تشخیص اهداف ذهنی با استفاده از ویژگی های زمانی-مکانی از طریق یک شبکه عمیق recurrent-convolutional

رابط مغز کامپیوتر (BCI)، یک سیستم قدرتمند برای برقراری ارتباط با دنیای خارج یا کنترل آن است. BCIهای مبتنی بر سیگنالهای EEG روشهای مناسبی برای این کار هستند. تصورهای حرکتی با EEG نوعی از سیگنالهای EEG هستند. این سیگنال ها قصد انجام حرکت را نشان می دهد. علارغم تحقیقات گسترده در زمینه MI-EEG در سالهای اخیر، استفاده از EEG برای این سیستم ها همچنان چالش برانگیز است.در اکثر تحقیقات، صرفا EEG به صورت دنباله های زنجیرهای لحاظ شده اند و به وابستگی های پیچیده بین سیگنالهای مجاور هم یا به میانگین زمانی ساده در هر دنباله EEG توجه نشده است. در این مقاله، مدل شبکه عصبی عمیق برای شناسایی دقیقتر اهداف مغزی انسان با ترکیب ویژگیهای زمانی و مکانی معرفی شده است. مدل پیشنهادی، ارتباطات مکانی بین سیگنالهای EEG را ایجاد کرده است. این ارتباطات با تبدیل دنباله های EEG زنجیرهای به سلسله مراتبی در شبکه های دو بعدی، ایجاد شدهاند. آزمایشها بر روی مجموعه داده بزرگ تصورهای حرکتی 109) PhysioNet شرکتکننده با 3,145,160 داده (EEG نشان میدهد که مدل پیشنهادی از دقت 98 درصد بهره میبرد. این روش از روش مشابه خود بر روی این مجموعهداده 18 درصد افزایش داشته است.

کلیدواژه ها:

BCI ، CNN ، EEG ، RNN