دسته بندی:

یادگیری عمیق - deep learning

---

سال انتشار:

2019

---

ترجمه فارسی عنوان مقاله:

سریع‌ترین واسط مغز و کامپیوتر جهان: ترکیب کد EEG2 با یادگیری عمیق

---

عنوان انگلیسی مقاله:

World’s fastest brain-computer interface: Combining EEG2Code with deep learning

---

منبع:

PLoS ONE 14(9): e0221909: https://doi:org/10:1371/journal:pone:0221909

---

نویسنده:

Sebastian NagelID, Martin Spu¨ler

---

چکیده انگلیسی:

We present a novel approach based on deep learning for decoding sensory information from non-invasively recorded Electroencephalograms (EEG). It can either be used in a passive Brain-Computer Interface (BCI) to predict properties of a visual stimulus the person is viewing, or it can be used to actively control a BCI application. Both scenarios were tested, whereby an average information transfer rate (ITR) of 701 bit/min was achieved for the passive BCI approach with the best subject achieving an online ITR of 1237 bit/min. Further, it allowed the discrimination of 500,000 different visual stimuli based on only 2 seconds of EEG data with an accuracy of up to 100%. When using the method for an asynchronous self-paced BCI for spelling, an average utility rate of 175 bit/min was achieved, which corresponds to an average of 35 error-free letters per minute. As the presented method extracts more than three times more information than the previously fastest approach, we suggest that EEG signals carry more information than generally assumed. Finally, we observed a ceiling effect such that information content in the EEG exceeds that required for BCI control, and therefore we discuss if BCI research has reached a point where the performance of non-invasive visual BCI control cannot be substantially improved anymore.

---

چکیده فارسی:

در این مقاله روش جدیدی بر اساس یادگیری عمیق برای کدگشایی اطلاعات حسیِ حاصل از الکتروانسفالوگرام‌هایی (EEG) که به صورت غیرتهاجمی ثبت شده‌اند، ارائه می‌دهیم. این روش را می‌توان در رابط‌های مغز و کامپیوتر (BCI) غیرفعال برای پیش‌بینی ویژگی‌های یک محرک بصری که فرد مشاهده می‌کند، به کار برد و یا می‌توان برای کنترل فعالانه‌ی کاربردهای BCI از آن استفاده کرد. هر دو سناریو مورد آزمایش قرار گرفتند، بدین ترتیب که متوسط نرخ انتقال اطلاعات (ITR) برابر با 701 بیت بر دقیقه برای روش BCI غیرفعال به دست آمد و بهترین سوژه به ITR آنلاین برابر با 1237 بیت بر دقیقه دست یافت. علاوه بر این، امکان تشخیص 500000 محرک بصری مختلف بر اساس تنها 2 ثانیه از اطلاعات EEG با دقت تا 100% را میسر ساخت. هنگامی که این روش در یک BCI خودگام آسنکرون برای هجی کردن به کار برده شد، متوسط نرخ سودمندی برابر با 175 بیت بر دقیقه به دست آمد که متناظر با به طور متوسط 35 حرف بدون خطا در هر دقیقه است. از آن‌جایی که اطلاعاتی که این روش استخراج می‌کند، بیش از سه برابرِ سریع‌ترین روش قبلی است، نشان می‌دهیم که سیگنال‌های EEG اطلاعات بیش‌تری نسبت به مقداری که معمولا فرض می‌شود، انتقال می‌دهند. در نهایت یک اثر حداکثر مشاهده کردیم به طوری که محتوای اطلاعات در EEG از آن چیزی که برای کنترل BCI لازم است، فراتر می‌رود و بنابراین در این مورد بحث می‌کنیم که آیا تحقیقات BCI به نقطه‌ای رسیده‌اند که دیگر نمی‌توان عملکرد کنترل BCI بصری غیرتهاجمی را به طور قابل توجهی بهبود بخشید یا خیر.

---

---

---

---

حجم فایل: 1767 کیلوبایت

---

قیمت: 48750 تومان   

---

توضیحات اضافی:

---

---

---