تحليل پتانسيل‌هاي برانگيخته بينايي حالت پايدار ناشي از تحريك فليكر با استفاده از يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

در ميان روش‌هاي غيرتهاجمي، رابط‌هاي مغز-رايانه‌ي مبتني بر پتانسيل برانگيخته‌ي بينايي حالت پايدار (SSVEP) به برخي از بالاترين نرخ‌هاي انتقال اطلاعات (ITR) دست يافته‌اند. روش‌هاي كلاسيكي كه به اين كارايي مي‌رسند، بر فيلترگذاري فضايي تكيه دارند و به داده‌ي كاليبراسيون هر آزمودني نياز دارند. يادگيري عميق مي‌تواند اين نياز را برطرف كند. با اين حال، مقايسه‌ي نتايج منتشرشده دشوار است، زيرا مطالعات از نظر مجموعه‌داده، آرايش الكترودها، طول پنجره و پروتكل ارزيابي با يكديگر تفاوت دارند. در اين پايان‌نامه، شش روش بازشناسي SSVEP بر روي مجموعه‌داده‌ي 40 كلاسه‌ي Benchmark با 35 آزمودني به‌صورت كنترل‌شده مقايسه شده است. سه روش كلاسيك، يعني تحليل همبستگي متعارف (CCA)، CCA بانك فيلتر (FBCCA) و تحليل مؤلفه‌هاي مرتبط با وظيفه (TRCA)، بر روي نُه كانال ناحيه‌ي آهيانه‌اي–پس‌سري و با اعتبارسنجي متقابل كنارگذاري يك بلوك (LOBO) ارزيابي شده‌اند. CCA و FBCCA به كاليبراسيون نياز ندارند، اما TRCA براي هر آزمودني به داده‌ي كاليبراسيون نياز دارد. سه مدل يادگيري عميق نيز بر روي هر 64 كانال و با پروتكل بين‌آزمودني كنارگذاري يك آزمودني (LOSO) ارزيابي شده‌اند: EEGNet، SSVEPNet و AE-EEGNet. مدل AE-EEGNet همان EEGNet است كه يك بلوك توجه كانالي از نوع فشرده‌سازي و تحريك (SE) به آن افزوده شده است. هدف اين پژوهش ارائه‌ي معماري تازه نيست. پرسش اصلي اين است كه آيا توجه كانالي، طراحي كانولوشني EEGNet را در پروتكلي بين‌آزمودني و سخت‌گيرانه بهبود مي‌دهد يا نه. همه‌ي روش‌ها در طول پنجره‌هاي يكسان 0.5، 1.0 و 2.0 ثانيه و با دو معيار دقت طبقه‌بندي و ITR ولپاو سنجيده شده‌اند. TRCA با دقت 95.4 درصد در پنجره‌ي 2.0 ثانيه، بالاترين دقت را در ميان همه‌ي روش‌ها به دست آورد. دقت FBCCA و CCA در همين پنجره به‌ترتيب 89.1 و 77.9 درصد بود. البته TRCA تنها روشي است كه از داده‌ي كاليبراسيون آزمودني آزمون استفاده مي‌كند. در ميان مدل‌هاي يادگيري عميق، SSVEPNet در همه‌ي طول پنجره‌ها بهترين عملكرد را داشت و در 2.0 ثانيه به دقت 75.20 درصد رسيد. دقت EEGNet و AE-EEGNet در همين پنجره به‌ترتيب 54.57 و 54.86 درصد بود. در هيچ‌يك از طول پنجره‌ها تفاوت معنادار آماري ميان AE-EEGNet و EEGNet ديده نشد. مقدار p در آزمون t زوجي براي پنجره‌هاي 0.5، 1.0 و 2.0 ثانيه به‌ترتيب 0.907، 0.935 و 0.741 بود و قدرمطلق اندازه‌ي اثر d_z كوهن از 0.056 بيشتر نشد. بر پايه‌ي بازه‌هاي اطمينان 95 درصد، سود احتمالي بلوك SE در اين سه پنجره به‌ترتيب حداكثر حدود يك، يك‌ونيم و دو واحد درصد است. اين يافته‌ي مبني بر نبود اثر كنار گذاشته نشده و سازوكار آن بررسي شده است. در اين راستا، چهار تبيين ابطال‌پذير براي ناكارآمدي توجه كانالي در اين شرايط ارائه مي‌شود. نتايج اين مقايسه نشان مي‌دهد كه انتخاب ميان روش‌هاي كلاسيك و يادگيري عميق، بيش از آنكه به دقت خام وابسته باشد، به در دسترس بودن داده‌ي كاليبراسيون هر آزمودني بستگي دارد. همچنين گزارش يافته‌اي مبني بر نبود اثر با اين ميزان از جزئيات آماري و سازوكاري، فضاي طراحي معماري‌هاي آينده‌ي SSVEP مبتني بر توجه را محدودتر مي‌كند.

238300

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان