«طبقه بندی سیگنال های EEG در حالت های طبیعی، خستگی ذهنی، و پس از استفاده از روش فوتوبایوماجولیشن تراجمجمه ای در افراد سالم با استفاده از یادگیری عمیق»

Abstract

خستگی ذهنی به عنوان یک احساس توصیف می‌شود که در بعضی افراد پس از فعالیت‌های شناختی طولانی مدت یا در طول آن تجربه می‌شود. این احساس در زندگی روزمره‌ی مدرن بسیار رایج است و به طور کلی شامل خستگی، کاهش انگیزه و علاقه به فعالیت فعلی و کاهش تعهد نسبت به وظایف می‌شود. در این مطالعه ، 50 شرکت کننده (25شرکت کننده زن و 25شرکت کننده مرد) در بازه سنی 18 تا 30 سال (میانگین سنی 24 سال) شرکت کرده اند. پس از اخذ فرم رضایتمندی آگاهانه، تمامی مشارکت کنندگان از نظر ویژگی های الکتروانسفالوگرافی کمی مورد ارزیابی قرار گرفتند. برای ایجاد خستگی از شرکت کننده ها خواسته شد تا مدت 90 دقیقه تکلیف AX-CPT را تکمیل نمایند. سپس نیمی از شرکت کنندگان تحت تابش توسط نور درمانی تراجمجمه ای با طول موج 850 نانومتر، توان mW/〖cm〗^2 60 و دانسیته انرژی J/cm 4 قرار گرفتند. پس از تابش نور افراد مجددا از نظر ویژگی های الکتروانسفالوگرافی کمی مورد مطالعه قرار گرفتند تا اثرات تابش نور تراجمجمه ای بر نوار مغزی پس از القاء خستگی ذهنی مورد بررسی قرار بگیرد. پیش پردازش داده ها با هدف بهبود سیگنال ها و بالا بردن دقت و صحت مدل طبقه بندی کننده انجام شده است. داده‌ها در طول روند آموزش به صورت تصادفی و در تعدادی نامشخص افزایش داده شدند تا شبکه یادگیری را بر روی تعداد بیشتری داده انجام دهد و با دقت بالاتری موارد جدید را طبقه بندی کند. در این مطالعه سه شبکه عصبی از پیش آموزش دیده LSTM، GCN، ResGCN برای طبقه بندی سیگنال ها مورد استفاده قرار گرفت که در نهایت شبکه ResGCN توانست با کمترین نرخ اتلاف در یادگیری(0.0753)، بیشترین صحت در دوره آخر یادگیری(95.38%) و بیشترین دقت در طبقه بندی داده های آزمون(91.67%) عملکرد بهتری از خود نشان دهد و به عنوان شبکه بهینه انتخاب شد. کلمات کلیدی خستگی ذهنی، نور درمانی تراجمجه ای ، شبکه‌های عصبی، یادگیری ماشین، یادگیری عمیق