ترکیب مدل های Transformer و EEGNet برای شناسایی سیگنال های EEG تصور حرکتی

شناسایی سیگنال های الکتروانسفالوگرافی (EEG) مربوط به تصور حرکت، جنبه ای حیاتی در ارزیابی های اختلالات شناختی در زمینه تحقیقاتی رابط مغز-رایانه (BCI) است. تنوع ذاتی این سیگنال ها در افراد مختلف، چالش بزرگی در توسعه مدل هایی ایجاد می کند که بتوانند به طور دقیق آن ها را شناسایی و تفسیر کنند. علاوه بر این، توانایی شناسایی تصور حرکت با استفاده از مدت زمان های کوتاه تر سیگنال، برای افزایش قابلیت اعتماد و کاربردپذیری سیستم های BCI اهمیت زیادی دارد. در این مطالعه، یک مدل هیبریدی نوآورانه پیشنهاد می شود که معماری های Transformer و EEGNet را برای طبقه بندی سیگنال های EEG تصور حرکتی ترکیب می کند. ادغام این دو معماری، به مدل ما این امکان را می دهد که از ویژگی های فضایی و زمانی موجود در داده های EEG استفاده کند. پژوهش انجام شده نتایج امیدوارکننده ای را نشان می دهد که در آن دقت ۶۶.۹% برای ترایال ۲ ثانیه ای با ارزیابی میان گروهی با استفاده از مجموعه داده Physionet  به دست می آورد. ارزیابی های مقایسه ای در برابر مدل های پیشرفته نشان می دهند که عملکرد روش پیشنهادی به ویژه در دستیابی به معیارهای قابل توجه با مدت زمان های ترایال کوتاه تر، برتری دارد.

کلیدواژه ها:

تصور حرکت ، EEG ، Transformer ، EEGNet ، طبقه بندی