جلوگیری از پرت شدن حواس بیماران در حین انجام توانبخشی حرکتی اهمیت زیادی دارد. یک استراتژی بیوفیدبک مبتنی بر EEG معرفی شده است تا به شرکت‌کنندگان کمک کند تا توجه خود را بر وظایف توانبخشی متمرکز کنند. در این مطالعه، ما یک روش نظارتی مبتنی بر BCI را با استفاده از مکان‌نما و هدف سوسوزن پیشنهاد می‌کنیم که می‌تواند یک پتانسیل برانگیخته بصری حالت پایدار (SSVEP) را برانگیزد و به نظارت بر سطح توجه بیمار کمک کند.

پانزده فرد سالم در این مطالعه شرکت کردند و یک کار ردیابی را انجام دادند که در آن هدف و مکان‌نما سوسو می‌زدند. دو جلسه ردیابی وجود داشت، یکی با و دیگری بدون محرک‌های سوسوزن. هر جلسه شامل چهار حالت بود: بدون عامل حواس‌پرتی (غیر-D)، حواس‌پرتی بصری (Vis-D)، حواس‌پرتی شناختی (Cog-D) و هر دو حواس‌پرتی (هر دو-D). یک شبکه عصبی EEGNet به‌عنوان طبقه‌بندی‌کننده تنها با استفاده از شرایط غیر-D و هر دو-D آموزش داده شد تا طبقه‌بندی کند که آیا حواس بیمار پرت شده است یا خیر. نتایج نشان داد که طبقه‌بندی‌کننده پیشنهادی عملکرد بهتری در شرایط با محرک‌های سوسوزن نسبت به شرایط بدون محرک‌های سوسوزن داشت.

پیشینه پژوهش
توانبخشی عمدتاً با سازماندهی مجدد عصبی همراه است که انعطاف‌پذیری مغز نامیده می‌شود. این انعطاف‌پذیری به عنوان توانایی ذاتی مغز برای سازماندهی مجدد عملکرد و ساختار خود در پاسخ به محرک‌ها و آسیب‌ها تعریف می‌شود. مطالعات نشان داده‌اند که توجه نقش مهمی در افزایش انعطاف‌پذیری عصبی و یادگیری حرکتی دارد که مستقیماً بر نتیجه توانبخشی بیمار تأثیر می‌گذارد. با این حال، بیماران اغلب توسط عوامل حواس‌پرتی در محیط اطرافشان پرت می‌شوند که می‌تواند اثربخشی انعطاف‌پذیری مغز را کاهش دهد.

روش پژوهش
ما ۱۵ فرد سالم راست دست را برای این مطالعه انتخاب کردیم. شرکت‌کنندگان یک کار حرکتی را انجام دادند که در آن باید یک هدف نیم‌دایره‌ای را ردیابی کنند و با استفاده از ماوس یک دایره با مکان‌نمای نیم‌دایره‌ای دیگر بسازند. هدف و مکان‌نما به ترتیب در فرکانس‌های ۱۵ و ۱۲ هرتز سوسو می‌زدند تا الگوی SSVEP در سیگنال مغز برانگیخته شود. دو نوع حواس‌پرتی، بصری و شناختی، در این مطالعه استفاده شد.

تجزیه و تحلیل داده‌ها
داده‌های EEG از ۱۹ الکترود خشک جمع‌آوری شد. داده‌ها فیلتر شده و نویزهای ناخواسته حذف شدند. مدل یادگیری عمیق با استفاده از داده‌های شرایط غیر-D و هر دو-D آموزش داده شد. سپس مدل برای ارزیابی سطح حواس‌پرتی در شرایط مختلف استفاده شد.

نتایج
پاسخ‌های SSVEP در پارادایم با هدف و مکان‌نما در حال سوسو زدن مشاهده شد. دامنه پاسخ‌ها با توجه به تعداد عوامل حواس‌پرتی تغییرات سیستماتیک نشان داد. مدل آموزش‌دیده با داده‌های دارای محرک‌های سوسوزن دقت بالاتری نسبت به حالت بدون محرک‌های سوسوزن نشان داد. این نتایج نشان می‌دهد که روش پیشنهادی ما برای اندازه‌گیری حالت حواس‌پرتی کاربر مناسب‌تر است.

بحث و نتیجه‌گیری
روش پیشنهادی برای تشخیص حالت پرت شدن حواس کاربر در حین کار حرکتی با استفاده از SSVEP دارای مزایای زیر است:

سیستم طبقه‌بندی پیشنهادی می‌تواند حالت پرت شدن حواس را به طور یکپارچه ارائه دهد.
SSVEP در بین موضوعات قوی‌تر است و سیستم ما می‌تواند با استحکام بیشتری در بین موضوعات بدون نیاز به جلسه پیش کالیبراسیون استفاده شود.
پارادایم SSVEP کمتر حواس‌پرتی ایجاد می‌کند و نیازی به شمارش محرک‌های هدف یا توجه به آنها ندارد.
این روش می‌تواند به طور موثر در توانبخشی حرکتی به کار رود و با تشویق توجه کاربران به سوسو زدن مکان‌نما و هدف، که منعکس کننده حرکات آنها در هنگام استفاده از پارادایم‌های توانبخشی مبتنی بر بازی است، اثربخشی توانبخشی را افزایش دهد.

استفاده از SSVEP برای اندازه‌گیری توجه کاربر به وظایف توانبخشی می‌تواند بهبود قابل توجهی در تمرکز و اثربخشی توانبخشی حرکتی داشته باشد. این روش با کاهش نیاز به تلاش اضافی و حفظ توجه کاربر به تمرینات حرکتی، می‌تواند به عنوان یک ابزار موثر در سیستم‌های توانبخشی کامپیوتری مورد استفاده قرار گیرد.