16694

بررسي الگوريتم‌هاي مبتني بر شبكه عصبي گرافي در رابط‌هاي مغز و رايانه با استفاده از سيگنال EEG

1403

شاهرخ فرهمند

شبكه‌هاي عصبي گرافي به‌عنوان معماري‌هاي مؤثر براي تحليل داده‌هاي غيرمنظم، در سال‌هاي اخير جايگاه ويژه‌اي در پردازش سيگنال‌هاي EEG يافته‌اند. پيچيدگي ارتباطات ميان الكترودها، نويز بالا و ماهيت شبكه‌اي فعاليت مغز موجب مي‌شود روش‌هاي كلاسيك و بسياري از مدل‌هاي عميق عملكرد محدودي داشته باشند؛ در حالي كه GNNها با بهره‌گيري از ساختار گرافي داده، امكان استخراج روابط مكاني–زماني و تعاملات نواحي مغزي را فراهم مي‌كنند. در اين ميان، شبكه‌هاي توجه گرافي به دليل قابليت وزن‌دهي تطبيقي به همسايه‌ها و تمركز بر ارتباطات مؤثر، يكي از مؤفق‌ترين معماري‌ها در تحليل EEG محسوب مي‌شوند. اين مدل‌ها با يادگيري سازوكار توجه، مي‌توانند نقش هر گره را با توجه به فعاليت واقعي آن در شبكه تعيين كنند و در نتيجه براي كاربردهايي مانند تشخيص صرع، پيش‌بيني تشنج، تحليل احساسات، تحليل تصور حركتي و طبقه‌بندي اختلالات شناختي نتايج قابل‌توجهي ارائه دهند. با وجود پيشرفت‌ها، چالش‌هايي همچون نحوۀ ساخت گراف، مدل‌سازي اتصالات گرافي پويا، و سربار محاسباتي ناشي از تراكم يال‌ها همچنان مطرح‌اند؛ به‌ويژه در مدل‌هاي توجه‌محور كه تبادل اطلاعات ميان گره‌ها مي‌تواند هزينۀ زماني و سخت‌افزاري را افزايش دهد. اين پژوهش با مروري جامع بر روش‌ها و كاربردهاي GNNها با تأكيد بر مدل‌هاي مبتني بر توجه، تصويري فشرده از دستاوردها، محدوديت‌ها و مسيرهاي پژوهشي آينده ارائه مي‌دهد. واژه‌هاي كليدي: شبكه‌هاي عصبي گرافي، GAT، سيگنال EEG، اتصال‌پذيري مغزي، يادگيري توجه‌محور.

12/10/2025 12:00:00 AM

89276

1404/10/18

A Study of Graph Neural Network-Based Algorithms in Brain-Computer Interface Using EEG Signals