بهبود عملکرد رابط مغز رایانه مبتنی بر پتانسیل برانگیخته بینایی حالت ماندگار با استفاده از شبکه عصبی کانولوشنی مکانی طیفی-زمانی و گراف

رابط های مغز رایانه مبتنی بر پتانسیل برانگیخته بینایی حالت ماندگار (SSVEP) از جمله روش های کارآمد در برقراری ارتباط مستقیم بین مغز و رایانه هستند اما عملکرد آن ها به دلیل نویزهای ذاتی سیگنال EEG، همپوشانی فرکانسی محرک ها و محدودیت در استخراج ویژگی های موثر، هنوز با چالش هایی روبه رو است. در این پژوهش روشی نوین برای بهبود عملکرد سامانه های SSVEP پیشنهاد شده است که بر پایه ترکیب ویژگی های مکانی، طیفی و زمانی و بهره گیری از ساختار گرافی بین کانال های EEG طراحی گردیده است. در گام نخست سیگنال های EEG با استفاده از فیلتر میان گذر مناسب پیش پردازش شده و سپس با اعمال تبدیل نمایش چندوضوحی زمان -فرکانس استخراج می شود. در ادامه به منظور مدل سازی ارتباطات عملکردی بین نواحی مغزی، ماتریس مجاورت بر اساس ضریب همبستگی پیرسون محاسبه و ویژگی های گرافی حاصل با ویژگی های طیفی و زمانی ادغام می شوند. برای استخراج الگوهای تفکیک پذیر یک شبکه عصبی کانولوشنی مکانی طیفی-زمانی طراحی شده است که قابلیت یادگیری همزمان روابط فضایی، فرکانسی و دینامیکی سیگنال را دارد. در مرحله ی بهینه سازی از الگوریتم فراابتکاری کپلر جهت تنظیم خودکار ابر پارامترهای شبکه استفاده شده است. نتایج آزمایش ها بر روی مجموعه داده SSVEP دانشگاه Tsinghua با ۴۰ کلاس محرک بینایی نشان می دهد که روش پیشنهادی به دقت ۹۵/۶۷، صحت ۹۵/۹۰، یادآوری ۹۵/۱۶ و امتیاز F۱ برابر با ۹۵/۵۳ دست یافته است. مقایسه با روش های پیشین نشان می دهد که رویکرد پیشنهادی توانسته است بهبود معناداری در دقت و پایداری رابط های مغز رایانه مبتنی بر SSVEP ایجاد کند.

کلیدواژه ها:

رابط مغز رایانه ، پتانسیل برانگیخته بینایی حالت ماندگار ، شبکه عصبی کانولوشنی ، الگوریتم بهینه سازی کپلر ، تحلیل فضایی طیفی-زمانی