طراحی یک ماشین هوشمند مبتنی بر مدل‌سازی شناختی با استفاده از تکلیف شبکۀ توجه

مقدمه: توجه دروازۀ یادگیری و یکی از منابع قابلِ‌پردازش است که مدل‌سازیِ شناختی آن به درک و استفادۀ بهتر از آن کمک می‌کند. هدف از این پژوهش ایجاد مدلی هوشمند با کارایی بسیار برای دسته‌بندی سطوح مختلف توجه بود. روش کار: ایجاد مدل شناختیِ توجه با استفاده از نتایج تکلیف شبکۀ توجه و امواج مغزی انجام گرفت. به این منظور، با استفاده از روش‌های مختلفِ یادگیریِ ماشین، به ایجاد مدلی از توجه پرداخته ‌شد. در این پژوهش، جامعۀ آماری شامل 92 فرد بزرگسال داوطلب بود که به‌ صورت تصادفی انتخاب شده و پرسشنامه DASS-21 را برای انتخاب اولیه انجام دادند. سپس بر اساس نتایج، از 31 نفر بیماری که افسردگی و اضطراب نداشتند و واجد شرایط بودند، برای مرحلۀ نهایی دعوت به ‌عمل آمد. در حین تکلیفِ شبکۀ توجه، با استفاده از سیستم واسط کاربری مغز، از شرکت‌کنندگان سیگنال مغزی گرفته شد و مدلی از سطوح مختلف با استفاده از سیگنال‌های مختلف، زمان واکنش و درستی جواب شرکت‌کننده ایجاد گردید. یافته‌ها: داده‌ها با روش‌های دسته‌بندیِ یادگیریِ ماشین‌های مختلفی مانندِ ماشین بُردارهای پشتیبان (SVM) و K نزدیک‌ترین همسایگی (KNN) و آدابوست (Adaboost) بررسی شد و مدلی که کمترین خطای دسته‌بندی را داشت برگزیده شد. این دسته‌بندی‌ها، به ‌ترتیب با نرخ دسته‌بندیِ 60 و100 و 94 درصد، در مورد دسته‌بندیِ الگوهای شناختیِ «توجه»، توانایی‌های مختلفی را برای این مجموعه از داده‌ها نشان داد. نتیجه‌گیری: بر اساس نتایج دقت دسته­‌بندی­‌ها، مدل مناسب انتخاب شد و دسته‌بندی KNN از نظر تعمیم‌­پذیری و تخمین داده‌­های آزمون دقت بهتری از بقیه مدل­‌های انتخاب شده در این پژوهش را نشان داده است. برای این نوع از مدل‌های شناختی که در آن امکان جمع‌آوریِ حجم کمتری داده وجود دارد نیز مدل مناسب تلقی می‌شود.

Keywords:

Attention network task , Brain-computer interface (BCI) , Machine learning , Brain signals​​​​​​​ , تکلیف شبکۀ توجه , سیستم واسط کاربری مغز , یادگیری ماشین , سیگنال مغزی