يادگيري عميق با شبكههاي عصبي كانولوشني براي رمزگشايي سيگنالهاي مغزي ) EEG

در يادگيري عميق، ميتوان دادههاي خام را به عنوان ورودي شبكه استفاده كرد، در واقع يادگيري عميق ميتواند بخش استخراج ويژگي و طبقه بندي داده ها را با هم انجام دهد. علاقهمندي زيادي در استفاده از شبكههاي عصبي كانولوشني عميق براي تحليل سيگنالهاي مغزي نقطه به نقطه وجود دارد اما هنوز يك فهم بهتر از چگونگي آموزش و طراحي شبكههاي كانولوشني براي رمزگشايي سيگنالهاي مغزي نقطه به نقطه مورد نياز است . ما در اين مقاله چگونگي آموزش و طراحي معماري دو شبكه عصبي كانولوشني كم عمق و عميق را با دو استراتژي رمزگشايي آموزش مبتني بر تكرار و آموزش مبتني بر برش دادهها براي سيگنالهاي مغزي خام آموزش داديم و ميانگين نتايج بدست آمده از اين دو شبكه عصبي را براي كل افراد با آزمون آماري ويلكاكسون سنجيديم . نتليج ما نشان ميدهد كه پيشرفتهاي اخير در زمينه يادگيري ماشين شامل نرمال سازي دسته اي با تابع فعاليت خطي نمايي به همراه استراتژهاي آموزشي مبتني بر برش دادهها، عملكرد رمزگشايي شبكههاي كانولوشني عميق را تقويت كرده و به عملكردي بهتر و گستردهتر از الگوريتم رمزگشايي پايه و معتبر براي سيگنالهاي مغزي خام دست يافتيم.