توصيفگر ها :
رابط مغز-كامپيوتر , طبقه بندي , تصور حركتي , الكتروانسفالوگرافي , شبكه عصبي پيچشي , تبديل موجك گسسته
چكيده فارسي :
در سال‌هاي اخير، توسعه سيستمهاي رابط مغز-كامپيوتر (BCI) به منظور پل ارتباطي بين مغز و جهان خارج و به خصوص براي تسهيل زندگي افرادي كه دچار معلوليت و ناتواني حركتي هستند، گسترش يافته است. يكي از رايج‌ترين الگوواره‌هايي كه در چارچوب يك سيستم رابط مغز-كامپيوتر تعريف ميشود، طبقه‌بندي تصور حركتي است كه در آن فرد انجام حركتي را تصور نموده و با استفاده از سيگنال مغزي ثبت شده از آن فرد، سيستم نوع حركت را تشخيص مي‌دهد. يكي از متداولترين روشهاي ثبت سيگنال مغزي الكتروانسفالوگرافي (EEG) است كه فعاليت الكتريكي مغز را با استفاده از الكترودهايي كه به پوست سر متصل ميشود اندازه‌گيري مي‌كند. همچنين در سيستمهاي BCI، به دليل تفكيك پذيري زماني بالاي سيگنال ثبت شده، ارزان قيمت بودن، سبك وزن و قابل حمل بودن تجهيزات ثبت سيگنال، EEG بسيار محبوب است. از طرفي، با گسترش استفاده از روشهاي يادگيري عميق در زمينه‌هاي مختلف و توانايي بالاي اين شبكه‌ها در شناسايي الگو و طبقه‌بندي انواع مختلف داده، استفاده از اين شبكه‌ها در حوزه طبقه‌بندي سيگنال‌هاي EEG نيز، بسيار محبوب شده و معماري‌هاي مختلفي در اين حوزه طراحي شده است. با اين حال، با وجود بهبود روشهاي مبتني بر يادگيري عميق در سيستمهاي رابط مغز-كامپيوتر، همچنان قابليت تعميم‌پذيري و دقت اين سيستم‌ها چالش برانگيز بوده و نياز به بهبود دارد؛ بنابراين، ساختن يك سيستم قابل اعتماد با دقت طبقه‌بندي بالا بسيار موضوع با اهميتي است. در اين پايان‌نامه، ضمن بررسي روشهاي ارائه شده در زمينه طبقه‌بندي تصور حركتي مبتني بر يادگيري عميق، يك ساختار جديد بر اساس شبكه عصبي پيچشي و تبديل موجك گسسته ارائه شده كه منجر به افزايش كلي در دقت طبقه‌بندي شده است. همچنين به دليل ساختار سيگنال‌هاي EEG، استفاده از شبكه عصبي پيچشي و ماهيت غير ايستاني آن، استفاده از تبديل موجك گسسته پيشنهاد شده است.
چكيده انگليسي :
In recent years, the development of Brain-Computer Interface (BCI) systems has expanded to serve as a bridge between the brain and the external world, particularly to facilitate the lives of individuals with disabilities and mobility impairments. One of the most common paradigms defined within the framework of a BCI system is motor imagery classification, where an individual imagines performing a movement, and the system detects the type of movement based on the recorded brain signals from that individual. One of the most common methods for recording brain signals is electroencephalography (EEG), which measures the electrical activities of the brain using electrodes attached to the scalp. Also, EEG is very popular in BCI systems duo to the high temporal resolution of the recorded signals, the affordability, lightweight, and portability of signal recording equipment. On the other hand, with the widespread use of deep learning methods in various fields and the high capability of these networks in pattern recognition and classification of various types of data, their use in the classification of EEG signals has also become very popular, and various architectures have been designed in this area. However, despite the improvement of deep learning-based methods in brain-computer interface systems, the generalizability and accuracy of these systems still pose challenges and require improvement. Therefore, building a reliable system with high classification accuracy is very important. In this dissertation, while examining the methods presented in the field of motor imagery classification based on deep learning, a new framework based on convolutional neural networks and discrete wavelet transform is proposed, leading to an overall increase in classification accuracy. Furthermore, due to the structure of EEG signals, the use of convolutional neural networks, and due to its non-stationary nature, the use of discrete wavelet transform is suggested.
