تأثير تغيير معاملات المصنف CNN في نسبة التعرف على إشارات EEG

يُعدّ موضوع واجهة الدماغ والحاسوب BCI (Brain Computer Interface) وخاصةً أنظمة التعرف على الإشارات الدماغية باستخدام التعلم العميق بعد توصيف هذه الإشارات عن طريق مخطط كهربائية الدماغ EEG (Electroencephalography) من المواضيع البحثية الهامة التي تثير اهتمام الكثير من الباحثين في الوقت الراهن, وتعد الشبكات العصبونية الالتفافية CNN (Convolutional Neural Nets) من أهم مصنفات التعلم العميق المستخدمة في عملية التعرف هذه، إلا أنه لم يتم بعد تحديد بارامترات هذا المصنف بشكل دقيق بحيث يعطي أعلى نسبة تعرف ممكنة وبأقل زمن تدريب وزمن تعرف ممكن. يقترح هذا البحث نظام تعرف على إشارات EEG باستخدام شبكة CNN مع دراسة تأثير تغيير بارامترات هذه الشبكة على نسبة التعرف وزمني التدريب والتعرف على الإشارات الدماغية, وبالنتيجة تم الحصول بواسطة نظام التعرف المقترح على نسبة تعرف 76.38 %, وانقاص زمن تدريب المصنف (3 seconds) باستخدام النمط المكاني المشترك CSP (Common Spatial Pattern) في عملية المعالجة المسبقة لقاعدة البيانات IV2b, كما تم الوصول لنسبة تعرف 76.533 % من خلال إضافة طبقة للمصنف المقترح.

Brain Computer Interface (BCI), especially systems for recognizing brain signals using deep learning after characterizing these signals as EEG (Electroencephalography), is one of the important research topics that arouse the interest of many researchers currently. Convolutional Neural Nets (CNN) is one of the most important deep learning classifiers used in this recognition process, but the parameters of this classifier have not yet been precisely defined so that it gives the highest recognition rate and the lowest possible training and recognition time. This research proposes a system for recognizing EEG signals using the CNN network, while studying the effect of changing the parameters of this network on the recognition rate, training time, and recognition time of brain signals, as a result the proposed recognition system was achieved 76.38 % recognition rate, And the reduction of classifier training time (3 seconds) by using Common Spatial Pattern (CSP) in the preprocessing of IV2b dataset, and a recognition rate of 76.533% was reached by adding a layer to the proposed classifier.