رده بندی تصور گفتار مبتنی بر سیگنال های مغزی با افزودن داده ها و شبکه تطبیق دامنه هماوردانه با استفاده از یادگیری عمیق در کاربرد رابط مغزرایانه

رابط مغز -رایانه مبتنی بر گفتار راهبردهای ارتباط صوتی موثری را برای کنترل دستگاه ها از طریق دستورات گفتاری که از سیگنال های مغزی تفسیر می شوند، ارائه می کنند. یکی از چالش های مهم در مسئله رابط مغز-رایانه رده بندی سیگنال های مغزی مبتنی بر الکتروانسفالوگرافی است. الکتروانسفالوگرافی یک سیگنال مغزی غیرتهاجمی است که از سطح پوست سر از طریق الکترودها ضبط می شود. سیگنال های به دست آمده با استفاده از تجهیزات آسان و ارزان دارای وضوح مکانی نسبتا پایین و وضوح زمانی بالا هستند که برای دستیابی به نتایج بهینه مناسب ترین روش استخراج و رده بندی ویژگی ها باید استفاده شود. همچنین جمع آوری داده های کافی برای آزمودنی جدید زمان و تلاش زیادی می طلبد که در این مقاله افزودن داده ها با استفاده از مدل مولد هماوردانه به منظور بهبود عملکرد رده بندی سیگنال های مغزی پیشنهادشده است. همچنین مدلی برای رده بندی تصور گفتار مبتنی بر سیگنال های مغزی آزمودنی جدید با یادگیری انتقالی با استفاده از روش مولد هماوردانه مبتنی بر تطبیق دامنه متمایزکننده هماوردانه ارائه شده است. به منظور شناسایی تصور گفتار از پایگاه داده KaraOne استفاده شده است. روش پیشنهادی با سایر روش های جدید بر اساس معیارهای صحت و کاپا مورد ارزیابی قرار گرفتند. طبق نتایج به دست آمده روش پیشنهادی با صحت ۸۶ ٪ و ۲۱/۶۰ ٪ به ترتیب تصور کلمات و واج ها را رده بندی می کند. مدل پیشنهادی، مستقل از سیگنال های مغزی هر فرد است که با آموزش مدل بر روی سیگنال های مغزی افزوده شده آزمودنی ها در دامنه منبع می توان به طور موثر سیگنال ها را در دامنه هدف بدون نیاز به داده های برچسب گذاری شده از آزمودنی جدید رده بندی کرد.

کلیدواژه ها:

تصور گفتار ، افزودن داده ، تطبیق دامنه متمایزکننده هماوردانه ، یادگیری عمیق ، یادگیری انتقالی ، شبکه عصبی پیچشی ، رابط مغز -رایانه