طبقه بندی سیگنال های مغزی EEG مبتنی بر تصور حرکتی با استفاده از روش های یادگیری عمیق

سیستم های رابط مغز و رایانه از طریق سیگنال های مغزی امکان ارتباط با دنیای بیرون را بدون استفاده از واسطه های فیزیولوژیکی برای افراد دارای ناتوانی جسمی فراهم می کند. یکی از انواع این سیستم ها، سیستم های مبتنی بر تصور حرکتی است. از مهمترین بخش ها در طراحی این سیستم ها، طبقه بندی سیگنال های مغزی مبتنی بر تصور حرکت به کلاس های تصور حرکت به منظور تبدیل به فرمان کنترلی است. در این مقاله یک روش نوین طبقه بندی سیگنال های مغزی مبتنی بر تصور حرکتی با استفاده از روش های یادگیری عمیق ارایه شده است.

این مطالعه مقطعی در دانشکده فناوری های نوین پزشکی دانشگاه علوم پزشکی اصفهان از بهمن 1398 تا تیر 1401 انجام شد در بلوک پیش-پردازش قطعه بندی سیگنال های مغزی، انتخاب کانال های مناسب و استفاده از فیلتر باترورث (Butterworth filter)، سپس تبدیل موجک جهت انتقال به حوزه زمان-فرکانس و در قسمت طبقه بندی از دو طبقه بند شبکه یادگیری عمیق کانولوشنی یک بعدی با دو معماری و شبکه یادگیری عمیق کانولوشن دوبعدی با دو معماری با ورودی سه موجک مادر Cmor، Mexicanhat و Cgaus به کار گرفته شده و درنهایت عملکرد شبکه ها بررسی شده اند.

یافته ها: 

سه کانال برای 9 سوژه موردنظر، به عنوان بهترین کانال ها انتخاب شدند. همچنین پس از یافتن پارامترهای بهینه در ساختار داده، تبدیل موجک با موجک مادر Cgaus بالاترین درصد را در دو معماری پیشنهاد شده، دارد. صحت 53/92%، بالاترین صحت مربوط به معماری دوم شبکه عصبی کانولوشن دوبعدی پیشنهاد داده شده است.

نتیجه گیری:

 نتایج به دست آمده از شبکه های پیشنهاد شده، نشان دهنده آن است که شبکه های یادگیری عمیق مناسب می توانند به عنوان ابزاری مناسب و دقیق برای طبقه بندی دادگان مبتنی بر تصور حرکت مورد استفاده قرار گیرند.