طبقه‌بندي سيگنال‌هاي EEG مبتني بر تصور حركتي با استفاده از روش‌هاي يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

برق

كارشناسي ارشد

در سال‌هاي اخير، توسعه سيستم‌هاي رابط مغز-كامپيوتر (BCI) به منظور پل ارتباطي بين مغز و جهان خارج و به خصوص براي تسهيل زندگي افرادي كه دچار معلوليت و ناتواني حركتي هستند، گسترش يافته است. يكي از رايج‌ترين الگوواره‌هايي كه در چارچوب يك سيستم رابط مغز-كامپيوتر تعريف مي‌شود، طبقه‌بندي تصور حركتي است كه در آن فرد انجام حركتي را تصور نموده و با استفاده از سيگنال مغزي ثبت شده از آن فرد، سيستم نوع حركت را تشخيص مي‌دهد. يكي از متداولترين روشهاي ثبت سيگنال مغزي الكتروانسفالوگرافي (EEG) است كه فعاليت الكتريكي مغز را با استفاده از الكترودهايي كه به پوست سر متصل ميشود اندازه‌گيري مي‌كند. همچنين در سيستمهاي BCI، به دليل تفكيك پذيري زماني بالاي سيگنال ثبت شده، ارزان قيمت بودن، سبك وزن و قابل حمل بودن تجهيزات ثبت سيگنال، EEG بسيار محبوب است. از طرفي، با گسترش استفاده از روش‌هاي يادگيري عميق در زمينه‌هاي مختلف و توانايي بالاي اين شبكه‌ها در شناسايي الگو و طبقه‌بندي انواع مختلف داده، استفاده از اين شبكه‌ها در حوزه طبقه‌بندي سيگنال‌هاي EEG نيز، بسيار محبوب شده و معماري‌هاي مختلفي در اين حوزه طراحي شده است. با اين حال، با وجود بهبود روش‌هاي مبتني بر يادگيري عميق در سيستم‌هاي رابط مغز-كامپيوتر، همچنان قابليت تعميم‌پذيري و دقت اين سيستم‌ها چالش برانگيز بوده و نياز به بهبود دارد؛ بنابراين، ساختن يك سيستم قابل اعتماد با دقت طبقه‌بندي بالا بسيار موضوع با اهميتي است. در اين پايان‌نامه، ضمن بررسي روش‌هاي ارائه شده در زمينه طبقه‌بندي تصور حركتي مبتني بر يادگيري عميق، يك ساختار جديد بر اساس شبكه عصبي پيچشي و تبديل موجك گسسته ارائه شده كه منجر به افزايش كلي در دقت طبقه‌بندي شده است. همچنين به دليل ساختار سيگنال‌هاي EEG، استفاده از شبكه عصبي پيچشي و ماهيت غير ايستاني آن، استفاده از تبديل موجك گسسته پيشنهاد شده است.

225860

مخابرات سيستم

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان