جمعه 2 آذر 1403
| English
دوره 22، شماره 3 - ( پاییز 1399 )
جلد 22 شماره 3 صفحات 104-95 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ebrahimi H, Shalbaf A, Jafarnia Dabanloo N. Classification of right and left-hand motor imagery using deep learning inelectroencephalography and near-infrared spectroscopy. Advances in Cognitive Sciences 2020; 22 (3) :95-104
URL: http://icssjournal.ir/article-1-1119-fa.html
URL: http://icssjournal.ir/article-1-1119-fa.html
ابراهیمی حمید، شالباف احمد، جعفرنیا دابانلو نادر. طبقه‌بندی تصور حرکت دست راست و چپ با استفاده از روش‌های یادگیری عمیق از روی سیگنال‌های الکتروانسفالوگرافی و طیف‌سنجی مادون قرمز. تازه های علوم شناختی. 1399; 22 (3) :95-104
1- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
3- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
3- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (2942 مشاهده)
مقدمه: در این مقاله یک واسط مغز و رایانه برای طبقه‌بندی تصور حرکت دست راست و چپ با استفاده از روش یادگیری عمیق از روی سیگنال‌های مغزی ارائه شده است. واسط مغز و رایانه به منظور دستیابی به یک راه ارتباطی بین مغز و یک دستگاه خارجی برای بیمارانی مانند اسکلروز جانبی آمیوتروفیک طراحی می‌شود به گونه‌ای که کاربر بدون هیچگونه استفاده از اندام‌های بدن و با استفاده از مغز خود دستگاه بیرونی از جمله یک ویلچر را کنترل کند.
روش کار: سیگنال الکتروانسفالوگرافی و طیف‌سنجی نور مادون قرمز از 29 فرد سالم ثبت شد و پیش پردازش سیگنال‌ها به منظور حذف نویز انجام گرفت. سپس سیگنال‌ها به صورت جداگانه و به صورت ترکیبی به تصاویر دو بعدی زمان فرکانس اسکیلوگرام با استفاده از تبدیل موجک پیوسته تبدیل شدند و تصاویر هر ناحیه از مغز به صورت جداگانه و ترکیبی به شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet 18 برای استخراج ویژگی و طبقه‌بندی وارد شدند.
یافته‌ها: نتایج به دست آمده از شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet18 برای تصاویر اسکیلوگرام در نواحی Frontal-Central, Central-Parietal مغز برای سیگنال الکتروانسفالوگرافی 88 درصد، برای تصاویر اسکیلوگرام سیگنال طیف‌سنجی نور مادون قرمز 85 درصد و برای مجموع تصاویر اسکیلوگرام، دقت 90 درصد به دست آمد.
نتیجه‌گیری: ترکیب تصاویر اسکیلوگرام سیگنال‌های مغزی و روش یادگیری عمیق استفاده شده منجر به بهبود دقت طبقه‌بندی تصور حرکت دست راست و چپ نسبت به مطالعات گذشته شد.
روش کار: سیگنال الکتروانسفالوگرافی و طیف‌سنجی نور مادون قرمز از 29 فرد سالم ثبت شد و پیش پردازش سیگنال‌ها به منظور حذف نویز انجام گرفت. سپس سیگنال‌ها به صورت جداگانه و به صورت ترکیبی به تصاویر دو بعدی زمان فرکانس اسکیلوگرام با استفاده از تبدیل موجک پیوسته تبدیل شدند و تصاویر هر ناحیه از مغز به صورت جداگانه و ترکیبی به شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet 18 برای استخراج ویژگی و طبقه‌بندی وارد شدند.
یافته‌ها: نتایج به دست آمده از شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet18 برای تصاویر اسکیلوگرام در نواحی Frontal-Central, Central-Parietal مغز برای سیگنال الکتروانسفالوگرافی 88 درصد، برای تصاویر اسکیلوگرام سیگنال طیف‌سنجی نور مادون قرمز 85 درصد و برای مجموع تصاویر اسکیلوگرام، دقت 90 درصد به دست آمد.
نتیجه‌گیری: ترکیب تصاویر اسکیلوگرام سیگنال‌های مغزی و روش یادگیری عمیق استفاده شده منجر به بهبود دقت طبقه‌بندی تصور حرکت دست راست و چپ نسبت به مطالعات گذشته شد.
واژه‌های کلیدی: رابط مغز و رایانه، الکتروانسفالوگرافی، طیف‌نگاری نور نزدیک مادون قرمز، شبکه عصبی کانولوشنی
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
دریافت: 1399/2/1 | پذیرش: 1399/4/24 | انتشار: 1399/7/10
دریافت: 1399/2/1 | پذیرش: 1399/4/24 | انتشار: 1399/7/10
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
