تشخیص هوشیاری رفتاری تحت تحریک مغزی با استفاده از سیگنال EEG و ECG و شبکه CNN-BiLSTM

تشخیص هوشیاری رفتاری و بررسی تغییرات شناختی ناشی از تحریک الکتریکی مغزی، یکی از موضوعات مهم در حوزه مهندسی پزشکی و تحلیل سیگنال های زیستی به شمار می رود. در سال های اخیر، استفاده از روش های یادگیری عمیق در تحلیل سیگنال های مغزی، به دلیل توانایی بالا در استخراج الگوهای پیچیده زمانی و مکانی، مورد توجه قرار گرفته است. در این پژوهش، رویکردی مبتنی بر یادگیری عمیق برای تفکیک شرایط تحریک و بدون تحریک مغزی با استفاده از سیگنال های الکتروانسفالوگرام (EEG) و داده های عملکرد شناختی ارائه شده است. داده های مورد استفاده شامل سیگنال های EEG، ECG و EOG مربوط به ۲۰ فرد سالم (۷ زن و ۱۳ مرد، در بازه سنی ۱۹ تا ۴۳ سال) بود که حین انجام تکلیف شناختی ردیابی جبرانی (CTT)، تحت شرایط تحریک HD-tES و حالت بدون تحریک (Sham) قرار گرفتند. پس از پیش پردازش داده ها و اعمال روش تجزیه حالت تجربی (EMD)، ویژگی های خطی و غیرخطی از سیگنال ها استخراج شد. سپس عملکرد مدل های ماشین بردار پشتیبان (SVM)، شبکه عصبی کانولوشنال (CNN)، مدل CNN-LSTM و مدل CNN-BiLSTM مورد ارزیابی و مقایسه قرار گرفت. نتایج نشان داد مدل CNN-BiLSTM با دقت ۹۱٫۲۰٪، امتیاز F۱ برابر ۹۳٫۴۹٪ و مقدار AUC معادل ۰٫۹۱، بهترین عملکرد را در میان مدل های بررسی شده ارائه می دهد. یافته های پژوهش نشان می دهد استفاده از معماری های هیبریدی مبتنی بر یادگیری عمیق می تواند رویکرد موثری برای تحلیل وضعیت های شناختی و پایش هوشیاری رفتاری مبتنی بر سیگنال های زیستی فراهم سازد.

کلیدواژه ها:

تحریک الکتریکی مغز ، الکتروانسفالوگرام ، شبکه عصبی کانولوشنال ، CNN-BiLSTM ، هوشیاری رفتاری