Συντονισμένη κίνηση πολλαπλών βραχιόνων με χρήση διεπαφής υπολογιστή-εγκεφάλου

Abstract

ΠΕΡΙΛΗΨΗ Η παρούσα διατριβή επικεντρώνεται στον σχεδιασμό και την υλοποίηση ενός συστήματος διεπαφής εγκεφάλου-υπολογιστή (brain computer interface, BCI) για τον συγχρονισμένο έλεγχο πολλαπλών ρομποτικών βραχιόνων μέσω σημάτων ηλεκτροεγκεφαλογραφίας (Electroencephalography ,EEG) . Η έρευνα στοχεύει στην ανάπτυξη ενός βασισμένου σε Python, υψηλής απόδοσης συστήματος BCI, το οποίο θα μπορεί να εφαρμοστεί σε πραγματικό χρόνο στο συντονισμό ρομποτικών βραχιόνων. Η εργασία διαρθρώνεται σε δύο βασικές ενότητες. Στην πρώτη ενότητα, υιοθετείται μια προσέγγιση σταθερών χαρακτηριστικών, η οποία περιλαμβάνει στάδια όπως η συλλογή δεδομένων, η προεπεξεργασία, η εξαγωγή χαρακτηριστικών και η εκπαίδευση μοντέλων με αλγορίθμους ταξινόμησης όπως το Support Vector Machine (SVM), το Decision Tree, το Xboost και το Random Forest. Η δεύτερη ενότητα εισάγει μια προσέγγιση πολυμεταβλητών χρονοσειρών για τη βελτίωση της ακρίβειας και της ευρωστίας του μοντέλου. Η μέθοδος αυτή περιλαμβάνει προεπεξεργασία δεδομένων όπως η κανονικοποίηση, μοντελοποίηση, ανάλυση και προετοιμασία της ανάπτυξης. Η αρχιτεκτονική ενσωματώνει συνελικτικά φίλτρα ενός συνελικτικού νευρωνικού δικτύου (Convolutional Neural Network, CNN) με ένα δίκτυο μακράς βραχυπρόθεσμης μνήμης (Long sort term memory, LSTM), όπου τα συνελικτικά στρώματα εξάγουν χαρακτηριστικά υψηλού επιπέδου και το LSTM καταγράφει μακροπρόθεσμες εξαρτήσεις για να ξεπεραστούν τα προβλήματα εξαφανιζόμενης κλίσης. Το μοντέλο επιτυγχάνει ακρίβεια 98%, καθιστώντας το κατάλληλο για εφαρμογές πραγματικού χρόνου. Η προσέγγιση αυτή παρουσιάζει έτσι μια βιώσιμη λύση για την πρόβλεψη κίνησης με βάση την ηλεκτροεγκεφαλογραφία, με περιθώρια περαιτέρω ανάπτυξης και βελτιστοποίησης. Η διατριβή πραγματοποιεί περαιτέρω μια συγκριτική ανάλυση αρχιτεκτονικών βαθιάς μάθησης, συμπεριλαμβανομένων των συνελικτικών και αμφίδρομων στρωμάτων LSTM, των επαναλαμβανόμενων νευρωνικών δικτύων (Recurrent neural networks, RNN), των πολυστρωματικών perceptrons (multilayer perceptron, MLP) και των μοντέλων Transformer, εστιάζοντας στον έλεγχο σερβοκινητήρων σε πραγματικό χρόνο με σήματα EEG για την προσομοίωση κίνησης ρομποτικών βραχιόνων. Χρησιμοποιώντας το OpenBCI Community Dataset, ένα ενισχυμένο βαθύ νευρωνικό δίκτυο CNN- διπλής κατεύθυνσης LSTM δημιουργήθηκε εκ νέου χρησιμοποιώντας διασταυρωμένη επικύρωση k-fold . Οι συγκριτικές αξιολογήσεις έδειξαν ότι η αρχιτεκτονική CNN-LSTM υπερείχε των υπολοίπων συνεχίζοντας να έχει ακρίβεια 98% λόγω της αποτελεσματικής σύλληψης τόσο των χωρικών όσο και των χρονικών χαρακτηριστικών των σημάτων EEG. Υλοποιημένο σε Python, αυτό το μοντέλο επικοινωνούσε με μια πλακέτα Arduino για τον έλεγχο σερβοκινητήρων σε πραγματικό χρόνο, με τις αναφορές ταξινόμησης και τους πίνακες σύγχυσης να επιβεβαιώνουν την απρόσκοπτη απόδοση. Το σύστημα Arduino, προγραμματισμένο για σειριακή επικοινωνία με την Python, εκτέλεσε ακριβή έλεγχο των σερβοκινητήρων με βάση τις προβλέψεις των σημάτων EEG, αποδεικνύοντας τις δυνατότητες του BCI στην αλληλεπίδραση ανθρώπου-ρομπότ και στην υποστηρικτική τεχνολογία. Η μελέτη εντοπίζει επίσης κρίσιμες προκλήσεις ασφαλείας στην τεχνολογία BCI. Τα BCI, ενώ είναι πολλά υποσχόμενα συστήματα για τη διευκόλυνση της αλληλεπίδρασης εγκεφάλου-μηχανής, είναι ευάλωτα σε απειλές κυβερνοασφάλειας, ιδίως σε ευπάθειες του πρωτοκόλλου Bluetooth. Η παρούσα έρευνα εξετάζει τους κινδύνους που βασίζονται στο Bluetooth, στα συστήματα BCI και προτείνει αντίμετρα. Επιθέσεις όπως Bluebugging, Bluejacking, Bluesnarfing, BlueBorne, Location Tracking, Man-in-the-Middle, KNOB, BLESA, και Reflection Attack αναλύονται ως προς τη μηχανική τους και τον αντίκτυπό τους στα εμπορικά συστήματα BCI, ενώ προτείνονται συγκεκριμένες στρατηγικές μετριασμού για την ασφάλεια των εφαρμογών BCI. Η καινοτομία της μελέτης έγκειται στην ολοκληρωμένη συγκριτική ανάλυση και την εφαρμογή προηγμένων μοντέλων σε πραγματικές συνθήκες, κάτι που δεν έχει διερευνηθεί επαρκώς σε προηγούμενες εργασίες. Η χρήση διαφόρων αρχιτεκτονικών νευρωνικών δικτύων και η αξιολόγησή τους σε πραγματικά δεδομένα προσφέρει σημαντικές γνώσεις για την ανάπτυξη και βελτίωση της τεχνολογίας BCI. Αυτό το πλαίσιο επιτρέπει την καλύτερη κατανόηση των προκλήσεων και των ευκαιριών που προκύπτουν από τη χρήση της τεχνολογίας αυτής και θέτει τα θεμέλια για μελλοντικές καινοτομίες στον τομέα της αλληλεπίδρασης ανθρώπου-μηχανής Συνολικά, η μελέτη καταδεικνύει ότι η ενσωμάτωση τεχνικών βαθιάς μάθησης, όπως τα CNN-LSTM, σε συστήματα BCI προσφέρει μια αξιόπιστη και αποδοτική λύση για την πρόβλεψη και τον έλεγχο ρομποτικών συστημάτων, με σημαντικές προοπτικές εφαρμογής σε πραγματικές συνθήκες. Παράλληλα, η υλοποίηση μηχανισμών ασφάλειας κατά την ανάπτυξη αυτών των συστημάτων είναι απαραίτητη για την εξασφάλιση της ομαλής και ασφαλούς λειτουργίας τους. Η παρούσα διδακτορική έρευνα συμβάλλει στην επιστήμη μέσω της ανάπτυξης ενός πρωτότυπου μοντέλου που προσεγγίζει καταναλωτικά συστήματα διεπαφής εγκεφάλου-υπολογιστή, τα οποία έχουν σχεδιαστεί κυρίως για ψυχαγωγικούς σκοπούς. Παρά την έλλειψη της υψηλής ιατρικής ακρίβειας, που χαρακτηρίζει κυρίως εξειδικευμένα ιατρικά BCI συστήματα, αυτά τα καταναλωτικά προϊόντα προσφέρουν σημαντικά πλεονεκτήματα, όπως η οικονομική προσιτότητα και η ευρεία διαθεσιμότητα στο κοινό. Η έρευνα εξετάζει τη δυνατότητα επαναπροσδιορισμού της χρήσης αυτών των συστημάτων για την ενδεχόμενη υποστήριξη ατόμων με κινητικά προβλήματα, είτε αυτά προκύπτουν από τραυματισμούς είτε από νευρολογικές παθήσεις, όπως η μυασθένεια. Η δυνατότητα χρήσης προσιτών BCI συστημάτων ανοίγει νέους ορίζοντες στην αποκατάσταση και την υποστήριξη της ανεξαρτησίας των ασθενών, καθιστώντας την τεχνολογία αυτή προσβάσιμη σε ένα ευρύτερο κοινό και μειώνοντας το οικονομικό βάρος που συνδέεται με τις παραδοσιακές ιατρικές λύσεις. Επιπλέον, η έρευνα αναδεικνύει τη σημασία της διεπιστημονικής συνεργασίας μεταξύ των τομέων της νευροεπιστήμης, της μηχανικής και της πληροφορικής, προκειμένου να επιτευχθεί η βέλτιστη ενσωμάτωση των BCI συστημάτων στην καθημερινή ζωή των χρηστών. Αυτή η προσέγγιση μπορεί ενδεχομένως να οδηγήσει σε μελλοντικές καινοτόμες λύσεις που θα επιτρέψουν στα άτομα με κινητικά προβλήματα να επανακτήσουν μέρος της αυτονομίας τους και να συμμετέχουν ενεργά στην κοινωνία.