طبقه‌بندي سيگنال‌هاي مغزي EEG مبتني بر تصور حركتي با استفاده از روش‌هاي يادگيري عميق

زمينه و هدف: سيستم‌هاي رابط مغز و رايانه از طريق سيگنال‌هاي مغزي امكان ارتباط با دنياي بيرون را بدون استفاده از واسطه‌هاي فيزيولوژيكي براي افراد داراي ناتواني جسمي فراهم مي‌كند. يكي از انواع اين سيستم‌ها، سيستم‌هاي مبتني بر تصور حركتي است. از مهمترين بخش‌ها در طراحي اين سيستم‌ها، طبقه‌بندي سيگنال‌هاي مغزي مبتني بر تصور حركت به كلاس‌هاي تصور حركت به‌منظور تبديل به فرمان كنترلي است. در اين مقاله يك روش نوين طبقه‌بندي سيگنال‌هاي مغزي مبتني بر تصور حركتي با استفاده از روش‌هاي يادگيري عميق ارايه شده است.روش بررسي: اين مطالعه مقطعي در دانشكده فناوري‌هاي نوين پزشكي دانشگاه علوم‌ پزشكي اصفهان از بهمن 1398 تا تير 1401 انجام شد در بلوك پيش-پردازش قطعه‌بندي سيگنال‌هاي مغزي، انتخاب كانال‌هاي مناسب و استفاده از فيلتر باترورث (Butterworth filter)، سپس تبديل موجك جهت انتقال به حوزه زمان-فركانس و در قسمت طبقه‌بندي از دو طبقه‌بند شبكه يادگيري عميق كانولوشني يك‌بعدي با دو معماري و شبكه يادگيري عميق كانولوشن دوبعدي با دو معماري با ورودي سه موجك مادر Cmor، Mexicanhat و Cgaus به كار گرفته شده و درنهايت عملكرد شبكه‌ها بررسي شده‌اند.يافته‌ها: سه كانال براي 9 سوژه موردنظر، به‌عنوان بهترين كانال‌ها انتخاب شدند. همچنين پس از يافتن پارامترهاي بهينه در ساختار داده، تبديل موجك با موجك مادر Cgaus بالاترين درصد را در دو معماري پيشنهاد شده، دارد. صحت %92/53، بالاترين صحت مربوط به معماري دوم شبكه عصبي كانولوشن دوبعدي پيشنهاد داده شده است.نتيجه‌گيري: نتايج به‌دست آمده از شبكه‌هاي پيشنهاد شده، نشان‌دهنده آن است كه شبكه‌هاي يادگيري عميق مناسب مي‌توانند به‌عنوان ابزاري مناسب و دقيق براي طبقه‌بندي دادگان مبتني بر تصور حركت مورد استفاده قرار گيرند.