سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 15 - تعداد صفحات فایل doc فارسی: 29

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.