سيده آيلار سيدي

Analysis an‎d comparison of the performance of LSTM an‎d Transformer models in multi-level mental workload estimation using EEG signalss

اين پايان‌نامه به تحليل و مقايسه عملكرد مدل‌هاي يادگيري عميق LSTM و Transformer در تخمين بار ذهني چندسطحي با بهره‌گيري از سيگنال‌هاي الكتروانسفالوگرافي (EEG) ديتابيس STEW پرداخته است. بار ذهني آزمودني‌ها پس از اجراي وظايف مختلف بر اساس مقياس 1 تا 9 ارزيابي و به سه كلاس دسته‌بندي شده است: كلاس 0 (بار عادي، امتيازات 4-5)، كلاس 1 (بار متوسط، امتيازات 6-7)، و كلاس 2 (بار بالا، امتيازات 8-9). داده‌ها با استفاده از تكنيك‌هاي پيش‌پردازش شامل پنجره‌بندي (اندازه 128 نمونه با هم‌پوشاني 0.5)، فيلتر) bandpass باند فركانسي 8-30 هرتز)، نرمال‌سازي باStandardScaler و افزايش داده‌ها پردازش شدند. مدل LSTM با معماري دو لايه hidden_size=128) (dro‎pout=0.5, و مدل Transformer با مكانيزم توجه چندسريd_model=128) ، (nhead=8 طراحي و با روش اعتبارسنجي متقابل 5-فولد ارزيابي گرديد. نتايج نشان داد كه مدل Transformer با ميانگين دقت متعادل0.9456 و AUC-Macro 0.9924، در مقايسه با LSTM، (با 0.8145BalAcc ، 0.9388AUC ) عملكرد بهتري ارائه كرده است، كه اين برتري به توانايي آن در مدل‌سازي روابط جهاني بين كانال‌هاي EEG بازمي‌گردد. مدل نهايي Transformer با BalAcc 0.969 و كاهش 10.2 درصدي در نرخ خطاي ميان‌كلاسي، پتانسيل قابل‌توجهي براي كاربرد در رابط‌هاي مغز و رايانه (BCI) نشان داد. اين پژوهش بر اهميت بهينه‌سازي پيش‌پردازش داده‌ها و انتخاب معماري مناسب در تحليل سيگنال‌هاي EEG تأكيد دارد.

بار ذهني , الكتروانسفالوگرافي , يادگيري عميق , مدل LSTM , مدل Transformer , ديتابيس STEW , طبقه‌بندي چندكلاسه , رابط مغز و رايانه (BCI)