تقدم هذه الورقة شبكة محول الضغط والإثارة (SET-Net)، وهي شبكة هجينة بين CNN-Transformer تتعرف على حالات الانتباه والاسترخاء باستخدام ميزات الطيف لتحديد حالات الانتباه والاسترخاء المعتمدة على تخطيط الدماغ بدقة 93.7٪ وتعميم عال لاستخدامها في تطبيقات واجهة الدماغ الحاسوبي (BCI).
Research Article
SET Net: إطار عمل هجين للتعلم العميق لتصنيف استرخاء الانتباه القائم على تخطيط الدماغ الكهربائي في تطبيقات واجهات الحاسوب الدماغية
1Department of Computer Science Engineering, SR University, 2Department of Computer Science Engineering, Samara University, 3Department of Electronics and Communication Engineering, S.E.A College of Engineering and Technology, 4Department of Computer Science Engineering, Gokaraju Lailavathi Engineering College
Opens in a new tab
In This Article
Summary
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Abstract
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تستخدم تقنية واجهة الحاسوب الدماغي (BCI) كأداة لتوفير قناة اتصال مباشرة بين دماغ الإنسان والبيئة الخارجية. لهذا تطبيقات في الأنظمة المساعدة والتفاعلية. الاكتساب غير الجراحي للنشاط العصبي باستخدام تخطيط كهرباء الدماغ (EEG) هو أمر قياسي في أنظمة BCI. ومع ذلك، من الصعب تصنيف الحالات الإدراكية بفعالية، بما في ذلك الانتباه والاسترخاء، لأن إشارة تخطيط الدماغ غير ثابتة وصاخبة. لتجاوز هذه النواقص، تقترح هذه الدراسة بنية جديدة هجينة للتعلم العميق وهي شبكة المحولات بالضغط والإثارة (SE) (SET-Net). في هذه الطريقة، تتم معالجة إشارات EEG مسبقا وتقسيمها إلى نوافذ زمنية لتحليل التمثيلات الطيفية الهامة. يحقق النموذج المقترح دقة تصنيف تبلغ 93.7٪، مع درجة F1 تبلغ 0.93 وROC-AUC بنسبة 0.98. يظهر هذا فعالية نموذج التعلم العميق الهجين مع تحسين التمييز بين حالة استرخاء الانتباه المعتمد على تخطيط دماغ الدماغ (EEG). يوفر هذا نظاما قابلا للتوسع لتطبيقات BCI في الوقت الحقيقي كتقنية مساعدة في التفاعل بين الإنسان والحاسب.
Introduction
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أصبحت واجهات الدماغ والحاسوب (BCIs) تقنية مبتكرة تتيح للدماغ البشري والأجهزة الخارجية التواصل مباشرة دون الحاجة إلى الاتصالات العصبية العضلية التقليدية. تخطيط الدماغ الكهربائي (EEG) هو التقنية الأكثر شيوعا واستخداما بسبب طبيعته غير الجراحية، وقابليتها للحمل، وفعاليتها من حيث التكلفة1. تم استخدام المؤشرات الدماغية المعتمدة على تخطيط الدماغ في الرعاية الصحية وكذلك في إعادة التأهيل العصبي، والألعاب، والتقنيات المساعدة للأشخاص ذوي الإعاقات العصبية من خلال فحص نشاط الدماغ2. واحدة من أهم التطبيقات هي تحديد الحالات المعرفية، بما في ذلك الانتباه والاسترخاء، والتي يمكن استخدامها لإنشاء واجهات تكيفية بين الإنسان والحاسوب والوصول الرقمي3. نسبة إشارة إلى ضوضاء منخفضة، وتفاوت كبير بين الموضوعات، وديناميكيات زمنية معقدة بين حالات الانتباه والاسترخاء التي تفسر باستخدام تخطيط الدماغ الكهربائي؛ لذلك، تصنيف حالات الانتباه والاسترخاء باستخدام تخطيط الدماغ الكهربائي أمر صعب4. أظهرت نماذج تعلم الآلة الكلاسيكية، بما في ذلك آلة الدعم المتجهة (SVM) والغابة العشوائية، أداء متوسطا؛ ومع ذلك، فهي عادة ما تعتمد على هندسة الميزات لأنها لا تستفيد بالكامل من التعقيد المكاني–الطيفي–الزماني لتخطيط الدماغ5. وقد قدمت التطورات الحديثة في التعلم العميق، وخاصة الشبكة العصبية الالتفاوية (CNN) والمحولات، فرصا جديدة لاستخراج الميزات تلقائيا وتصنيف قوي لإشارات EEG6.
تمت دراسة أنظمة BCI المعتمدة على تخطيط الدماغ الكهربائي بشكل موسع لفترة طويلة كأداة في مراقبة الحالة المعرفية، وإعادة التأهيل العصبي، والأنظمة التفاعلية. تعريف الحالة النفسية هو أحد أهم التحديات، مثل حالات الاسترخاء والانتباه. ردا على ذلك، أظهر العلماء مجموعة متنوعة من الحلول، مثل هندسة الميزات القياسية ونماذج التعلم العميق المتقدمة. تعتمد أساليب تعلم الآلة الكلاسيكية بشكل أساسي على ميزات هندسية يدويا في الزمن أو التردد أو الزمن والتردد المكاني. وقد وجد أن الأبحاث حول خوارزميات التعلم العميق الهجينة كجزء من نظام SET-Net لتصنيف الانتباه والاسترخاء المعتمد على تخطيط الدماغ الكهربائي تمثل اتجاها علميا مهما، حيث يمكن أن تعزز أنظمة BCI التي يمكن استخدامها في بيئات واقعية7,8. حققت نماذج التعلم العميق، بما في ذلك الشبكات العصبية الالفافية (CNNs)، والشبكات العصبية المتكررة (RNNs)، والمحولات، تقدما كبيرا في فك تشفير إشارات EEG خلال العقد الماضي9,10. أدت هذه التطورات إلى تحسين وكفاءة فك شيفرة الحالات الإدراكية، وهي الحالات المعرفية المرغوبة في إعادة التأهيل العصبي والتقنيات المساعدة11,12. تزايد شعبية أنظمة BCI على أهمية تحسين دقة التصنيف، وأظهرت النتائج الحديثة أن التصنيف يمكن أن يكون أكثر من 85٪ في الصور الحركية وأنشطة الانتباه13,14. ومع ذلك، لا تزال هناك تحديات لتحقيق تصنيفات قوية في الوقت الحقيقي ضمن بيئات متنوعة وصاخبة رغم هذه التطورات15,16. المشكلة الرئيسية التي تناولتها هذه الدراسة هي دقة وصلاحية نماذج تصنيف الانتباه والاسترخاء المعتمدة على تخطيط الدماغ الكهربائي، خاصة النماذج التي تتكون من التعلم العميق الهجين في بنية SET-Net17,18، محدودة. عادة ما ترتبط الطرق الحالية بمشاكل التغير بين الموضوعات، وانخفاض ضوضاء الإشارة، وسوء استغلال الخصائص المكانية والزمانية19,20,21. هناك طرق موجهة نحو استخراج الميزات الالتفافي، وأخرى موجهة نحو الانتباه أو هندسة المحولات، مما يؤدي إلى آراء مختلفة حول أفضل تصميم للنماذج22,23,24. بالإضافة إلى ذلك، فإن نماذج EEG ليست سهلة التدريب والتبرير بسبب عدم توفر مجموعات بيانات مشروحة كبيرة25,26. هذا النقص في المعرفة يقيد استخدام مؤشرات التحليل الحيوي في الظروف الواقعية، وهو أمر مهم جدا أن تكون مرنة ودقيقة 27,28. يتم إثبات ذلك نظريا على مزيج من استخراج الميزات المكاني والزماني والقائم على الانتباه باستخدام نماذج التعلم العميق الهجينة29,30,31. يظهر هذا المزيج في إطار عمل SET-Net، الذي يتم تحقيقه من خلال طبقات الالتفافية لاستخراج الميزات المحلية وآليات الانتباه الذاتي لتعلم التبعيات العالمية32. يعزز هذا التآزر تمثيل إشارات تخطيط الدماغ الكهربائي ويمكن تطبيقه على تصنيف أفضل لحالات الاسترخاء والانتباه. تبدأ النظرية على حقيقة أن تباين إشارات تخطيط الدماغ الكهربائية والضوضاء يمكن القضاء عليها باستخدام قوة الخصائص الزمنية متعددة المقاييس وتقنيات التكيف مع المجال33. تركز المراجعة المنهجية على مراجعة نقدية للتقدم النظري في دقة وتطبيق طرق التعلم العميق الهجينة في بنية SET-Net لتصنيف الانتباه والاسترخاء المعتمد على تخطيط الدماغ الكهربائي34. سيتم استخدام المراجعة لتوجيه إنشاء نظام BCI أفضل وأكثر تفسيرا وقابلية للتعميم في التجارب المستقبلية من خلال تلخيص أحدث التطورات وتحديد نقاط القوة والقيود في هذه الطرق. ستساعد هذه الفجوات في تطوير تطبيقات واقعية لنظام BCI في المستقبل تعزز من مستخدم النظام وموثوقيته. طبقت المراجعة نهج مراجعة الأدبيات الواسعة، حيث تم ممارسة مقالات محكمة تعتمد على نماذج التعلم العميق الهجينة في تصنيف الانتباه والاسترخاء لتخطيط الدماغ34. تركز معايير الإدراج على الاتجاهات الحديثة في البنى الالتفافية والمتكررة والمعتمدة على الانتباه ضمن إطار أنظمة SET-Net أو أنظمة مشابهة35. تقوم النماذج التحليلية بتقييم تصاميم النماذج، وخوارزميات اختيار الميزات، ودقة التصنيف، وقابلية العمل في بيئة واقعية. تم تنظيم النتائج لشرح بناء النظريات، والممارسة، وفرص البحث المستقبلية.
على الرغم من التقدم الحديث، تفشل الطرق الحالية في التقاط الاعتمادات المكانية والطيفية والزمنية طويلة المدى في إشارات تخطيط الدماغ أحادية القناة، مما يؤدي إلى أداء غير مثالي في تصنيف الانتباه والاسترخاء. بالإضافة إلى ذلك، تعتمد الطرق الحالية على خصائص مضافة يدويا أو تأخذ فقط في الاعتبار بعض ميزات إشارات EEG؛ لذا، لا يمكن تعميمها عبر المشاركين والظروف اللحظية. لذا، هناك حاجة إلى إطار موحد يمكنه نمذجة ميزات تخطيط الدماغ متعددة الأبعاد بشكل كاف وقوي وقابل للبحث في الوقت الحقيقي.
لتجاوز هذه العيوب، تقترح هذه الدراسة البحث نموذجا هجينا للتعلم العميق، والذي يسمى شبكة محول الضغط والإثارة (SET-Net). على وجه الخصوص، تتعلم وحدة CNN الأنماط الطيفية المكانية المحلية باستخدام مخططيات EEG وتتغلب على قيود استخراج الميزات يدويا. تحسن كتلة SE تمثيل الميزات من خلال تكييف أهمية القناة وزيادة الضوضاء والمتانة في التباين. ترميز المحول يمثل الاعتمادات الزمنية طويلة المدى التي لا تقتصر على النماذج التي تعتمد فقط على CNN. بالإضافة إلى ذلك، يمكن إجراء تحليل الزمن والتردد بفعالية باستخدام التمثيل المعتمد على الطيف، مما يعزز تعلم السمات التمييزية. لضمان الأداء المستقر، تم تبني تدريب متوازن وتحقق خال من التسرب، مما حسن تعميم الأداء بين المواد.
علاوة على ذلك، يتم تأكيد البنية المقترحة في تطبيق في الوقت الحقيقي، حيث يتم تحويل الحالات المعرفية المصنفة إلى تعليمات تحكم في الأنظمة التفاعلية. وهذا يوضح أن النموذج قابل للتطبيق عمليا في التقنيات المساعدة والوصول الرقمي، ويمكن استخدامه في التطبيق العملي لمتلازمة بناء الهواء.
الإنجاز الرئيسي لهذه الدراسة هو تصميم بنية هجينة جديدة من نوع SET-Net تدمج الشبكات العصبية الالتفافية، وتركيز الضغط والإثارة، ومشفرات المحولات لنمذجة إشارات EEG بشكل أفضل. علاوة على ذلك، تم استخدام تمثيل قائم على الطيف لتمثيل خصائص الزمن والتردد لإشارات EEG بنجاح. يسمح الإطار المقترح بتصنيف قوي للحالات الإدراكية للانتباه والاسترخاء. علاوة على ذلك، أظهر أن النموذج قابل للتطبيق في تطبيق واجهة الدماغ إلى الحاسوب في الوقت الحقيقي.
تنظم هذه الورقة إلى أقسام تتناول دراسات تصنف فئات الانتباه والاسترخاء في نشاط الدماغ كما هو مطبق على أنظمة BCI. تم تنظيم هذه الورقة لعرض الفجوات والتحديات البحثية المرتبطة بتطوير أنظمة BCI، ثم تقديم عملية جمع البيانات والمنهجية التي تشمل تسجيل إشارات EEG. المعالجة المسبقة، وتمثيل الميزات. يناقش أهمية أنشطة الانتباه والاسترخاء، بالإضافة إلى عملية استخلاص ميزات ذات معنى من بيانات تخطيط الدماغ الكهربائي. ثم تعرض النتائج وتقييمها باستخدام تحليلات كمية ومقارنة، بالإضافة إلى الأداء الفعلي للتطبيق. يناقش الجزء الأخير النتائج، وحدود الدراسة، واتجاهات العمل المستقبلية.
Access restricted. Please log in or start a trial to view this content.
Protocol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أجريت الدراسة وفقا لإعلان هلسنكي وتمت الموافقة عليها من قبل لجنة الأخلاقيات المؤسسية في جامعة SR، وارانجال، تيلانجانا، الهند (رقم الموافقة 007/2026). تم الحصول على موافقة مستنيرة كتابيا من جميع المشاركين قبل جمع البيانات.
اختيار المشاركين
تم جمع بيانات تخطيط الدماغ من 11 مشاركا أصحاء (الفئة العمرية: 25–45 سنة؛ متوسط العمر: 28 سنة) بدون تاريخ لاضطرابات عصبية أو نفسية. في هذه الدراسة، تم النظر في ما مجموعه 1175 مقطعا من تخطيط الدماغ الكهربائي، منها 527 تنتمي إلى فئة الاسترخاء و648 تنتمي إلى فئة الانتباه. تم استبعاد المشاركين الذين أظهرت تسجيلاتهم تخطيط الدماغ تشوهات حركية مفرطة أو جودة إشارة ضعيفة.
إعداد اقتناء EEG
يتم تصوير التخطيط العام لنظام واجهة الدماغ والحاسوب المعتمد على تخطيط الدماغ والكمبيوتر المقترح في الشكل 1، الذي يوضح كامل خط استحواذ الإشارات وتصنيفها والاستخدام في الوقت الحقيقي. تم تسجيل بيانات تخطيط الدماغ باستخدام وحدة صغيرة لاكتساب الجهد الحيوي مرتبطة بنظام قائم على المتحكم الدقيق. تم وضع أقطاب الهلام بناء على النظام الدولي 10–20، أي النقاط الأمامية الأمامية ل FP1 و Fp2، مع وضع الأقطاب المرجعية وأرضية عند شحمة الأذن، كما هو موضح في الشكل 2. تم رقمنة الإشارات بمعدل 128 هرتز وإرسالها إلى الحاسوب باستخدام سكريبت اكتساب ذاتي الكتابة بلغة بايثون. تم استخدام معالجة الجلد المسبق المناسبة والجل الموصل لتقليل مقاومة الأقطاب وتحسين جودة الإشارة.
الإجراء التجريبي
تم إجراء تسجيلات تخطيط الدماغ تحت حالتين معرفيتين، الاسترخاء والانتباه، وفقا لبروتوكول موحد. في حالة الاسترخاء، كان يجلس المشارك في بيئة مريحة منخفضة الضوضاء ويطلب منه البقاء ساكنا مع أقل حركة ممكنة. تم تشغيل الصوت الآلي الهادئ عبر سماعات الأذن، وتم بدء اكتساب تخطيط الدماغ باستخدام collect.py بايثون الأمر. تم تسجيل إشارات تخطيط الدماغ لمدة 5 دقائق في كل جلسة وتكررها لأربع جلسات. في حالة الانتباه، كان يطلب من المشارك أداء مهام تتطلب الانتباه مثل الألعاب التفاعلية مع الحفاظ على نفس إعداد الاستحواذ كما في حالة الاسترخاء. تم تسجيل إشارات تخطيط الدماغ لمدة 5 دقائق في كل جلسة وتكررها لأربع جلسات. شارك كل مشارك لمدة إجمالية بلغت 40 دقيقة، شملت 20 دقيقة من الاسترخاء و20 دقيقة من مهام الانتباه، مما أتاح مقارنة موثوقة للحالات الإدراكية.
تم تنظيم مجموعة البيانات المعالجة إلى مقاطع معنونة كما يلي: الاسترخاء (0)؛ انتباه (1). كل قطعة كانت مدتها 4 ثوان مع تداخل بنسبة 50٪ وتم تمثيلها كمخطط طيفي باستخدام تحويل فورييه قصير الزمن.
معالجة الإشارات، تمثيل الميزات، وتنفيذ النموذج
تمت معالجة إشارات تخطيط الدماغ المحصنة مسبقا لإزالة الضوضاء والتشوهات. تم استخدام فلتر نتش 50 هرتز لإزالة التداخل في خطوط الطاقة، واستخدم فلتر تمرير النطاق من الدرجة الرابعة من نوع باتروورث في الإشارة بين 0.5 و30 هرتز لاختيار نطاقات التردد ذات الصلة. تم استخدام عتبة السعة والفحص البصري لتحديد الأجزاء الملوثة بالقطع الأثرية، وتم حذف حوالي 8–12٪ من البيانات. إضافة الضوضاء الغاوسية، والتمويه الزمني، وتمويه التردد هي طرق تعزيز البيانات تستخدم لتحسين متانة النموذج. تم تصفية إشارات EEG ثم تقسيمها إلى نوافذ مدتها 4 ثوان تفصل بينها 50 بالمئة.
تم تحويل مقاطع تخطيط الدماغ الفردية إلى تمثيل زمني وترددي (تحويل فورييه قصير الزمن)، كما هو موضح في المعادلة (1)، للسماح باستخراج الخصائص الزمنية والطيفة.
(1)
تم تطبيع مخططات الطيف الناتجة وإعادة تحجمها إلى أبعاد ثابتة لتكون مدخلات لنموذج التصنيف. لمنع تسرب البيانات الناتج عن التداخل، تم تقسيم مجموعة البيانات إلى مجموعات تدريبية (70٪)، والتحقق (10٪)، ومجموعات اختبار (20٪) قبل التقسيم، كما هو موضح في الشكل 3. بالإضافة إلى ذلك، تم إجراء التحقق المتقاطع بترك الموضوع الواحد (LOSO) لتقييم التعميم بين المواضيع، حيث تم استخدام بيانات من شخص واحد للاختبار، بينما استخدمت البيانات المتبقية للتدريب.
تم تصميم بنية SET-Net المقترحة، كما هو موضح في الشكل 4، لالتقاط ميزات تخطيط الدماغ متعددة الأبعاد. يدمج النموذج العمود الفقري لشبكة عصبية الالتفافية (CNN) لاستخراج التمثيلات المكانية-الطيفية، تليها كتلة ضغط وإثارة (SE) تعيد معايرة أهمية الميزة حسب القناة، كما هو موضح في المعادلة (2). يتكون العمود الفقري للشبكة العصبية النووية من طبقتين التفافيتين بحجم نواة 3 × 3، تليها تطبيع دفعات وتنشيط الوحدة الخطية الأسية (ELU)
(2)
الهيكل الداخلي لكتلة SE موضح في الشكل 5. لالتقاط الاعتمادات الزمنية طويلة المدى، تم دمج مشفر محول، تم تعريف آلية انتباهه في المعادلة (3) وموضحة في الشكل 6.
(3)
تم استخدام طبقة تجميع متوسطة تكيفية لتقليل خرائط الميزات إلى حجم ثابت 16 × 16. نسبة الاختزال لكتلة SE هي 8، والتي تستخدم لإعادة معايرة استجابات الميزات حسب القناة. تكون مشفر المحول من أربع طبقات مع أربعة رؤوس انتباه، وحجم بعد التغذية الأمامية 256، وحجم تضمين نموذج 128.
تم التصنيف النهائي باستخدام طبقات متصلة بالكامل مع تنظيم الانقطاع دالة تفعيل سوفتماكس لتمييز حالتي الانتباه والاسترخاء. يتم عرض البنية التفصيلية على مستوى الطبقة للنموذج المقترح في الجدول 1.
تم تدريب النموذج باستخدام محسن AdamW بمعدل تعلم ابتدائي 0.001 وفقدان وزن 1×10⁻4. تم استخدام جدولة التلدين الجيب التمامي لتعزيز التقارب، وتم تدريب 50 عصرا باستخدام حجم دفعة 32. تم التغلب على اختلال الفئة باستخدام دالة فقدان الإنتروبيا المتقاطعة المرجحة المرجحة، كما هو موضح في المعادلة (4).
(4)
يلخص الجدول 2 تكوين التدريب، ويعرض الجدول 3 البحث الفائق في المعامل الفائقة لشبكة SET-Net المقترحة، والتي استخدمت في تصنيف استرخاء الانتباه المعتمد على تخطيط الدماغ الكهربائي. توفر المعايير المختارة استقرار التدريب، وتعميما معززا، وتحمل للتغيرات في إشارات تخطيط الدماغ. توفر المعايير المختارة الاستقرار لعملية التدريب، وتعزز التعميم، وتقاوم التغيرات في إشارة تخطيط الدماغ الكهربائي. تم استخدام الدقة، والدقة، والاستدعاء، ونتيجة F1، وROC-AUC لقياس أداء النموذج. جميع خطوط الأنابيب التي تتعلق بالمعالجة المسبقة، وتدريب النماذج، والتقييم كتبت بلغة بايثون باستخدام إطار عمل PyTorch لضمان قابلية التكرار. يوفر الجدول 4 وصفا مفصلا لحل المشكلات المرتبطة بالحصول على تخطيط الدماغ الكهربائي، والمعالجة المسبقة، وتدريب النماذج، والاستخدام في الوقت الحقيقي. يوفر الجدول 5 نظرة عامة على مواد جهاز تخطيط الدماغ لتمكين إطار عمل سهل لإجراء التجارب وإعداد التجارب. تم استخدام بايثون 3.8 مع إطار عمل التعلم العميق PyTorch لتنفيذ إطار SET-Net المقترح. تم استخدام مكتبات الحوسبة العلمية القياسية لمعالجة الإشارات المسبقة واستخراج الميزات باستخدام NumPy وSciPy وMatplotlib. تم تنفيذ كل إجراء تجريبي على نظام مزود بمعالج Intel i7 وذاكرة RAM بسعة 16 جيجابايت لتسريع تدريب النماذج.
توفر البيانات:
مجموعة بيانات تخطيط الدماغ المجهولة التي تم إنشاؤها وتحليلها خلال هذه الدراسة متاحة للجمهور في مستودع زينودو تحت رابط الإدخال التالي: https://zenodo.org/records/19627795.
تم إلغاء هوية جميع البيانات لضمان سرية المشاركين وفقا للإرشادات الأخلاقية المؤسسية المعتمدة من لجنة الأخلاقيات المؤسسية في جامعة SR (رقم الموافقة 007/2026).
يتم عرض المعلومات المعالجة، وإعدادات النماذج، وتفاصيل التنفيذ اللازمة لإعادة إنشاء النتائج في المخطوطة، ويكون الشيفرة المصدرية متاحة للجمهور في: https://github.com/Ravichanderj/SET-Net-EEG-BCI.
Access restricted. Please log in or start a trial to view this content.
Results
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تمثيل الميزات المعتمد على الطيف
كان الهدف الرئيسي من هذه الدراسة هو تصنيف حالات الانتباه والاسترخاء بشكل صحيح بمساعدة إشارات تخطيط الدماغ الكهربائي. جعل تحويل إشارات تخطيط الدماغ الخام إلى مخططات طيفية من الممكن استخراج السمات المميزة بفعالية. تشير المخططات إلى زيادة نشاط النطاق ألفا (8–13 هرتز) أثناء الاسترخاء وزيادة نشاط بيتا (14–25 هرتز) أثناء الانتباه. هذا الانقسام الواضح في خصائص مجال التردد يبرر صراحة هدف الدراسة من خلال إظهار أن تمثيل ا...
Access restricted. Please log in or start a trial to view this content.
Discussion
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تشير الأبحاث الحالية إلى نموذج هجين للتعلم العميق، SET-Net، لتصنيف استرخاء الانتباه القائم على تخطيط الدماغ الكهربائي. لتعلم الميزات المكانية والطيفية والزمنية لإشارات EEG، تجمع البنية بين الشبكات العصبية الالفافية، والانتباه المضغوط والإثارة، ومشفرات المحولات، كما هو موضح في الشكل 5. تشير النتائج إلى أن الطريقة المقترحة يمكن أن تحقق هدف الدراسة. الدقة، ودرجة F1، وقيم ROC-AUC (الجدول 6) عالية، مما يثبت أن النموذج موثوق ويوازن أداء التصنيف. و...
Access restricted. Please log in or start a trial to view this content.
Disclosures
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعلن المؤلفون أنه لا توجد لديهم مصالح مالية متنافسة معروفة أو علاقات شخصية قد تؤثر على العمل المبلغ عنه في هذه الدراسة.
Acknowledgements
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يشكر المؤلفون جامعة SR في وارانجال، ولاية تيلانجانا، الهند، على توفير إعداد المختبر اللازم والموافقة الأخلاقية لإجراء هذه الدراسة.
Access restricted. Please log in or start a trial to view this content.
Materials
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| الكمبيوتر / اللابتوب | عام | أي نظام قياسي | ≥ يوصى بذاكرة 8 جيجابايت |
| سكريبت جمع البيانات | العرف | collect.py | سكريبت الاستحواذ القائم على بايثون |
| أقطاب الجل القابلة للتخلص منها | عام | أقطاب Ag/AgCl مسبقة الجلات | لاصق للاستخدام الواحد |
| وحدة اكتساب EEG | مختبرات مقلوبة | حبة BioAmp EXG | واجهة أمامية تناظرية لإشارات الجهد الحيوي |
| جل الأقطاب الكهربائية (إذا تم استخدام أقطاب كهربائية قابلة لإعادة الاستخدام) | عام | الجل الموصل | يحسن توصيل الإشارة |
| تطبيق تفاعلي (لعبة) | عام | أي لعبة بسيطة (مثل السباقات) | واجهة تحكم بلوحة المفاتيح |
| أسلاك القفز | عام | ذكر– الموصلات الأنثوية | أسلاك لوحة التبريد القياسية |
| ماتبلوتليب / سيبورن | مفتوح المصدر | أحدث الإصدارات | مكتبات التصور |
| لوحة التحكم الدقيق | أردوينو | أونو / صانع أونو | مدرج ADC 10-بت، واجهة USB |
| بيئة البرمجة بايثون | مؤسسة بايثون للبرمجيات | بايثون ≥ 3.8 | لغة برمجة مفتوحة المصدر |
| مكتبة باي تورش | الذكاء الاصطناعي الضخم | النسخة وge; 1.12 | إطار التعلم العميق |
| سكيت-لرن | مفتوح المصدر | أحدث إصدار مستقر | أدوات التعلم الآلي |
| مكتبات معالجة الإشارات | SciPy | أحدث إصدار | التصفية، STFT |
| كابل USB | عام | USB من النوع A إلى B | كابل نقل البيانات |
Reprints and Permissions
Request permission to reuse the text or figures of this JoVE article
Request Permission