شناسايي مولفه P300 با استفاده از روش هاي يادگيري عميق بدون سرپرست بر پايه شبكه خود رمزگذار به منظور استفاده در سيستم هاي واسط مغز و رايانه

زمينه. سيستم هاي واسط مغز و رايانه با استخراج اطلاعات از سيگنال هاي مغز، امكان ارتباط مغز با محيط، بدون استفاده از واسط فيزيولوژيك را فراهم مي كنند. پتانسيل هاي وابسته به رخداد نوعي از سيگنال هاي مغزي هستند كه P300 يكي از شاخته شده ترين مولفه ها در اين دسته از سيگنال هاست. از مهم ترين بخش ها در طراحي سيستم هاي واسط مغز و رايانه مبتني بر P300، طبقه بندي سيگنال دريافتي به دو دسته P300 و nP300 است. در اين مطالعه، رهيافتي بر پايه روش هاي يادگيري ماشين نوين به منظور طبقه بندي اين مولفه ارايه شده است. روش كار. در ابتدا كانال هاي مناسب انتخاب شدند، سپس دادگان با روش نمونه برداري سنتزي تطبيقي افزوده شده و فيلتر شدند و مقدار ثابت از سيگنال حذف شد. چهار شبكه كانولوشن يك بعدي، كانولوشن دو بعدي، شبكه خود رمزگذار كانولوشن يك بعدي و خود رمزگذار كانولوشن دو بعدي جهت طبقه بندي مولفه P300 پيشنهاد شده است. يافته ها. پس از يافتن پارامترهاي بهينه و منطبق بر ساختار داده، صحت 92 درصد، به عنوان بيشترين صحت و با استفاده از مدل خود رمزگذار كانولوشن دو بعدي كسب شد كه مصالحه اي مناسب بين بار محاسباتي، قابليت تعميم پذيري و ثبات در هنگام فرآيند آموزش و اعتبار سنجي دارد. نتيجه گيري. نتايج به دست آمده حاكي از آن است كه قابليت هاي روش هاي يادگيري عميق، آن ها را به ابزاري مناسب جهت طبقه بندي دادگان P300 تبديل كرده كه در نهايت باعث ارتقاي عملكرد سيستم هاي واسط مغز و رايانه مي شوند و در اين ميان روش هاي كانولوشني خودرمزگذار ثبات بيشتر و همگرايي سريع تر نسبت به نسخه غير خود رمزگذار در فرآيند آموزش و اعتبار سنجي دارند. علاوه بر اين، روش ADASYN با حفظ ساختار اوليه فضاي ويژگي و عدم كپي برداري از دادگان موجود، روشي مناسب براي برابرسازي كلاس ها در طبقه بندي P300 است. پيامدهاي عملي. افزايش صحت شناسايي مولفه P300 و همچنين كاهش حجم داده به شكل موثر با استفاده از شبكه خود رمزگذار پيشنهادي و در نتيجه آن افزايش توانايي تشخيص كاراكتر در سيستم هاي اسپلر مورد استفاده بيماران فلج عصبي عضلاني.