فهرست نشریات علمی دسترسی آزاد ایران

شناسایی سیگنال‌های الکتروانسفالوگرافی (EEG) مرتبط با فرآیند تصور حرکت نقش کلیدی در تحلیل و ارزیابی عملکرد‌های عصبی در سیستم‌های رابط مغز و رایانه (BCI) ایفا می‌کند. با این حال، تفاوت‌های فردی قابل توجه در الگوهای EEG چالشی جدی برای طراحی مدل‌های دقیق و عمومی‌پذیر ایجاد کرده است. از سوی دیگر، تشخیص موفق تصور حرکت از بازه‌های زمانی کوتاه‌تر سیگنال، تأثیر مستقیمی بر افزایش کارایی و قابلیت استفاده عملی این فناوری‌ها دارد. در این مقاله، یک چارچوب ترکیبی نوآورانه ارائه شده است که به منظور طبقه‌بندی سیگنال‌های EEG ناشی از تصور حرکت، یک معماری دو مرحله‌ای مبتنی بر ترکیب اینفورمر بهبودیافته و شبکه EEGNet پیشنهاد می‌کند. در این ساختار ابتدا سیگنال‌های EEG پس از استخراج ویژگی‌های فرکانسی اولیه، به ماژول اینفورمر بهبودیافته وارد می‌شوند. این ماژول با بهره‌گیری از مکانیزم توجه پراکنده و فیلترهای فرکانسی تطبیقی قادر است وابستگی‌های زمانی بلندمدت در داده‌های EEG را به طور مؤثر استخراج کند. خروجی اینفورمر سپس به مدل EEGNet منتقل می‌شود. با طراحی کانولوشن‌های خاص (کانولوشن فضایی، کانولوشن عمقی، و کانولوشن تفکیک‌پذیر زمانی) به‌طور هدفمند ویژگی‌های فضایی-زمانی سیگنال‌های EEG را استخراج می‌کند و نمایه‌ای فشرده و قدرتمند برای طبقه‌بندی نهایی تولید می‌کند. نتایج تجربی حاصل از ارزیابی‌ها نشان می‌دهد که مدل پیشنهادی در سناریوی میان‌گروهی و با استفاده از دیتاست استانداردPhysioNet موفق به دستیابی به دقت 85.20 درصد برای بازه‌های زمانی کوتاه 2 ثانیه‌ای شده است. مقایسه عملکرد با مدل‌های پیشرفته موجود نشان می‌دهد که رویکرد پیشنهادی در مواجهه با داده‌های کوتاه‌تر و تنوع شرکت‌کنندگان عملکرد رقابتی و بهبود‌یافته‌ای دارد.