تشخیص خودکار تصورحرکات اصلی بدن با استفاده از شبکه عصبی کانولوشن از روی سیگنال های EEG برای سیستم های BCI

تصور حرکتی تکنیکی برای تصور عملکرد یک کار حرکتی بدون استفاده واقعی از عضلات است. مطالعات متعددی وجود دارد که شباهت های بین اجرای حرکتی (حرکت آشکار) و تصور حرکتی را مورد بحث قرار داده اند. یکی از این موضوعات سیستم های مبتنی بر رابط مغز و کامپیوتر (BCI) است که از مهمترین کاربردهای سیستم BCI ، می توان به استفاده از آن برای بیماران ناتوان مغزی اشاره کرد. محققان همواره در پی یافتن روش هایی برای تشخیص تصورات حرکتی با استفاده از سیگنال الکتروانسفالوگرام برای بهبود سیستم رابط مغز و کامپیوتر می باشند. روش های خودکار و هوشمند همواره مورد اهمیت می باشد. یکی از روش های خودکار و پرطرفدار، شبکه های عصبی کانولوشن می باشد. دراین مقاله یک روش مبتنی بر یادگیری عمیق متشکل از شبکه عصبی کانولوشن با معماری های AlexNet, GoogleNet و ShuffleNet برای طبقه بندی و تشخیص دو گروه تصور حرکتی ارائه شده است و همچنین به بررسی پیامدهای عوامل محدود کننده مختلف، مانند نرخ های یادگیری و بهینه سازها می پردازد. در این مطالعه ابتدا برای حذف تاثیر نویز و مصنوعات از سیگنال ها، از الگوریتم MSPCA استفاده شده است. در ادامه از روش اسکالوگرام به جای روش متداول اسپکتوگرام برای بازنمایی داده های تصور حرکتی در حوزه زمان-فرکانس مورد استفاده قرارگرفته و اسکالوگرام خروجی به عنوان تصویر ورودی به مدل یادگیری عمیق CNN ارائه شده است. روش پیشنهادی روی مجموعه داده مسابقه BCI Competition III پیاده سازی شده است. نتایج نشان می دهد که شبکه از پیش آموزش دیده ShuffleNet با استفاده از یک بهینه ساز RMSProp با نرخ یادگیری ۰.۰۱ ، دارای بیشترین صحت، با میزان ۹۹.۵۴ % برای دیتا اول و ۱۰۰ % برای دیتا دوم است که یک روش خودکار عمیق مناسب برای تشخیص الگوی تصورات حرکتی در شناسایی سیگنال های EEG می باشد و نتایج طبقه بندی امیدوار کننده ای را ارائه می دهد.

Keywords:

تصورات حرکتی , رابط مغز و کامپیوتر , سیگنال الکتروانسفالوگرام , شبکه عصبی کانولوشن , اسکالوگرام