توصيفگر ها :
الكترواكولوگرافي , اسكلروز جانبي آميوتروفيك , بازسازي فضاي فاز , يادگيري عميق
چكيده فارسي :
اين پژوهش رويكرد نوآورانهاي را ارائه ميدهد كه از سيگنالهاي الكترواكولوگرام، سيگنالهاي بيوالكتريكي توليد شده توسط حركات چشم، براي افزايش كارايي ارتباطات و تشخيص حروف نوشته شده با حركت چشم، استفاده ميكند. با بهرهگيري از شبكههاي عصبي عميق، اين روش حركات پايهاي چشم را كه بهعنوان اجزاي سازندهي شكلگيري حروف عمل ميكنند، تشخيص ميدهد. سيگنالهاي الكترواكولوگرام به تصاويري تبديل ميشوند كه ويژگيهاي توپولوژيكي داده را ثبت ميكنند و سپس با استفاده از شبكههاي عصبي كانولوشني براي دستهبندي دقيق حركات پايه، پردازش ميشوند. روش پيشنهادي، دقتهاي بالايي در دستهبندي كاراكترها نشان داده است: 81/97٪ براي حروف با چهار حركت پايه، 54/91٪ براي حروف با سه حركت پايه، 52/84٪ براي حروف با دو حركت پايه و 44/85 % براي حروف با يك حركت پايه. با بهينهسازي تشخيص سيگنالهاي حركات چشم و اصلاح فرآيند ارتباطي، اين پژوهش يك چارچوب اميدواركننده را براي توسعهي فناوريهاي ارتباطي كمكي در حوزه رابطهاي مغز-رايانه به ويژه براي افراد مبتلا به اسكلروز جانبي آميوتروفيك فراهم ميكند.
چكيده انگليسي :
This research presents an innovative approach utilizing Electrooculography (EOG) signals—bioelectric signals generated by eye movements—to enhance communication efficiency. Using deep neural networks (DNNs), the method detects fundamental eye strokes, which serve as the building blocks for character formation. EOG signals are transformed into images capturing topological data features and subsequently processed using convolutional neural networks (CNNs) for precise stroke classification.
The integrated system, combining neural network architectures with n-gram sequence, achieves high classification accuracies of 97.81%, 91.54%, 84.52%, and 85.44% for characters formed by four, three, two, and one strokes, respectively. By optimizing eye movement signal recognition and refining the communication process, this study provides a promising framework for advancing assistive communication technologies for individuals with amyotrophic lateral sclerosis (ALS).
