22783

تشخيص توجه در سيگنال هاي موج نگاري مغزي با كمك معماري يادگيري عميق و شبكه اتصالات مغزي

كارشناسي ارشد

هوش مصنوعي و رباتيكز

1398/9/18

كامپيوتر

ذهن انسان در هر لحظه با دريايي از اطلاعات ورودي مواجه است كه براي عبور از پيچيدگي‌هاي محيط اطراف خود، نياز دارد كه اطلاعات مورد نياز را اولويت بندي كرده و اطلاعات نامربوط را رها كند. راهكاري كه در مغز انسان وجود دارد براي الويت‌بندي و حذف اطلاعات نامربوط چيزي جز ساز و كار توجه نيست. امروزه بررسي، تشخيص و حتي اختلالات "توجه" يكي از مسائل مهم در حيطه پزشكي و صنعتي است. يكي از كم هزينه‌ترين راهبردهاي بررسي سطح توجه در مغز انسان، استفاده از مدل‌هاي آماري و احتمالي مبتني بر سيگنال‌هاي موج‌نگاري مغزي است. مطالعات بسياري در زمينه تشخيص و بررسي توجه صورت گرفته است و پيشنهادات گوناگوني در زمينه استفاده از مدل‌هاي آماري و احتمالي كلاسيك و يادگيري عميق ارائه شده است كه به منظور دستيابي به مدلي كارا تر از براي اين امر از باندهاي فركانسي متفاوت مغزي بهره برده‌اند. از چالش¬هاي پيش رو در اين پژوهش¬ها نحوه بازنمايي سيگنال و انتخاب مدلي كارا با در نظر گرفتن اين بازنمايي است. ساز و كار توجه براي پردازش و ورود سيگنال¬هاي حاوي اطلاعات و جلوگيري از ورود سيگنال¬هاي نامربوط، از باند فركانسي آلفا بهره مي‌گيرد. ناحيه جلويي سر نقش اساسي در كنترل"توجه" دارد و نحوه ارتباط آن با ساير نواحي از طريق هم‌فازي و هم‌بستگي ميسر مي‌شود و درصورت نوسان هم‌فاز اين نواحي با يكديگر باعث تقويت ارتباط خود مي‌شوند. در اين پژوهش نشان داديم كه با انتخاب هم‌فازي و هم‌بستگي نواحي مختلف مغزي با يكديگر بعنوان داده ورودي و استفاده از شبكه‌هاي همگشتي به‌منظور راهبردي خودكار، براي استخراج ويژگي از داده ورودي، مي‌توان مدلي ارائه كرد كه كارآيي به‌ مراتب بهتر از روش‌هاي پيشين داشته‌ باشد.

1399/09/15

Attention recognition with deep learning method and brain connectivity network on EEG

12/9/2019 12:00:00 AM

Human mind receives information at every moment and in order to deal with its surroundings complexities it requires to prioritize them and ignore irrelevant parts of them. Minds solution to handle this is just attention mechanism. Today, recognizing and analyzing attention and even attention disorders is among the most important problems in medical and industrial domains. One of the most cost efficient approaches to analyze attention level in human brain is using statistical and probabilistic models based on EEG. Many studies have been conducted in the domain of attention recognition and analysis. Various methods for utilizing classical statistical, probabilistic and deep learning models have been proposed in which they use different brain frequency bands. One of the most important issues in these approaches is choice of proper input space and suitable models based on these spaces. In many studies Alpha frequency band is considered as an attention gate which prevents receiving and processing irrelevant information. Brains Frontal lobe plays a fundamental role in controlling attention and its communication with other regions is facilitated by correlation and in-phaseness and in the case of in phase oscillation of these regions, their correlation increases. In the current research we show that by choosing in-phaseness and correlation of different brain regions with each other as the input space, and by using convolutional neural networks as an automatic method of feature extraction, we were able to provide a model with a better performance than previous models.

توجه , يادگيري عميق , سيگنال هاي موج نگاري مغزي , هم پيوستگي