مقاله عضو هیأت علمی دانشگاه صنعتی نوشیروانی بابل رتبه دوم را در حوزه علوم پایه کسب نمود

دکتر ابراهیمی به چکیده ای از این مقاله اشاره کرد و گفت: در رابط مغز و کامپیوتر ( BCI ) مبتنی بر تصور حرکتی ( MI )، قصد کاربران از طریق پردازش الگوی خاصی در سیگنال‌های مغزی که منعکس‌کننده ویژگی‌های حرکتی هستند، به یک سیگنال کنترلی تبدیل می‌شود. محدودیت‌هایی مانند تعداد کم مجموعه داده‌های موجود و نسبت سیگنال به نویز پایین در طبقه‌بندی سیگنال‌های الکتروانسفالوگرام تصور حرکتی وجود دارد. روش‌های یادگیری ماشین ( ML ) ، به ویژه یادگیری عمیق ( DL )، تا حدودی بر این محدودیت‌ها غلبه کرده‌اند. در این مطالعه، سه مدل ترکیبی برای طبقه‌بندی سیگنال EEG در BCI مبتنی بر MI پیشنهاد شد. مدل‌های ترکیبی پیشنهادی شامل شبکه‌های عصبی پیچشی ( CNN ) و حافظه بلند-کوتاه مدت ( LSTM ) هستند. در مدل اول، CNN با تعداد متفاوتی از بلوک‌های تجم ی ع پیچشی (از CNN کم‌عمق تا CNN عمیق) بررسی شد؛ یک مدل CNN دو بلوکی که تحت تأثیر گرادیان نزولی محوشونده قرار نمی‌گیرد و در عین حال قادر به استخراج ویژگی‌های مطلوب است، به کار گرفته شد. مدل‌های دوم و سوم شامل شبکه‌های عصبی پیچشی از پیش آموزش‌دیده بودند که بتواند منجر به استخراج ویژگی‌های پیچیده‌تر شود . استراتژی یادگیری انتقالی و روش‌های تقویت داده برای غلبه بر تعداد کم مجموعه داده‌ها مورد استفاده قرار گرفتند . این امر با استفاده از دو شبکه عصبی پیچشی از پیش آموزش‌دیده قدرتمند یعنی ResNet-50 و Inception-v3 محقق شد. از تبدیل موجک پیوسته ( CWT ) برای تولید تصاویر برای استفاده در مدلهای مبتنی بر CNN استفاده شد. عملکرد مدل‌های پیشنهادی بر روی مجموعه داده‌های BCI Competition IV 2a ارزیابی شد. مقادیر میانگین دقت 92٪، 90٪ و 86٪ و مقادیر میانگین کاپا 88٪، 86٪ و 81٪ به ترتیب برای شبکه عصبی ترکیبی با CNN اختصاصی ، شبکه عصبی ترکیبی با ResNet-50 و شبکه عصبی ترکیبی با Inception-v3 به دست آمد. با وجود عملکرد امیدوارکننده سه مدل پیشنهادی، شبکه عصبی ترکیبی با Inception-v3 از دو مدل دیگر بهتر عمل کرد. بهترین نتیجه به‌دست‌آمده در مطالعه حا ض ر، بهترین نتیجه قبلی در ادبیات را از نظر دقت طبقه‌بندی 7٪ بهبود بخشید. از یافته‌ها می‌توان نتیجه گرفت که یادگیری انتقالی مبتنی بر CNN از پیش آموزش‌دیده در ترکیب با LSTM یک روش جدید در BCI مبتنی بر MI است. در این مطالعه همچنین به بررسی طبقه بندی تصور جرکتی از هر کانال EEG و همچنین در مناطق مختلف مغز پرداخته شده است که می‌تواند با انتخاب تنها مؤثرترین کانال‌ها، زمان محاسبات را در پزوهش های آینده کاهش دهد.

گفتنی است زهرا خادمی فارغ التحصیل کارشناسی ارشد دانشگاه نوشیروانی در رشته مهندسی پزشکی و دکتر حسین منتظری عضو هیأت علمی این دانشگاه نیز در این مقاله با خانم دکتر ابراهیمی همکاری داشتند.