مروری مقایسه ای بر معماری های یادگیری عمیق برای طبقه بندی سیگنال های EEG تصورات حرکتی : از CNN تا Transformer

واسط مغز-کامپیوتر مبتنی بر سیگنال های الکتروآنسفالوگرافی تصورات حرکتی یکی از پرکاربردترین حوزه های تحقیقاتی در مهندسی پزشکی و هوش مصنوعی است. در سال های اخیر، روش های یادگیری عمیق توانسته اند عملکرد قابل توجهی در طبقه بندی این سیگنال ها نشان دهند. این مقاله به بررسی و مقایسه جامع معماری های مختلف یادگیری عمیق شامل شبکه های کانولوشنال ، شبکه های بازگشتی ، معماری های ترکیبی و مدل های مبتنی بر انتقال دهنده می پردازد. نتایج بررسی نشان می دهد که مدل های مبتنی بر انتقال دهنده با دقت های ۸۲-۹۰ درصد عملکرد برتری نسبت به روش های سنتی دارند، اما معماری های شبکه های کانولوشنال ساده همچنان برای کاربردهای بلادرنگ مناسب تر هستند.

کلیدواژه ها:

واسط مغز-کامپیوتر ، الکتروآنسفالوگرافی ، تصورات حرکتی ، یادگیری عمیق ، انتقال دهنده