تحليل راهكارهاي مبتني بر يادگيري عميق و شبكه هاي عصبي كلاسيك در تشخيص كاراكتر از روي پتانسيل هاي وابسته به رخداد

يكي از رايج ترين كاربرد هاي واسط مغز-كامپيوتر در هجي كننده مولفه P300 است كه با استفاده از آن، كاربر با تمركز بر روي يك كاراكتر قادر به تايپ كردن آن با استفاده از سيگنال مغزي خود مي باشد. يك چالش مهم در اين فرآيند اشتباه شدن برخي كاراكترها با هم مي باشد كه به علت تغييرپذيري سيگنال هاي مغزي و تشابه پاسخ هاي به دست آمده از يك كاراكتر، رخ مي دهد. در اين مقاله روش يادگيري مبتني بر شبكه عصبي با ساختار عميق كانولوشن براي مقابله با اين چالش پياده سازي و بر روي داده گان واقعي هجي كننده مولفه P300 آزموده مي شود. به منظور تحليل اثر بخشي روش فوق، نتايج حاصل از آزمون اين شبكه عصبي با نتايج حاصل از عملكرد يك شبكه عصبي پرسپترون چند لايه با آموزش پس انتشار خطا، مقايسه مي شوند. بر اين اساس، روش يادگيري عميق مبتني بر شبكه هاي كانولوشني مقدار دقت 90/59 درصد را براي تفكيك 29 كاراكتر حاصل مي نمايد. اين در حالي است كه روش مبتني بر شبكه عصبي كلاسيك در بهترين حالت و فقط براي 5 كاراكتر، به دقت 45/12 درصد دست مي يابد و با افزايش تعداد كاراكترها عملا تفكيكي بين آن ها ايجاد نمي كند. اين نتايج حاكي از آن هستند كه استفاده از ساختارهاي عميق مي تواند به عنوان گزينه اي مناسب براي بالا بردن دقت طبقه بندي در فناوري هجي كننده P300 مورد استفاده قرار گيرد.