یک معماری Bi-LSTM مبتنی بر مکانیزم توجه برای استخراج ویژگی های زمانی متمایز در طبقه بندی تصویرسازی حرکتی مبتنی برسیگنال های EEG

واسط های مغز-کامپیوتر (BCI) مبتنی بر تصویرسازی حرکتی (MI) پتانسیل قابل توجهی در بازگرداندن توانایی های ارتباطی و کنترلی به افراد دارای ناتوانی های شدید حرکتی دارند. با این حال، دقت و قابلیت اطمینان این سیستم ها تا حد زیادی به کیفیت استخراج ویژگی از سیگنال های الکتروانسفالوگرافی وابسته است. سیگنال های الکتروانسفالوگرافی مغز به طور ذاتی غیرخطی، غیرایستا و دارای نسبت سیگنال به نویز پایینی هستند که این ویژگی ها، فرایند استخراج ویژگی های متمایز را به چالشی اساسی بدل می کند.

در این پژوهش، یک معماری یادگیری عمیق سرتاسری مبتنی بر شبکه حافظه طولانی کوتاه مدت دوطرفه (Bi-LSTM) همراه با مکانیزم توجه زمانی برای طبقه بندی وظایف تصور حرکتی معرفی شده است. برخلاف مدل های بازگشتی استاندارد که همه گام های زمانی را به طور یکسان پردازش می کنند، مکانیزم توجه به مدل اجازه می دهد تا به صورت پویا بر بازه های زمانی حاوی اطلاعات مهم تر همچون - پدیده های گذرا- تمرکز کند.

کارایی مدل پیشنهادی با استفاده از مجموعه داده معتبرBCI Competition IV Dataset ۲a شامل ۲۵۹۲ نمونه سیگنال مغزی از ۹ آزمودنی در ۴ وظیفه تصور حرکتی، ارزیابی و با دو معماری پایه قدرتمند، شامل یک شبکه عصبی کانولوشنی بهینه سازی شده برای سیگنال های مغز و یک LSTM استاندارد، مقایسه شده است. نتایج حاکی از آن است که مدل Attention-Bi-LSTM با میانگین دقت طبقه بندی ، عملکرد به مراتب بهتری نسبت به مدل های LSTM (۴.۱%±۸۵.۷%) و CNN (۴.۸%±۸۳.۱) ارائه می دهد (p < ۰.۰۱).

علاوه بر این، مصورسازی وزن های توجه نشان می دهد که مدل به صورت خودکار قادر به شناسایی الگوهای زمانی کلیدی منطبق بر فیزیولوژی مغز است. این مطالعه نشان می دهد که ترکیب وابستگی های زمانی دوطرفه با مکانیزم توجه می تواند رویکردی موثر برای افزایش دقت و تفسیرپذیری در سیستم های واسط مغز -کامپیوتر مبتنی بر تصورحرکتی باشد.

کلیدواژه ها:

تصویرسازی حرکتی ، واسط مغز و کامپیوتر ، الکتروانسفالوگرافی ، مکانیزم توجه ، حافظه طولانی کوتاه مدت دوطرفه (Bi-LSTM) ، یادگیری عمیق.