استفاده از شبکه های عصبی کانولوشنی با معماری های مختلف برای یادگیری نقطه به نقطه سیگنال های مغزی

با وجود پیشرفت چشمگیر، هنوز هم می تواند بهبود قابل ملاحظه ای در رابطه با چندین جنبه مهم استخراج اطلاعات از سیگنال های مغزی، از جمله دقت، تفسیرپذیری و قابلیت استفاده برای برنامه های آنلاین وجود داشته باشد. بنابراین، علاقه مندی مداومی به انتقال نوآوری ها از منطقه یادگیری ماشین به زمینه های رمزگشایی سیگنال های مغزی و رابط مغز و رایانه وجود دارد. اخیرا، برجسته ترین مثال از پیشرفت در یادگیری ماشین، استفاده از شبکه های عصبی کانولوشنی، به ویژه در مسائل بینایی کامپیوتر است. هدف از انجام این مقاله استفاده از شبکه های عصبی کانولوشنی با معماری های مختلف برای یادگیری نقطه به نقطه سیگنال های مغزی بوده است. در این مقاله از آزمون آماری ویلکاکسون برای بررسی اهمیت آماری میانگین تفاوت بین دقت های روش های رمز گشایی استفاده شده است. نتایج بدست آمده از پیاده سازی برای دو شبکه عصبی کاتولوشنی کم عمق و عمیق با نتایج تحقیق تطابق دارند و در شبکه عصبی کاتولوشنی عمیق همانند تحقیق پایه نتیجه بهتری را نسبت به روش رمزگشایی پایه شاهد بودیم. نتایجی که برای هر دو شبکه عصبی کم عمق و عمیق حاصل شد 1 الی 2 درصد از نتایج قبلی پایین تر بودند بنابرین انتخاب تابع فعالیت ELU و پارامتر بیشینه برای لایه تجمعی انتخاب های مناسب تری هستند.

کلیدواژه ها:

شبکه عصبی کانولوشنی ، یادگیری عمیق ، سیگنال های مغزی