توصيفگر ها :
مدل صرع ساز , كنترل كننده سطح ديناميكي , كنترل تطبيقي , مشاهده گر حالت , شبكه عصبي RBF
چكيده فارسي :
مغز ما شامل ميليون‌ها نورون است كه اين نورون‌ها در تعامل باهم تمامي فعاليت‌هاي ذهني و جسمي فرد را كنترل مي‌كنند. هر تغييري در سطح ميان ارتباطات نرون ها سبب بروز اختلالات عصبي در فرد مي‌شود. يكي از اين اختلالات شايع صرع است. صرع خود را با تشنج هاي مكرر در يك دوره زماني نمايش مي دهد. براي درمان صرع روش هاي زيادي مانند دارو، عمل جراحي و اخيراً تحريك مناطق مغزي براي كنترل فعاليت و ارتباط نرون ها پيشنهاد شده است. در اين پايان نامه يك سيستم كنترلي براي انتخاب تحريك مناسب با هدف كاهش حمله هاي صرعي پيشنهاد شده است. يكي از اجزاي سيستم هاي كنترلي بازخورد است، بازخورد از فعاليت‌هاي صرعي رخ داده در مغز را مي‌توان توسط سيگنال‌هاي دريافت شده از الكترود بيرون يا در درون جمجمه تشخيص داد. ديگر جزء مهم در سيستم تحت كنترل عملگر است، عملگر هاي درماني مي توانند دارو يا درمان با تحريك الكتريكي باشند، هر دو اين موارد را مي توان به عنوان ورودي هاي فرآيند كنترل در نظر گرفت.
بنابراين در ابتدا به معرفي مدل صرع ساز مي‌پردازيم كه توانايي بازتوليد فعاليت‌هاي صرع با سيگنال هاي پتانسيل هاي ميدان محلي (LFP) را دارد، اين مدل شامل پنج حالت است. براساس مدل صرع ساز روش هاي كنترلي متفاوتي پيشنهاد شده است ، با اين حال به علت عدم وجود اثبات براي كراندار ماندن تمامي حالت هاي پنجگانه سيستم و سرعت كند همگرائي سيستم در پژوهش هاي قبل، بر اين اساس ما به طراحي كنترل‌كننده سطح ديناميكي مي‌پردازيم. سپس با توجه به عدم قطعيت‌هاي موجود در مدل سازي با نامشخص گرفتن ديناميك‌هاي مدل به طراحي كنترل‌كننده سطح‌‌ديناميكي تطبيقي بر پايه شبكه‌هاي عصبيRBF مي‌پردازيم. با توجه به اينكه متغير هاي بيولوژيكي مرتبط با هريك از حالت هاي پنج گانه در مدل صرع ساز به روشني بيان نشده است و تنها خروجي قابل اندازه گيري، سيگنال LFP است، پس به طراحي يك مشاهده‌گر حالت براي سيستم و اثبات پايداري آن خواهيم پرداخت. در پايان به بررسي نتايج شبيه‌سازي به بررسي عملكرد كنترل‌كننده هاي پيشنهادي خواهيم پرداخت.
چكيده انگليسي :
Our brain contains millions of neurons, which interact with each other to control all mental and physical activities of a person. Any change in the level of connectivity between these neurons causes neurological disorders in a person. One of these common disorders is epilepsy. Epilepsy manifests itself with frequent seizures over a sometime. For the treatment of epilepsy, many methods have been proposed, such as drugs, surgery, and recently stimulation of brain areas to control the activity and communication of neurons. In this thesis, a control system is proposed to select the appropriate stimulation to reduce epileptic attacks. One of the components of control systems is feedback, the feedback of epileptic activity occurring in the brain can be detected by the signals received from the electrode on/inside the skull. Another important component in the control system is actuator, the therapeutic actuators can be drugs or electrical stimulation treatment, both of these can be considered as inputs to the control process.
Thus, we will first introduce a model that can reproduce epileptic activities with the local field potentials (LFP) signals, this model includes 5 states. Based on the epileptor model, different control methods have been proposed, however, due to the lack of proof for the boundedness of all the five states of the control system and the slow speed of system convergence in previous research, based on this, we design a dynamic surface controller. Then, according to the existence of uncertainties in the model, we design the adaptive dynamic surface controller based on RBF neural networks. Considering that the biological variables associated with each of the five states in the epileptor model are not measurable and the only measurable output is the LFP signal, design of a state observer for the control system and its stability proof. In the end, using simulation examples, we will examine the performance of the proposed controllers.
