🧠 آیا نمایش های تصویری-زمانی EEG و شبکه های عصبی عمیق می توانند جایگزین روش های سنتی تشخیص بار شناختی شوند؟

پویا باشیوان و همکاران، در مقاله‌ای با عنوان Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks به این پرسش پرداختند که آیا می توان به جای روش های سنتی طبقه بندی سیگنال EEG، از نمایش های تصویری-زمانی و شبکه های عصبی عمیق برای تشخیص بار شناختی (cognitive load) استفاده کرد یا نه.

برای ثبت فعالیت الکتریکی مغز از روش غیر تهاجمی الکتروانسفالوگرافی (EEG) استفاده می شود که سیگنال های زمانی نورونی را در باند های فرکانسی تتا، آلفا و بتا ثبت می کند. این داده ها به طور سنتی به صورت بردار های عددی تحلیل می شدند، رویکردی که اغلب با نویز بالا، تفاوت های بین فردی و حذف ساختار واقعی سیگنال همراه بود.

روش های کلاسیک معمولا بر استخراج دستی ویژگی ها و طبقه بندی با الگوریتم هایی مانند SVM یا Random Forest تکیه داشتند؛ در این فرایند، اطلاعات مکانی الکترود ها و دینامیک زمانی سیگنال تا حد زیادی از بین می رفت و خطای طبقه بندی بالا باقی می ماند.

در این مطالعه، محققان یک تکلیف ساده برای حافظه کاری طراحی کردند: 15 شرکت کننده در یک حالت باید دو حرف (بار شناختی پایین) و در حالت دیگر هشت حرف (بار شناختی بالا) را به خاطر می سپردند. سیگنال EEG در طول انجام تکلیف ثبت شد و به چهار سطح شناختی تقسیم گردید.

هر الکترود به عنوان یک نقطه مکانی در نظر گرفته شد و توان باند های تتا، آلف و بتا به صورت نقشه های توپوگرافیک دو بعدی نمایش داده شدند. با ثبت این نقشه ها در باز های زمانی متوالی، توالی هایی تصویری شکل گرفت که هم‌زمان اطلاعات فضا، زمان و فرکانس را حفظ می کردند.

این داده به یک شبکه عصبی ترکیبی داده شدند: بخش کانولوشنی، الگو های فضایی-فرکانسی هر فریم را استخراج می کرد و بخش LSTM، تغییرات زمانی آنها را در طول تکلیف یاد می گرفت. در نهایت، شبکه تصمیم می گرفت که الگوی مشاهده شده به بار شناختی بالا یا پایین تعلق دارد.

نتایج نشان داد این رویکرد نه تنها خطای طبقه بندی را از حدود 15 درصد به حدود 9 درصد کاهش می دهد، بلکه نسبت به نویز و تفاوت های بین فردی نیز مقاوم تر است. این یافته نشان می دهد که یادگیری عمیق می تواند بازنمایی های معنادارتری از سیگنال EEG بیاموزد و ساختار واقعی فعالیت مغز را بهتر از روش های کلاسیک حفظ کند.

✍️ هانیه رضایی
ویراستار: یسنا رستمی
📖منبع
🔗
#CNCHinsights
#EEG
#ComputationNeuroscience
@cnchchannel 🌱