تعداد نشریات | 44 |
تعداد شمارهها | 1,304 |
تعداد مقالات | 15,975 |
تعداد مشاهده مقاله | 52,339,644 |
تعداد دریافت فایل اصل مقاله | 15,105,670 |
تشخیص تصور گفتار کلمات بازی سنگ، کاغذ، قیچی با استفاده از سیگنال های EEG | ||
پردازش سیگنال پیشرفته | ||
مقاله 10، دوره 4، شماره 2 - شماره پیاپی 6، آذر 1399، صفحه 279-289 اصل مقاله (1.62 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2021.13511 | ||
نویسندگان | ||
مجید مقدری1؛ مینا زلفی لیقوان* 1؛ سبلان دانشور2 | ||
1دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز - تبریز - ایران | ||
2دانشکده مهندسی برق و کامپیوتر - دانشگاه برونل- لندن - انگلستان | ||
چکیده | ||
درک صحبتهای افراد بدون نیاز به بیان و تنها با استفاده از رمزگشایی سیگنالهای مغزی در هنگام تصور گفتار، یکی از بروزترین تحقیقات در زمینه هوش مصنوعی میباشد. سومین مسابقه ملی واسط مغز و رایانه که توسط مرکز ملی نقشه برداری مغز ایران در سال 1399 برگزار گردید به دستهبندی تصور گفتار برای سه کلمه سنگ، کاغذ و قیچی اختصاص یافت. در این مسابقه نویسندگان این مقاله با استفاده از تجزیه بستههای موجک و الگوی مکانی مشترک و بکارگیری دستهبندهای مختلف توانستند مقام دوم را کسب نمایند. دستهبندهای ماشین بردار پشتیبان، k-نزدیکترین همسایه، جنگل تصادفی، رگرسیون لجستیک ، XGBoost و مدل یادگیری عمیق Dense را بصورت جداگانه برای هر فرد و همچنین بصورت همزمان برای تمامی افراد ارزیابی نمودیم و بهترین دقت میانگین 7/51% حاصل شد. در ادامه این مدل را با استفاده از روش اسپکتروگرام و شبکه عصبی کانولوشنی توسعه دادیم و توانستیم به دقت میانگین 5/76% دست یابیم. این دقت از بهترین دقت گزارش شده بر روی این مجموعه داده بسیار بهتر بوده است. همچنین عملکرد این مدل در مقایسه با پژوهشهای اخیر در این زمینه بر روی مجموعه دادههای مختلف، برتری دارد. | ||
کلیدواژهها | ||
تصور گفتار؛ صحبت ذهنی؛ سیگنال های مغزی؛ واسط مغز-رایانه؛ EEG | ||
مراجع | ||
[1] P.R. Roelfsema, D. Denys, P.C. Klink, Mind reading and writing: The future of neurotechnology, Trends in cognitive sciences 22 (2018) [2] D. Dash, P. Ferrari, J. Wang, Decoding imagined and spoken phrases from non-invasive neural (MEG) signals, Frontiers in neuroscience 14 (2020). [3] Y. Wang, M. Zhang, R. Wu, H. Gao, M. Yang, Z. Luo, G. Li, Silent speech decoding using spectrogram features based on neuromuscular activities, Brain Sciences 10 (2020) 442. [4] A.R. Sereshkeh, R. Yousefi, A.T. Wong, T. Chau, Online classification of imagined speech using functional near-infrared spectroscopy signals, Journal of neural engineering 16 (2018) 016005. [5] S. Martin, I. Iturrate, P. Brunner, J.d.R. Millán, G. Schalk, R.T. Knight, B.N. Pasley, Individual Word Classification During Imagined Speech Using Intracranial Recordings, Brain-Computer Interface Research, Springer2019, pp. 83-91. [6] A. Aleman, E. Formisano, H. Koppenhagen, P. Hagoort, E.H. De Haan, R.S. Kahn, The functional neuroanatomy of metrical stress evaluation of perceived and imagined spoken words, Cerebral Cortex 15 (2005) 221-228. [7] L. Wang, X. Zhang, X. Zhong, Y. Zhang, Analysis and classification of speech imagery EEG for BCI, Biomedical signal processing and control 8 (2013) 901-908. [8] T. Hernández-Del-Toro, C.A. Reyes-García, L. Villaseñor-Pineda, Toward asynchronous EEG-based BCI: Detecting imagined words segments in continuous EEG signals, Biomedical Signal Processing and Control 65 (2021) 102351. [9] C. Cooney, A. Korik, R. Folli, D. Coyle, Evaluation of Hyperparameter Optimization in Machine and Deep Learning Methods for Decoding Imagined Speech EEG, Sensors 20 (2020) 4629. [10] M. Jiménez-Guarneros, P. Gómez-Gil, Standardization-refinement domain adaptation method for cross-subject EEG-based classification in imagined speech recognition, Pattern Recognition Letters 141 (2021). [11] N. Hamedi, S. Samiei, M. Delrobaei, A. Khadem, Imagined Speech Decoding From EEG: The Winner of 3rd Iranian BCI Competition (iBCIC2020), 2020 27th National and 5th International Iranian Conference on Biomedical Engineering (ICBME), IEEE, 2020. [12] https://nbml.ir/FA/scientific-tournament/102640/ (accessed 13 October 2020. [13] Makoto's preprocessing pipeline, https://sccn.ucsd.edu/wiki/Makoto's_preprocessing_pipeline (accessed 25 September 2019. [14] T. Fushiki, Estimation of prediction error by using K-fold cross-validation, Statistics and Computing 21 (2011) 137-146. [15] H. Ramoser, J. Muller-Gerking, G. Pfurtscheller, Optimal spatial filtering of single trial EEG during imagined hand movement, IEEE transactions on rehabilitation engineering 8 (2000) 441-446. [16] M. Moghaddari, M.Z. Lighvan, S. Danishvar, Diagnose ADHD disorder in children using convolutional neural network based on continuous mental task EEG, Computer Methods and Programs in Biomedicine 197 (2020). | ||
آمار تعداد مشاهده مقاله: 525 تعداد دریافت فایل اصل مقاله: 388 |