پیشرفت های نوین، چالش ها و کاربردهای بین رشته ای در رابط های مغز-رایانه (BCI) با تاکید بر EEG، یادگیری عمیق و علوم شناختی

رابط های مغز-رایانه (BCI) مبتنی بر الکتروانسفالوگرافی (EEG) به طور فزاینده ای برای برنامه های توانبخشی، کنترل دستگاه ها و درک شناختی مورد استفاده قرار می گیرند. با این حال، چالش های مهمی از جمله خطاهای طبقه بندی، بار شناختی بالا، و تعامل غیرطبیعی مانع از کاربرد گسترده آنها شده است. این مقاله یک چارچوب یکپارچه را پیشنهاد می کند که روش های پیشرفته پردازش سیگنال، طبقه بندی عصبی، و مکانیسم های شناختی را برای بهبود قابلیت اطمینان و تعامل در BCI ترکیب می کند. رویکرد پیشنهادی شامل سه جزء اصلی است: ۱. پیش پردازش و استخراج ویژگی با استفاده از فیلتر کالمن حالت-خطای M (RMESKF) و تبدیل توزیع تجمعی امضا شده (SCDT) برای حذف آرتیفکت ها و استخراج ویژگی های فضایی-زمانی. ۲. طبقه بندی تطبیقی با استفاده از شبکه عصبی تطبیقی زمان از پیش تعریف شده کارآمد (EPTNN) که توسط الگوریتم بهینه سازی حسابی بیتی (BAOA) بهینه شده است. ۳. مکانیسم بازخورد خطا با یکپارچه سازی پتانسیل های مرتبط با خطا (ErrP) برای تشخیص و تصحیح خطاهای تعاملی در زمان واقعی. این چارچوب بر روی مجموعه داده های عمومی EEG ارزیابی شده و بهبودهای قابل توجهی را در دقت (تا ۳۹.۱۲٪)، حساسیت (تا ۳۶.۱۲٪)، و نرخ انتقال اطلاعات (تا ۹۱٪) در مقایسه با روش های موجود نشان می دهد. علاوه بر این، این مقاله به بررسی نقش الگوریتم های پردازش اطلاعات مغز در طراحی BCIهای طبیعی تر و کارآمدتر می پردازد.

کلیدواژه ها:

رابط های مغز-رایانه (BCI) ، یادگیری عمیق (Deep Learning) ، پردازش سیگنال مغز ، الکتروانسفالوگرافی (EEG)