مدل حلقه بسته رابط مغز-رایانه تعاملی مبتنی بر هوش مصنوعی جهت ارتقای دقت یادگیری

رابط های مغز-رایانه (BCI) در حال گذار از محیط های کنترل شده آزمایشگاهی به کاربردهای دنیای واقعی هستند، با این حال، حفظ پایداری، دقت و تعمیم پذیری در تعاملات بلادرنگ همچنان به عنوان یک چالش اساسی در مسیر توسعه این فناوری شناخته می شود. هدف اصلی این پژوهش، توسعه و ارزیابی یک مدل حلقه بسته (Closed-loop) مبتنی بر هوش مصنوعی برای بهینه سازی کنترل و تعامل در محیط های آموزشی است. سیستم پیشنهادی با بهره گیری از الگوریتم های پیشرفته تشخیص داده های خارج از توزیع (OOD Detection)، مکانیسم های ایمنی تصمیم گیری را در فرآیندهای ناهمگام (Asynchronous) تقویت کرده و تعامل کاربر با سامانه را در شرایط پویای آموزشی شبیه سازی می کند. روش شناسی اتخاذ شده بر پایه ترکیب پیش پردازش سیگنال های الکتروانسفالوگرافی (EEG) و یک معماری عصبی هوشمند برای هم تطبیقی (Co-adaptation) میان کاربر و سامانه استوار است. نتایج ارزیابی نشان می دهد که استفاده از مدل پیشنهادی، نه تنها نرخ خطای تصمیم گیری را در مقایسه با روش های طبقه بندی معمول کاهش می دهد، بلکه با افزایش ثبات در کنترل بلادرنگ، به طور معناداری تعامل کاربر با محیط آموزشی را تسهیل می کند. نوآوری اصلی این مطالعه در پیاده سازی یک چارچوب سلسله مراتبی است که با امتناع هوشمندانه از تصمیم گیری های نامطمئن و آرتیفکت زده، پایداری سامانه را تضمین می نماید. این دستاورد، مسیر را برای طراحی رابط های مغز-رایانه کاربرپسند و ایمن در حوزه های تخصصی آموزش، به ویژه در سیستم های کمک آموزشی هوشمند، هموار می سازد. یافته های حاصل بیانگر پتانسیل بالای این مدل در گذار از پروتکل های کالیبراسیون محور زمان بر به سوی سیستم های انطباق پذیر تعاملی است که درنهایت موجب بهبود کمی و کیفی تجربه یادگیری خواهد شد.

کلیدواژه ها:

تشخیص داده های خارج از توزیع ، حلقه بسته ، رابط مغز-رایانه ، رابط مغز-رایانه آموزشی ، یادگیری عمیق