تحلیل سیگنال های الکترواوکولوگرافی برای ارزیابی نمره مهارت های مسیریابی با مدل های یادگیری ماشین و شبکه های عصبی عمیق

پژوهش حاضر با هدف تحلیل حرکات چشم و پیش بینی سطح مهارت افراد در مسیریابی، به بررسی سیگنال های الکترواکولوگرافی می پردازد. در این راستا، سیگنال های حرکت افقی و عمودی چشم ۲۷ شرکت کننده طی بازه های زمانی ۷۰ ثانیه ای ثبت و تحلیل گردید. پیش پردازش داده ها شامل استخراج بردارهای سیگنال افقی، عمودی و زمانی، همراه با تحلیل های آماری نظیر محاسبه میانگین، انحراف معیار و مقادیر اکسترمم بود. افزون بر این، ارتباط معناداری بین سطح تحصیلات و نمرات آزمون ارزیابی مختصر وضعیت شناختی شرکت کنندگان مشاهده شد؛ به گونه ای که افزایش سطح تحصیلات با ارتقای میانگین نمرات شناختی همراه بود. در گام مدل سازی، پس از اعمال تکنیک های نرمال سازی و کاهش ابعاد، عملکرد چهار الگوریتم یادگیری ماشین و یادگیری عمیق شامل ماشین بردار پشتیبان، پرسپترون چندلایه، حافظه کوتاه مدت ماندگار و شبکه دوسویه آن جهت طبقه بندی و پیش بینی مهارت مسیریابی ارزیابی شد. نتایج ارزیابی نشان داد که مدل های مذکور پس از طی مراحل پردازشی، به ترتیب به دقت ۸۸.۸۳٪، ۹۵.۴۹٪، ۹۵.۶۷٪ و ۹۶.۸۳٪ دست یافتند. دستاوردهای این مطالعه اثبات می کند که تحلیل حرکات چشم مبتنی بر سیگنال های ثبت شده، رویکردی کارآمد برای ارزیابی مهارت های مسیریابی و توانمندی های شناختی به شمار می رود و می تواند بستر مناسبی برای توسعه رابط های انسان-ماشین و پژوهش های روان شناختی فراهم آورد.

کلیدواژه ها:

تحلیل حرکات چشم ، سیگنال الکترواکولوگرافی ، پیش بینی مهارت مسیریابی ، یادگیری عمیق ، شبکه های عصبی