یک روش یادگیری عمیق انتها - به - انتها برای طبقه بندی سیگنال های EEG در تصور حرکتی

به شبیه سازی یک حرکت یا عمل در مغز تصور حرکتی (MI) گفته می شود که هم پیش از وقوع یک حرکت واقعی هم تصور آن حرکت سیگنال آن به صورت EEG قابل دریافت است. با تحلیل مناسب این سیگنال ها می توان آن ها را در رابط های مز و کامپیوتر (BCI) برای کاربردهایی مانند ویلچر هوشمند، حرکت اندام ها و بازی های رایانه ای مورد استفاده قرار داد. یکی از مراحل اصلی این حوزه طبقه بندی سیگنال های EEG از نوع MI است. در این مقاله یک روش مبتنی بر یادگیری عمیق که متشکل از یک شبکه ی عصبی کانولوشنی است، معرفی شده که در آن از کانولوشن های یک بعدی یک بار در طول زمان و یک بار به صورت فضایی استفاده مش ود. با آزمایش روش پیشنهادی به کمک مجموعه داده ی Physionet Motor Movement/MI نتایج به خوبی نشان می دهند که معماری پیشنهادی برای طبقه بندی سیگنال های EEG کارایی مناسبی دارد.

کلیدواژه ها:

تصور حرکتی (MI) ، یادگیری عمیق ، شبکه های عصبی کانولوشنی (CNN) ، سیگنال EEG ، رابط مغز و کامپیوتر (BCI)