رمزگشایی حالات شناختی عاطفی انسان از سیگنال EEG: رویکردی هیبرید از یادگیری عمیق برای نسل آینده واسط های مغز-رایانه (BCI)

رابط های مغز و رایانه (BCI) امکان ارتباط مستقیم بین فعالیت مغزی و سیستم های دیجیتال را فراهم می کنند. این پژوهش به شناسایی و طبقه بندی چهار حالت توجه متمرکز، آرامش عمیق، خستگی و هیجانات عاطفی، از طریق تحلیل سیگنال های الکتروانسفالوگرافی (EEG) می پردازد. برای غلبه بر چالش های ذاتی EEG مانند نویز، آرتیفکت و تنوع بین فردی، یک رویکرد هیبرید یادگیری ماشین پیشنهاد شده است. اهداف اصلی عبارتند از: توسعه یک چارچوب مقاوم برای استخراج ویژگی، تلفیق الگوریتم های کلاسیک و عمیق برای افزایش دقت و ارزیابی عملکرد در سناریوهای واقعی با در نظر گرفتن ملاحظات اخلاقی. در این مطالعه تجربی، داده های EEG از ۳۰ شرکت کننده سالم (میانگین سنی ۲۶.۸ ± ۵.۱ سال) با استفاده از یک کلاهک ۶۴ کاناله و نرخ نمونه برداری ۱۰۰۰ هرتز ثبت شد. حالات هدف با پروتکل های استاندارد (وظیفه Stroop، مدیتیشن، شبیه سازی رانندگی و ویدیوهای عاطفی القا گردید). پیش پردازش شامل فیلترگذاری bandpass، حذف آرتیفکت چشمی و حرکتی با استفاده از ICA و الگوریتم ASR بود. ویژگی های معنادار با به کارگیری تبدیل موجک، تحلیل طیفی و روش های کاهش ابعاد استخراج شدند. معماری مدل پیشنهادی، یک شبکه هیبریدی شامل لایه های کانولوشنی، چند مقیاسی، واحدهای Bi-LSTM و یک مکانیسم توجه است. این مدل با استفاده از یادگیری انتقالی و داده افزایی (افزودن نویز گاوسی و ماسکینگ) آموزش داده شد و با روش ارزیابی «جدا به ازای هر شرکت کننده» اعتبارسنجی گردید. نتایج نشان دهنده عملکرد برتر مدل پیشنهادی با دقت متوسط ۸۷.۶، امتیاز F۱ معادل ۰.۰۴ ± ۰.۸۶ و ضریب کاپا ۰.۸۴ در طبقه بندی چهار حالته است که بهبود معناداری را نسبت به مدل های پایه SVM (دقت ۸۳.۸) و CNN ساده (دقت ۸۲.۱) نشان می دهد. زمان استنتاج مدل زیر ۱۰۰ میلی ثانیه، قابلیت پردازش بلادرنگ را تایید می کند. این چارچوب می تواند به عنوان پایه ای برای توسعه سیستم های BCI قابل اعتماد در مطالعات آینده مورد بررسی قرار گیرد.

کلیدواژه ها:

رابط مغز و رایانه (BCI) ، الکتروانسفالوگرافی (EEG) ، شناسایی ، حالات ، یادگیری ماشین ، یادگیری عمیق ، شبکه عصبی کانولوشنی (CNN) ، حافظه بلند کوتاه مدت (LSTM)