یادگیری عمیق با شبکه های عصبی کانولوشنی برای رمزگشایی سیگنال های مغزی (EEG)

در یادگیری عمیق، می توان داده های خام را به عنوان ورودی شبکه استفاده کرد، در واقع یادگیری عمیق می تواند بخش استخراج ویژگی و طبقه بندی داده ها را با هم انجام دهد. علاقه مندی زیادی در استفاده از شبکه های عصبی کانولوشنی عمیق برای تحلیل سیگنال های مغزی نقطه به نقطه وجود دارد اما هنوز یک فهم بهتر از چگونگی آموزش و طراحی شبکه های کانولوشنی برای رمزگشایی سیگنال های مغزی نقطه به نقطه مورد نیاز است . ما در این مقاله چگونگی آموزش و طراحی معماری دو شبکه عصبی کانولوشنی کم عمق و عمیق را با دو استراتژی رمزگشایی آموزش مبتنی بر تکرار و آموزش مبتنی بر برش داده ها برای سیگنال های مغزی خام آموزش دادیم و میانگین نتایج بدست آمده از این دو شبکه عصبی را برای کل افراد با آزمون آماری ویلکاکسون سنجیدیم . نتلیج ما نشان می دهد که پیشرفت های اخیر در زمینه یادگیری ماشین شامل نرمال سازی دسته ای با تابع فعالیت خطی نمایی به همراه استراتژهای آموزشی مبتنی بر برش داده ها، عملکرد رمزگشایی شبکه های کانولوشنی عمیق را تقویت کرده و به عملکردی بهتر و گسترده تر از الگوریتم رمزگشایی پایه و معتبر برای سیگنال های مغزی خام دست یافتیم.

کلیدواژه ها:

شبکه های عصبی کانولوشنی ، سیگنال های مغزی ، رمزگشایی ، یادگیری عمیق