رده‌بندی تصور گفتار مبتنی بر سیگنال‌های مغزی با افزودن داده‌ها و شبکه تطبیق دامنه هماوردانه با استفاده از یادگیری عمیق در کاربرد رابط مغزـرایانه

نویسندگان

1 دانشیار، گروه مهندسی کامپیوتر و برق، دانشگاه خوارزمی، تهران، ایران

2 دانشجوی دکتری، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار، گروه علمی مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

doi
10.22034/abmir.2025.22852.1105
چکیده

رابط مغز -رایانه مبتنی بر گفتار راهبُردهای ارتباط صوتی مؤثری را برای کنترل دستگاه‌ها از طریق دستورات گفتاری که از سیگنال‌های مغزی تفسیر می‌شوند، ارائه می‌کنند. یکی از چالش‌های مهم در مسئله رابط مغز-رایانه رده‌بندی سیگنال‌های مغزی مبتنی بر الکتروانسفالوگرافی است. الکتروانسفالوگرافی یک سیگنال مغزی غیرتهاجمی است که از سطح پوست سر از طریق الکترودها ضبط می‌شود. سیگنال‌های به‌دست‌آمده با استفاده از تجهیزات آسان و ارزان دارای وضوح مکانی نسبتاً پایین و وضوح زمانی بالا هستند که برای دستیابی به نتایج بهینه مناسب‌ترین روش استخراج و رده‌بندی ویژگی‌ها باید استفاده شود. همچنین جمع‌آوری داده‌های کافی برای آزمودنی جدید زمان و تلاش زیادی می‌طلبد که در این مقاله افزودن داده‌ها با استفاده از مدل مولد هماوردانه به‌منظور بهبود عملکرد رده‌بندی سیگنال‌های مغزی پیشنهادشده است. همچنین مدلی برای رده‌بندی تصور گفتار مبتنی بر سیگنال‌های مغزی آزمودنی جدید با یادگیری انتقالی با استفاده از روش مولد هماوردانه مبتنی بر تطبیق دامنه متمایزکننده هماوردانه ارائه‌شده است. به‌منظور شناسایی تصور گفتار از پایگاه داده KaraOne استفاده‌شده است. روش پیشنهادی با سایر روش‌های جدید بر اساس معیارهای صحت و کاپا مورد ارزیابی قرار گرفتند. طبق نتایج به‌دست‌آمده روش پیشنهادی با صحت ۸۶ ٪ و 21/60 ٪ به ترتیب تصور کلمات و واج‌ها را رده‌بندی می‌کند. مدل پیشنهادی، مستقل از سیگنال‌های مغزی هر فرد است که با آموزش مدل بر روی سیگنال‌های مغزی افزوده‌شده آزمودنی‌ها در دامنه منبع می‌توان به‌طور مؤثر سیگنال‌ها را در دامنه هدف بدون نیاز به داده‌های برچسب‌گذاری شده از آزمودنی جدید رده‌بندی کرد.