بهینه سازی جانمایی حسگر های ثبت سیگنال با استفاده از الگوریتم ژنتیک مبتنی بر شبکه عصبی کانولوشنی در فناوری هجی کننده مولفه P300

یک چالش مهم در سیستم های هجی کننده مولفه P300، طبقه بندی نادرست کاراکترها میباشد که به علت تغییر پذیری سیگنالهای مغزی و تشابه پاسخهای به دست آمده از یک کاراکتر، رخ میدهد. این محدودیت، اهمیت هر چه بیشتر مرحله استخراج ویژگی را در کاربرد فوق، نشان میدهد و این در حالی است که استخراج ویژگی های مناسب از سیگنال فوق، کار آسانی نیست. از طرفی تمام نقاط مغز حامل اطلاعات مفید از سیگنال P300 نمیباشند و با حذف الکترودهای ضعیفتر میتوان دقت به دست آمده را به طرز قابل توجهی افزایش داد. در این مقاله روشی جدید برای ارتقای عملکرد سامانه هجی کننده، مبتنی بر بهینه سازی انتخاب کانالهای ثبت P300 پیشنهاد میشود. در روش پیشنهادی، الگوریتم ژنتیک به منظور بهینه سازی کانالها ارایه میگردد که به عنوان تابع هزینه از شبکه عصبی کانولوشنی به عنوان یک روش یادگیری عمیق که در ورودی خود از داده خام تغذیه میکند، استفاده مینماید. روش پیشنهادی بر روی مجموعه ای از دادگان EEG مربوط به سامانه هجی کننده P300 که شامل 64 کانال مختلف از پاسخ به 29 کاراکتر متفاوت بودهاند، آزموده شده و عملکرد آن با عملکرد شبکه عصبی کانولوشنی بدون بهینه سازی مقایسه میگردد. مقایسه ها حاکی از آن هستند که روش پیشنهادی این مقاله قادر است با حصول 24 کانال بهینه از میان 64 کانال موجود، دقت به دست آمده را به میزان 11/9 درصد نسبت به حالت بدون بهینه سازی ارتقا بخشد.

بهینه سازی جانمایی حسگر های ثبت سیگنال با استفاده از الگوریتم ژنتیک مبتنی بر شبکه عصبی کانولوشنی در فناوری هجی کننده مولفه P300 Keywords:

هجی کننده مولفه P300 , یادگیری عمیق , شبکه عصبی کانولوشنی , بهینه سازی , الگوریتم ژنتیک