شناسایی مولفه p300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه

زمینه. سیستم های واسط مغز و رایانه با استخراج اطلاعات از سیگنال های مغز، امکان ارتباط مغز با محیط، بدون استفاده از واسط فیزیولوژیک را فراهم می کنند. پتانسیل های وابسته به رخداد نوعی از سیگنال های مغزی هستند که p300 یکی از شاخته شده ترین مولفه ها در این دسته از سیگنال هاست. از مهم ترین بخش ها در طراحی سیستم های واسط مغز و رایانه مبتنی بر p300، طبقه بندی سیگنال دریافتی به دو دسته p300 و np300 است. در این مطالعه، رهیافتی بر پایه روش های یادگیری ماشین نوین به منظور طبقه بندی این مولفه ارایه شده است. روش کار. در ابتدا کانال های مناسب انتخاب شدند، سپس دادگان با روش نمونه برداری سنتزی تطبیقی افزوده شده و فیلتر شدند و مقدار ثابت از سیگنال حذف شد. چهار شبکه کانولوشن یک بعدی، کانولوشن دو بعدی، شبکه خود رمزگذار کانولوشن یک بعدی و خود رمزگذار کانولوشن دو بعدی جهت طبقه بندی مولفه p300 پیشنهاد شده است. یافته ها. پس از یافتن پارامترهای بهینه و منطبق بر ساختار داده، صحت 92 درصد، به عنوان بیشترین صحت و با استفاده از مدل خود رمزگذار کانولوشن دو بعدی کسب شد که مصالحه ای مناسب بین بار محاسباتی، قابلیت تعمیم پذیری و ثبات در هنگام فرآیند آموزش و اعتبار سنجی دارد. نتیجه گیری. نتایج به دست آمده حاکی از آن است که قابلیت های روش های یادگیری عمیق، آن ها را به ابزاری مناسب جهت طبقه بندی دادگان p300 تبدیل کرده که در نهایت باعث ارتقای عملکرد سیستم های واسط مغز و رایانه می شوند و در این میان روش های کانولوشنی خودرمزگذار ثبات بیشتر و همگرایی سریع تر نسبت به نسخه غیر خود رمزگذار در فرآیند آموزش و اعتبار سنجی دارند. علاوه بر این، روش adasyn با حفظ ساختار اولیه فضای ویژگی و عدم کپی برداری از دادگان موجود، روشی مناسب برای برابرسازی کلاس ها در طبقه بندی p300 است. پیامدهای عملی. افزایش صحت شناسایی مولفه p300 و همچنین کاهش حجم داده به شکل موثر با استفاده از شبکه خود رمزگذار پیشنهادی و در نتیجه آن افزایش توانایی تشخیص کاراکتر در سیستم های اسپلر مورد استفاده بیماران فلج عصبی عضلانی.

an optimized deep learning approach based on autoencoder network for p300 detection in brain computer interface systems

background. brain computer interface (bci) systems by extracting knowledge from brain signals provide a connection channel to the outside world for disabled people, without physiological interfaces. event-related potentials (erps) are a specific type of electroencephalography signals and p300 is one of the most important erp components. the critical part of p300-based bci systems is classification step. in this research, an approach is proposed for p300 classification based on novel machine learning methods using convolutional neural networks (cnn) and autoencoder networks. methods. in the pre-processing step, channel selection, data augmentation (by adasyn method), filtering and base-line drift were done. then, in the classification step, four different cnn classifiers including cnn1d, cnn2d, cnn1d_autoencoder, and cnn2d-autoencoder were used for p300 classification. results. after implementation and tuning the networks, 92% as a best accuracy was achieved by cnn2d_autoencoder. this result was achieved with a considerable tradeoff between complexity and stability. conclusion. the acquired results emphasize the ability of the deep learning methods in p300 classification and approve the advantage of using them in bci systems. furthermore, autoencoder versions of cnn networks are more stable and have a faster convergence. meanwhile, adasyn is a suitable method for augmentation of p300 data and even erps by sustaining the premier feature space without copying data. practical implications. our results can increase the accuracy of p300 detection and simultaneously reduce the volume of data using the proposed model. consequently, they can improve character recognition in p300-speller systems generally used by amyotrophic lateral sclerosis (als) patients.