طبقه بندي سيگنالهاي مغزي بازشناسي ديداري اشياء از سيگنال تك ثبت EEG با روشهاي يادگيري ماشين

فاقد عنوان و چكيده لاتين

ارتباط بين فعاليتهاي مغزي كه با روشهاي مختلف مانند الكتروانسفالوگرافي (EEG) ثبت ميشوند با مسائل دنياي واقعي اهميت بررسي آنها را دوچندان كرده است. با اين وجود سطح بالاي نوفه (noise) در سيگنالهاي ثبت شده EEG و اختلافات موجود بين دادههاي ثبت شده كاربران مختلف كار طبقه بندي سيگنالهاي دريافتي را با چالش جدي مواجه مي كند.غلبه بر مشكلها و رفع موانع سيگنالهاي با ذات نوفهاي و ابعاد بالاي ويژگيها كار مشكلي است. بر مبناي تئوري No Free Lunch (NFL) در مسائل جستجو و بهينه سازي يادگيري ماشين، تمام الگوريتمها و روشها براي دادههاي در دسترس بايد آزمايش و برررسي شوند تا روش برتر معلوم شود. ما در اين مطالعه ظرفيت و توانايي برخي از الگوريتمهاي معروف يادگيري ماشين براي يادگيري ويژگيهاي مهم و بارز از روي سيگنالهاي EEG كه با روش تك ثبت-راهه از پاسخهاي مغز به تصاوير محرك ضبط شده اند را ارزيابي كرده و ارايه ميدهيم. در اين مطالعه مدلهاي دستهبندي روي مجموعهداده با بردارهاي ويژگي كه كيفيت مناسب مانند مجموعهدادههاي رايج (با مجموعهاي از مشاهدههاي برچسبدار در هر دور آزمايش) ندارند، اعمال شدهاند. غلبه بر مشكلها و رفع موانع سيگنالهاي با ذات نوفهاي و ابعاد بالاي ويژگيها كار مشكلي است. در اين مقاله علاوه بر بررسي و مطالعهي روشهاي مختلف، نشان ميدهيمداده شده است كه چگونه ميتوانيم بهراحتي با نگاشت صحيح كل فضاي دادهاي به فضاي ويژگيهاي بامعني (IFS) كارايي تقريبا همهي روشهاي دستهبنديهاي سيگنالهاي EEG درمسائل مربوطهكه در اين تحقيق استفاده شدهاند را بهبود دهيم. نتايج بررسيهاي ما از تمامي نتايج مشابه روي مجموعهدادهي بررسي شده بهتر است و توانايي مناسب و موفق برخي از الگوريتمهاي يادگيري ماشين در به دست آوردن ساختار مجزا و تفكيك شدهي دستههاي اشيا در دستهبندي سيگنالهاي ذخيره شده ي تك ثبتتك-راهه را نشان ميدهد.غلبه بر مشكلها و رفع موانع سيگنالهاي با ذات نوفهاي و ابعاد بالاي ويژگيها كار مشكلي است. نتايج بررسيهاي ما توانايي مناسب و موفق برخي از الگوريتمهاي يادگيري ماشين در به دست آوردن ساختار مجزا و تفكيك شدهي دستههاي اشيا در دستهبندي سيگنالهاي ذخيره شده ي تك-راهه را نشان ميدهد. همچنين ما نشان ميدهيم كه چگونه ميتوانيم بهراحتي كارايي تقريبا همهي دستهبنديهاي سيگنالهاي EEG درمسائل مربوطه را بهبود دهيم. نتايج ما تقريبا از تمامي نتايج مشابه روي مجموعهدادهي بررسي شده بهتر است.