16721

هم‌ترازي سيگنال‌هاي مغزي با كمك يادگيري عميق

1403

دكتر فاطمه زارعيان جهرمي

تفاوت‌هاي فردي در سيگنال‌هاي EEG يكي از مهم‌ترين موانع در توسعه سيستم‌هاي مختلفِ مبتني بر مغز، از جمله: تشخيص احساسات، تصور حركتي، پايش خستگي و رابط‌هاي مغز–رايانه است. اين تفاوت‌ها باعث مي‌شوند مدل‌هاي يادگيري ماشين كه بر داده‌هاي محدود آموزش ديده‌اند، در مواجهه با افراد جديد دچار افت عملكرد شوند. به همين دليل، پژوهش‌هاي اخير تمركز خود را بر يادگيري انتقالي و انطباق حوزه گذاشته‌اند تا بتوانند نمايش‌هايي پايدار، قابل‌انتقال و مستقل از سوژه به دست آورند. روش‌هاي جديدي همچون Latent Alignment، DANN-MAT، MSGDAN، CLUDA و GDANN نشان داده‌اند كه هم‌ترازي ويژگي‌ها در فضاي نهفته شبكه‌هاي عميق، به جاي هم‌ترازي مستقيم سيگنال خام، مي‌تواند اختلاف ميان سوژه‌ها را به‌طور مؤثرتري كاهش دهد. برخي از اين روش‌ها با استفاده از يادگيري تقابلي و چندين وظيفه‌ي هم‌زمان، ويژگي‌هاي مرتبط با احساس يا حركت را حفظ كرده و اطلاعات غيرمرتبط وابسته به سوژه را حذف مي‌كنند. گروهي ديگر با بهره‌گيري از يادگيري مقايسه‌اي، شباهت نمايش‌هاي حاصل از سوژه‌هاي مختلف را هنگامي كه با محرك‌هاي يكسان روبه‌رو هستند افزايش مي‌دهند و بدين ترتيب بازنمايي‌هاي يكپارچه‌تري مي‌آفرينند. در كنار اين‌ها، معماري‌هاي پيشرفته‌ مانند: شبكه‌هاي گرافي براي سازگاري با چيدمان‌ متفاوت الكترودها، گام ديگري در جهت افزايش تعميم‌پذيري برداشته‌اند. نتايج به‌دست‌آمده از مجموعه‌ي گسترده‌اي از وظايف، از جمله تشخيص احساس، تصور حركتي، تشخيص خستگي، طبقه‌بندي مراحل خواب و P300، و روي داده‌هايي مانند SEED، SEED-IV، DEAP و مجموعه‌هاي BCI، همگي بيانگر آن است كه اين روش‌ها به‌طور پايدار دقت و قابليت تعميم مدل‌ها را در شرايط بين‌سوژه‌اي افزايش داده‌اند. به‌طور كلي، اين دستاوردها نشان مي‌دهند كه تركيب يادگيري انتقالي، انطباق حوزه و استخراج ويژگي‌هاي عميق، مسيري مؤثر براي غلبه بر چالش تفاوت‌هاي فردي در EEG و توسعه سامانه‌هاي قابل‌اعتماد در كاربردهاي واقعي BCI فراهم مي‌كند.

12/10/2025 12:00:00 AM

89343

1404/10/19

Brain signals Alignment with deep learning