مروری بر جمع آوری اطلاعات ذاتی برای بهبود عملکرد رابط مغز و رایانه ازطریق یادگیری فدره

چکیده مقاله

در پژوهش پیش رو، مروری بر چالش ناکافی بودن داده ها برای ساخت مدل های یادگیری عمیق رابط بین مغز و رایانه BCI وراهکارهای حل این چالش انجام شده است این چالش به دلیل تنوع دستگاه ها و به اشتراک گذاری داده های EEG همچنان یک مشکل عمدهاست یکی از روش های حل این مشکل چارچوب نوآورانه ای با نام Federated Learning EEG decoding FLEEG است که به داده های بافرمتهای مختلف اجازه می دهد تا در فرآیند آموزش مدل با هم همکاری کنند در این روش به هر مشتری به یک مجموعه داده خاص اختصاصداده می شود و توسط یک مدل شخصی سلسله مراتبی برای مدیریت فرمت های متنوع تبادل اطلاعات را آموزش می بیند در عین حال، سرورفرآیند آموزش را هماهنگ می کند تا از دانش به دست آمده از تمام مجموعه های داده بهره برداری کند و عملکرد کلی را ارتقا دهد این چارچوبدر طبقه بندی تخیل حرکت MI با ۹ مجموعه داده EEG که توسط دستگا ه های مختلف جمع آوری شده اند، مورد ارزیابی قرار می گیرند نتایجنشان داده است که این چارچوب پیشنهادی می تواند عملکرد طبقه بندی را تا ۸ ۴ ٪ با به اشتراک گذاری دانش بین چندین مجموعه داده، به ویژهبرای مجموعه های کوچک تر، افزایش دهد نتایج تصویری همچنین نشان می دهد که این چارچوب پیشنهادی می تواند مدل های محلی را قادر بهتمرکز پایدار در مناطق مرتبط با وظیفه کند و عملکرد بهتری داشته باشد

کلیدواژه‌ها

نویسندگان

نسیم خوارزمی نژاد

دانشجوی دکترای تخصصی دانشگاه ازاد اسلامی، واحد تهران جنوب

ریحانه دولتی خواه

دانشجوی کارشناسی دانشگاه آزاد اسلامی، واحد اردبیل

�وارزمی نژاد، نسیم و دولتی خواه، ریحانه،1403،مروری بر جمع آوری اطلاعات ذاتی برای بهبود عملکرد رابط مغز و رایانه ازطریق یادگیری فدره،هجدهمین کنفرانس بین المللی نوآوری و تحقیق در علوم مهندس�

ارائه‌شده در

مجموعه مقالات هجدهمین کنفرانس بین المللی نوآوری و تحقیق در علوم مهندسی19 مرداد 1403