مدل شبکه عصبی عمیق با رویکرد انتخاب کانال احتمالاتی برای دسته بندی سیگنال های الکتروانسفالوگرافی

واسط مغز و کامپیوتر به فرآیندی اطلاق می شود که در آن با تحلیل سیگنال های مغزی انسان، کنترل دستگاه های خارجی امکان پذیر می گردد. یکی از کاربردهای این واسط، تحلیل گفتار تصوری است. با استفاده از این تحلیل، می توان دستگاه های خارجی را از طریق سیگنال های مغزی کنترل کرد. از جمله کاربردهای تحلیل گفتار تصوری، برقراری ارتباط افراد دارای معلولیت با دیگران و ابزارها است. سیگنال های الکترونسفالوگرافی (EEG) یکی از روش های متداول برای جمع آوری سیگنال های مغزی محسوب می شوند. این روش به دلیل غیرتهاجمی بودن، هزینه کم و دقت زمانی، در بسیاری از تحقیقات مورد استفاده قرار گرفته است. در روش پیشنهادی، سیگنال های EEG پس از عبور از فیلتر میانگذر ۱۳ تا ۳۰ هرتز و با استفاده از الگوریتم ژنتیک، ۸۰ درصد از کانال های دارای بیشترین ارتباط انتخاب می شوند. سپس سیگنال های کانال های منتخب به فیلتر الگوهای فضایی مشترک وارد شده و پس از آن به دو شبکه ی عمیق چند لایه و حافظه ی بلند-کوتاه مدت داده می شوند. پس از آموزش دو مدل، الیه های خروجی حذف شده و آخرین الیه های پنهان هر دو مدل با هم ترکیب و به یک مدل جنگل تصادفی ارسال می شوند تا دسته بندی نهایی انجام شود. برای ارزیابی مدل پیشنهادی از مجموعه داده ی KARAONE استفاده شده و نتایج نشان می دهد که مدل پیشنهادی در مقایسه با سایر مدل ها، دقت بیشتری دارد و دقت را به میزان ۴.۱۶ درصد بهبود داده است.

کلیدواژه ها:

الکترونسفالوگرافی (EEG) ، الگوریتم ژنتیک ، الگوی مکانی مشترک ، حافظه کوتاه-بلند مدت ، جنگل تصادفی