1- مجتمع آموزش عالی زرند
2- دانشگاه شهید باهنر کرمان
چکیده: (179 مشاهده)
مقدمه: با وجود بیش از یک سده تحقیقات در زمینه چگونگی ادراک زمان توسط مغز انسان، پژوهش در مورد تشخیص الگوهای مربوط به ادراک زمان در سیگنال الکتروآنسفالوگرافی (EEG) افراد نادر بوده است. هدف: هدف از این مطالعه تشخیص کوتاه یا بلند بودن بازه مورد قضاوت توسط یک فرد، بر اساس سیگنال الکتروآنسفالوگرافی وی است. روش: در یک تکلیف ادبال شنیداری، از آزمودنیها خواسته میشد که مدت زمانی محرک ادبال کوتاه (ms400) یا بلند (ms600) را با مدت ارائه محرکهای استاندارد (ms500) پیش از آن مقایسه کنند. همزمان با ارائه تکلیف، الکتروآنسفالوگرافی افراد ثبت میشد. سپس نمونههای هدف (پتانسیلهای مغزی برانگیخته شده توسط محرک ادبال ms400 یا ms600) و نمونههای غیرهدف (پتانسیلهای مغزی برانگیخته شده توسط محرک استاندارد) به الگوریتمهای طبقهبندی داده شد. یافتهها: طبقهبند SVM با کرنل RBF توانست با بالاترین صحت طبقه بندی 94.25% از میان طبقهبندهای درخت تصمیمگیری و شبکه عصبی پرسپترون چند لایه (MLP)، نمونههای مورد آزمایش هدف (بازه ms400) را از نمونههای غیرهدف (بازههای ms500 و ms600) تشخیص دهد. همچنین، این الگوریتم با صحت 93.98% نمونههای هدف ms600 را از نمونههای غیرهدف (بازههای ms500 و ms400) تشخیص داد و در نهایت با صحت 87.95% توانست نمونههای مربوط به بازههای ms400 را از ms600 و ms500 تشخیص دهد. نتیجهگیری: یافتههای این مطالعه نشان میدهد که یادگیری ماشین میتواند الگوهای مربوط به ادراک بازه کوتاه و بلند را براساس سیگنال الکتروانسفالوگرافی افراد، با دقت بالایی تشخیص دهد.
نوع مطالعه:
پژوهشي اصیل |
موضوع مقاله:
علوم اعصاب شناختی دریافت: 1399/6/15 | پذیرش: 1399/9/20