طبقه بندی پتانسیل های وابسته به رویداد شنیداری در یک تکلیف افتراق زمانی مبتنی بر پارادایم ادبال

با وجود بیش از یک سده تحقیقات در زمینه چگونگی ادراک زمان توسط مغز انسان، پژوهش در مورد تشخیص الگوهای مربوط به ادراک زمان در سیگنال الکتروآنسفالوگرافی (EEG) افراد نادر بوده است.  

هدف از این مطالعه تشخیص کوتاه یا بلند بودن بازه مورد قضاوت توسط یک فرد، بر اساس سیگنال الکتروآنسفالوگرافی وی است.

در یک تکلیف ادبال شنیداری، از آزمودنی ها خواسته می شد که مدت زمانی محرک ادبال کوتاه (ms400) یا بلند (ms600) را با مدت ارایه محرک های استاندارد (ms500) پیش از آن مقایسه کنند. همزمان با ارایه تکلیف، الکتروآنسفالوگرافی افراد ثبت می شد. سپس نمونه های هدف (پتانسیل های مغزی برانگیخته شده توسط محرک ادبال ms400 یا ms600) و نمونه های غیرهدف (پتانسیل های مغزی برانگیخته شده توسط محرک استاندارد) به الگوریتم های طبقه بندی داده شد.

طبقه بند SVM با کرنل RBF توانست با بالاترین صحت طبقه بندی 94.25% از میان طبقه بندهای درخت تصمیم گیری و شبکه عصبی پرسپترون چند لایه (MLP)، نمونه های مورد آزمایش هدف (بازه ms400)  را از نمونه های غیرهدف (بازه های ms500 و ms600) تشخیص دهد. همچنین، این الگوریتم با صحت 93.98% نمونه های هدف ms600 را از نمونه های غیرهدف (بازه های ms500 و ms400) تشخیص داد و در نهایت با صحت 87.95%  توانست نمونه های مربوط به بازه های ms400  را از ms600 و ms500 تشخیص دهد.

یافته های این مطالعه نشان می دهد که یادگیری ماشین می تواند الگوهای مربوط به ادراک بازه کوتاه و بلند را براساس سیگنال الکتروانسفالوگرافی افراد، با دقت بالایی تشخیص دهد.