تشخیص حروف مدنظر کاربر در سیستم رابط مغز–کامپیوتر مبتنی بر P۳۰۰ با استفاده از شبکه های عصبی کانولوشنی عمیق

سیستم های رابط مغز–کامپیوتر (Brain–Computer Interface) مبتنی بر پتانسیل های وابسته به رویداد (ERP)، به ویژه مولفه P۳۰۰، یکی از رویکردهای موثر برای برقراری ارتباط مستقیم میان مغز و رایانه بدون نیاز به فعالیت های عضلانی محسوب می شوند. این سیستم ها کاربرد گسترده ای در کمک به افراد دارای ناتوانی های حرکتی شدید دارند، با این حال عملکرد آن ها همچنان تحت تاثیر نویز سیگنال EEG و وابستگی روش های مرسوم به استخراج ویژگی دستی قرار دارد.در این پژوهش، یک روش تشخیص حروف در پارادایم P۳۰۰ مبتنی بر شبکه های عصبی کانولوشنی عمیق (CNN) ارائه می شود. در روش پیشنهادی، سیگنال های EEG پس از انجام مراحل پیش پردازش، به بازه های زمانی هم زمان با ارائه محرک ها تقسیم شده و به صورت نگاشت های زمان–کانال بازنمایی می شوند. این بازنمایی ها به طور مستقیم به شبکه CNN اعمال می شوند تا ویژگی های زمانی–فضایی مرتبط با پاسخ P۳۰۰ به صورت خودکار استخراج شوند. هدف اصلی این رویکرد، بهبود دقت تشخیص حروف و کاهش نیاز به مهندسی ویژگی دستی است.نتایج ارزیابی نشان می دهد که مدل پیشنهادی توانایی مناسبی در یادگیری الگوهای مرتبط با مولفه P۳۰۰ داشته و در مقایسه با روش های کلاسیک، عملکرد بهتری در تشخیص حروف ارائه می دهد. این یافته ها نشان می دهد که استفاده از مدل های یادگیری عمیق می تواند نقش موثری در بهبود کارایی سیستم های BCI مبتنی بر ERP ایفا کند و گامی در جهت توسعه سامانه های ارتباطی هوشمند برای کاربران دارای محدودیت های حرکتی باشد.

کلیدواژه ها:

رابط مغز–کامپیوتر ، EEG ، P۳۰۰ ، تشخیص حروف ، شبکه عصبی کانولوشنی