تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,360 |
تعداد دریافت فایل اصل مقاله | 15,216,926 |
الگوریتم تصمیمگیری سطح بالا با تحلیل سیگنالهای قطر مردمک | ||
پردازش سیگنال پیشرفته | ||
مقاله 11، دوره 5، شماره 1 - شماره پیاپی 7، شهریور 1400، صفحه 117-126 اصل مقاله (1.32 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2022.49223.1174 | ||
نویسندگان | ||
لیلا یحیایی1؛ رضا ابراهیم پور* 2؛ عباس کوچاری1 | ||
1گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
2دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران | ||
چکیده | ||
محققین سعی دارند با پیادهسازی الگوریتمهای تصمیمگیری مشابه عملکرد مغز، به قدرت قابلتوجه ذهن انسان دست یابند. تصمیمهای سلسله مراتبی، تصمیمات پیچیدهای هستند که نیاز به مکانیزمهای استدلال فراشناختی در مغز دارند. بازخورد منفی، قطعیت و قدرت محرک، پارامترهایی هستند که در شکلگیری این نوع تصمیمات نقش دارند. در این پژوهش به منظور ساخت یک چارچوب محاسباتی مشابه عملکرد مغز برای سیستمهای هوشمند، درک ماهیت بیولوژی شکلگیری تصمیمات سطح بالا، استفاده از انواع دیگر دادهها علاوه بر دادههای رفتاری نیز مهم خواهد بود. از آنجایی که پاسخهای غیرارادی چشمی حاصل از خروجی آزمایش روان-فیزیک، نماینده معتبری از عملکرد ساز و کار نورونی مغز میباشند، در این پژوهش علاوه بر تحلیل دادههای رفتاری به این مسئله پرداخته شده است که آیا با تحلیل دادههای غیرارادی انسان (سیگنالهای چشمی) میتوان به دینامیک حاکم بر تغییرات تصمیمات سطح بالا پی برد. دیده شد که اندازه قطر مردمک، احتمال تغییر در پارامترهای تصمیمهای سطح بالا را پیشبینی میکند و بازتاب استراتژی تصمیم سطح بالای فرد تحت شرایط پیچیده است. سپس در راستای توسعه ابزارهای مشابه عملکرد مغز در محیطهای پیچیده، چارچوبی برای تصمیمات سلسله مراتبی ارائه شده است. | ||
کلیدواژهها | ||
سیستم های هوشمند؛ تصمیمگیری سلسله مراتبی؛ مردمک چشم؛ انسان | ||
مراجع | ||
[1] P. R. Murphy, N. Wilming, D. C. Hernandez-Bocanegra, G. Prat-Ortega, and T. H. Donner, “Adaptive circuit dynamics across human cortex during evidence accumulation in changing environments,” Nature Neuroscience, pp. 1-11, 2021.
[2] M. Sarafyazd, and M. Jazayeri, “Hierarchical reasoning by neural circuits in the frontal cortex,” Science, vol. 364, no. 6441, 2019.
[3] D. Peixoto, J. R. Verhein, R. Kiani, J. C. Kao, P. Nuyujukian, C. Chandrasekaran, J. Brown, S. Fong, S. I. Ryu, and K. V. Shenoy, “Decoding and perturbing decision states in real time,” Nature, vol. 591, no. 7851, pp. 604-609, 2021.
[4] G. M. Stine, A. Zylberberg, J. Ditterich, and M. N. Shadlen, “Differentiating between integration and non-integration strategies in perceptual decision making,” Elife, vol. 9, pp. e55365, 2020.
[5] G. Kyriakarakos, K. Patlitzianas, M. Damasiotis, and D. Papastefanakis, “A fuzzy cognitive maps decision support system for renewables local planning,” Renewable and Sustainable Energy Reviews, vol. 39, pp. 209-222, 2014.
[6] J. L. Salmeron, A. Ruiz-Celma, and A. Mena, “Learning FCMs with multi-local and balanced memetic algorithms for forecasting industrial drying processes,” Neurocomputing, vol. 232, pp. 52-57, 2017.
[7] L. Yahyaie, and S. Khanmohammadi, “A new multi-criteria decision making based on fuzzy-TOPSIS theory,” Journal of Advances in Computer Engineering and Technology, vol. 2, no. 4, pp. 39-48, 2016.
[8] E. Daglarli, “Computational Modeling of Prefrontal Cortex for Meta-Cognition of a Humanoid Robot,” IEEE Access, vol. 8, pp. 98491-98507, 2020.
[9] K. H. Britten, M. N. Shadlen, W. T. Newsome, and J. A. Movshon, “The analysis of visual motion: a comparison of neuronal and psychophysical performance,” Journal of Neuroscience, vol. 12, no. 12, pp. 4745-4765, 1992.
[10] M. N. Shadlen, and W. T. Newsome, “Neural basis of a perceptual decision in the parietal cortex (area LIP) of the rhesus monkey,” Journal of neurophysiology, vol. 86, no. 4, pp. 1916-1936, 2001.
[11] L. Van Maanen, R. P. Grasman, B. U. Forstmann, M. C. Keuken, S. D. Brown, and E.-J. Wagenmakers, “Similarity and number of alternatives in the random-dot motion paradigm,” Attention, Perception, & Psychophysics, vol. 74, no. 4, pp. 739-753, 2012.
[12] C. Strauch, L. Greiter, and A. Huckauf, “Pupil dilation but not microsaccade rate robustly reveals decision formation,” Scientific reports, vol. 8, no. 1, pp. 1-9, 2018.
[13] A. Mognon, J. Jovicich, L. Bruzzone, and M. Buiatti, “ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features,” Psychophysiology, vol. 48, no. 2, pp. 229-240, 2011.
[14] J. A. Lorteije, A. Zylberberg, B. G. Ouellette, C. I. De Zeeuw, M. Sigman, and P. R. Roelfsema, “The formation of hierarchical decisions in the visual cortex,” Neuron, vol. 87, no. 6, pp. 1344-1356, 2015.
[15] R. Van den Berg, A. Zylberberg, R. Kiani, M. N. Shadlen, and D. M. Wolpert, “Confidence is the bridge between multi-stage decisions,” Current Biology, vol. 26, no. 23, pp. 3157-3168, 2016.
[16] S. V. Shooshtari, J. E. Sadrabadi, Z. Azizi, and R. Ebrahimpour, “Confidence representation of perceptual decision by eeg and eye data in a random dot motion task,” Neuroscience, vol. 406, pp. 510-527, 2019.
[17] A. Zylberberg, J. A. Lorteije, B. G. Ouellette, C. I. De Zeeuw, M. Sigman, and P. Roelfsema, “Serial, parallel and hierarchical decision making in primates,” Elife, vol. 6, pp. e17331, 2017.
[18] J. A. Reggia, G. E. Katz, and G. P. Davis, “Humanoid cognitive robots that learn by imitating: Implications for consciousness studies,” Frontiers in Robotics and AI, vol. 5, pp. 1, 2018.
[19] S. Fatahi, and H. Moradi, “A fuzzy cognitive map model to calculate a user's desirability based on personality in e-learning environments,” Computers in Human Behavior, vol. 63, pp. 272-281, 2016.
[20] E. Lesage, S. E. Aronson, M. T. Sutherland, T. J. Ross, B. J. Salmeron, and E. A. Stein, “Neural signatures of cognitive flexibility and reward sensitivity following nicotinic receptor stimulation in dependent smokers: a randomized trial,” JAMA psychiatry, vol. 74, no. 6, pp. 632-640, 2017.
[21] B. A. Purcell, and R. Kiani, “Hierarchical decision processes that operate over distinct timescales underlie choice and changes in strategy,” Proceedings of the national academy of sciences, vol. 113, no. 31, pp. E4531-E4540, 2016.
[22] W. Keung, T. A. Hagen, and R. C. Wilson, “Regulation of evidence accumulation by pupil-linked arousal processes,” Nature Human Behaviour, vol. 3, no. 6, pp. 636-645, 2019.
[23] J. C. Van Slooten, S. Jahfari, T. Knapen, and J. Theeuwes, “How pupil responses track value-based decision-making during and after reinforcement learning,” PLoS computational biology, vol. 14, no. 11, pp. e1006632, 2018.
[24] O. Colizoli, J. W. de Gee, A. E. Urai, and T. H. Donner, “Task-evoked pupil responses reflect internal belief states,” Scientific reports, vol. 8, no. 1, pp. 1-13, 2018.
[25] L. C. Yan, B. Yoshua, and H. Geoffrey, “Deep learning,” nature, vol. 521, no. 7553, pp. 436-444, 2015.
[26] X.-J. Wang, “Probabilistic decision making by slow reverberation in cortical circuits,” Neuron, vol. 36, no. 5, pp. 955-968, 2002.
[27] K.-F. Wong, and X.-J. Wang, “A recurrent network mechanism of time integration in perceptual decisions,” Journal of Neuroscience, vol. 26, no. 4, pp. 1314-1328, 2006.
[28] D. Vickers, “Evidence for an accumulator model of psychophysical discrimination,” Ergonomics, vol. 13, no. 1, pp. 37-58, 1970.
[29] R. Ratcliff, “A diffusion model account of response time and accuracy in a brightness discrimination task: Fitting real data and failing to fit fake but plausible data,” Psychonomic bulletin & review, vol. 9, no. 2, pp. 278-291, 2002.
[30] R. Bogacz, E. Brown, J. Moehlis, P. Holmes, and J. D. Cohen, “The physics of optimal decision making: a formal analysis of models of performance in two-alternative forced-choice tasks,” Psychological review, vol. 113, no. 4, pp. 700, 2006.
[31] F. Majdabadi, and R. Ebrahimpour, “The role of explicit and implicit confidence in multi-stage decisions,” Advances in Cognitive Science, pp. 37, 2020.
[32] S. Vafaei, R. Ebrahimpour, and S. Zabbah, “The Relationship Between Pupil Diameter Data and Confidence in Multi-Stage Decisions,” The Neuroscience Journal of Shefaye Khatam, pp. 70-79, 2020.
]33 [ حسنپور خ, سیدعربی م, دانشور س. کنترل صندلی چرخدار بر پایه سیگنالهای EEG به وسیله واسط مغز و ماشین. پردازش سیگنال پیشرفته. 2017;2(1):7-15.
]34 [ مقدری م, زلفی لیقوان م, دانشور س. تشخیص تصور گفتار کلمات بازی سنگ، کاغذ، قیچی با استفاده از سیگنال های EEG. پردازش سیگنال پیشرفته. 2021:-.
[35] R. Kiani, and M. N. Shadlen, “Representation of confidence associated with a decision by neurons in the parietal cortex,” science, vol. 324, no. 5928, pp. 759-764, 2009.
[36] A. E. Urai, A. Braun, and T. H. Donner, "Pupil-linked arousal is driven by decision uncertainty and alters serial choice bias," Nature Communications, vol. 8, no. 1, pp. 1-11, 2017.
[37] K. M. Lempert, Y. L. Chen, and S. M. Fleming, "Relating pupil dilation and metacognitive confidence during auditory decision-making," PLoS One, vol. 10, no. 5, p. e0126588, 2015.
[ 38] A. L. Filipowicz, C. M. Glaze, J. W. Kable, and J. I. Gold, "Pupil diameter encodes the idiosyncratic, cognitive complexity of belief updating," Elife, vol. 9, p. e57872, 2020. | ||
آمار تعداد مشاهده مقاله: 608 تعداد دریافت فایل اصل مقاله: 397 |