64 different scalp locations, resulting in increased cost and undesirably long signal processing times. Several attempts have been made to place fewer electrodes on the human scalp to obtain SSVEP signals, 25 but such attempts have led to poor and inaccurate SSVEP signals, and hence poor, inaccurate, and unreliable neuroprosthectic device control. Another problem arises from existing algorithms used to process the SSVEP signals. Current algorithms are complex and produce inaccurate or inconsistent results, and lack the capability to effectively discriminate similar stimuli which are near or next to each other. Yet another 30 problem arises because current implementations of EEG-based neuroprosthetic systems lack an easy to use, flexible, reliable and cost effective way of controlling multiple devices in response to EEG signals.Because EEG-based neuroprosthetic systems offer the potential to provide a significant positive impact upon physically challenged individuals’ lives, a need exists for improvement to existing EEG-based neuroprosthetic systems. It is therefore desirable to provide a solution to address at least one of the foregoing problems associated with EEG-based neuroprosthetic systems.