تحلیل راهکارهای مبتنی بر یادگیری عمیق و شبکه های عصبی کلاسیک درتشخیص کاراکتر از روی پتانسیل های وابسته به رخداد

یکی از رایج ترین کاربرد های واسط مغز-کامپیوتر در هجی کننده مولفه P300 است که با استفاده از آن، کاربر با تمرکز بر روی یک کاراکتر قادر به تایپ کردن آن با استفاده از سیگنال مغزی خود می-باشد. یک چالش مهم در این فرآیند اشتباه شدن برخی کاراکترها با هم می باشد که به علت تغییرپذیری سیگنال های مغزی و تشابه پاسخ های به دست آمده از یک کاراکتر، رخ می دهد. در این مقاله روش یادگیری مبتنی بر شبکه عصبی با ساختار عمیق کانولوشن برای مقابله با این چالش پیاده سازی و بر روی داده گان واقعی هجی کننده مولفه P300آزموده می شود. به منظور تحلیل اثر بخشی روش فوق، نتایج حاصل از آزمون این شبکه عصبی با نتایج حاصل از عملکرد یک شبکه عصبی پرسپترون چند لایه با آموزش پس انتشار خطا، مقایسه می شوند. بر این اساس، روش یادگیری عمیق مبتنی بر شبکه های کانولوشنی مقدار دقت 59/90درصد را برای تفکیک 29 کاراکتر حاصل می نماید. این در حالی است که روش مبتنی بر شبکه عصبی کلاسیک در بهترین حالت و فقط برای 5 کاراکتر، به دقت 12/45 درصد دست می یابد و با افزایش تعداد کاراکترها عملا تفکیکی بین آن ها ایجاد نمی کند. این نتایج حاکی از آن هستند که استفاده از ساختارهای عمیق می تواند به عنوان گزینه ای مناسب برای بالا بردن دقت طبقه بندی در فناوری هجی کننده P300 مورد استفاده قرار گیرد.

Keywords:

واسط مغز-کامپیوتر , هجی کننده مولفه P300 , یادگیری عمیق , شبکه عصبی کانولوشنی