• عنوان

    رمزگشايي سيگنال iEEG ناشي از تحريك شنوايي

  • نويسنده اصلي

    استادشريف معمار، مريم

  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • رشته تحصيلي
    مهندسي برق
  • مقطع تحصيلي
    كارشناسي ارشد
  • چكيده
    استفاده از روش ثبت الكتروانسفالوگرافي درون‌جمجمه‌اي (iEEG) به سرعت براي كاربردهاي باليني و واسط‌هاي مغز و رايانه در حال افزايش است. iEEG دقت مكاني و زماني بالايي بوده، به همين دليل يك روش ثبت مطلوب براي مطالعه فعاليت‌هاي عصبي است. با وجود مزاياي آن، iEEG با چالش‌هايي نظير تنوع در مكان كاشت الكترودهاي ‌‌ان مختلف مواجه است كه توسعه‌ي مدل‌هاي رمزگشاي عصبي يكپارچه در ميان شركت‌كنندگان مختلف را دشوار مي‌سازد. در اين تحقيق، مدل رمزگشاي جديدي به نام RISE-iEEG معرفي مي‌كنيم كه در برابر تنوع مكان كاشت الكترود بين‌ شركت‌كنندگان مختلف مقاوم است. RISE-iEEG يك شبكه عصبي عميق متشكل از دو شبكه اصلي نگاشت و متمايزكننده است. شبكه نگاشت، داده‌هاي عصبي شركت‌كنندگان مختلف را به فضاي مشترك با ابعاد پايين نگاشت مي‌كند و به اين ترتيب تغييرپذيري مكان الكترودها را جبران مي‌كند. شبكه متمايزكننده از چندين لايه شبكه عصبي پيچشي متوالي زماني و مكاني تشكيل شده است. اين مدل برخلاف ساير مدل‌هاي چند شركت‌كننده، مي‌تواند بر روي داده‌هاي شركت‌كنندگان مختلف بدون نياز به مختصات الكترودها اعمال شود. در اين تحقيق، ما عملكرد مدل RISE-iEEG را با استفاده از مجموعه داده‌هاي مختلف، از جمله مجموعه داده‌هاي تحريك صوتي تصويري، بازسازي موسيقي و حركت اندام فوقاني بررسي كرده و نشان مي‌دهيم كه مدل RISE-iEEG در مقايسه با ساير مدل‌هاي رمزگشاي پيشرفته iEEG مانند HTNet و EEGNet عملكرد بهتري دارد. مدل RISE-iEEG در بالاترين نتيجه در ميان روش‌هاي ارزيابي تعريف‌شده، از نظر امتياز F1 به دقت 03/0 ±83/0 در طبقه‌بندي داده‌هاي ثبت iEEG مجموعه داده بازسازي موسيقي دست يافت كه در مقايسه با مدل‌هاي HTNet و EEGNet حدود 10% افزايش دقت داشت. بنابراين شبكه نگاشت نه تنها به‌طور مؤثر تغييرپذيري در كاشت الكترود را برطرف كرده، بلكه دقت طبقه‌بندي را به‌طور چشمگيري بهبود مي‌بخشد. علاوه‌بر‌ اين، تحليل وزن‌هاي شبكه نگاشت در مجموعه داده‌ بازسازي موسيقي در بين شركت‌كنندگان نشان مي‌دهد كه لوب گيجگاهي فوقاني به‌عنوان گره عصبي اصلي در رمزگذاري تحريك صورت گرفته در اين مجموعه داده عمل مي‌كند و اين يافته با فيزيولوژي پردازش شنوايي هم‌راستا است. بنابراين مدل RISE-iEEG يك معماري قوي و قابل تفسير ارائه مي‌دهد كه قادر به ايجاد پيشرفت‌هاي قابل توجهي در زمينه طراحي رمزگشاي عصبي تعميم پذير است.
  • شماره ركورد
    230196
  • گرايش رشته تحصيلي
    مخابرات سيستم
  • دانشكده
    مهندسي برق و كامپيوتر
  • دانشگاه
    دانشگاه صنعتي اصفهان