حمید ابراهیمی - گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
احمد شالباف - گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
نادر جعفرنیا دابانلو - گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

مقدمه: در این مقاله یک واسط مغز و رایانه برای طبقه­‌بندی تصور حرکت دست راست و چپ با استفاده از روش یادگیری عمیق از روی سیگنال­‌های مغزی ارائه شده است. واسط مغز و رایانه به منظور دستیابی به یک راه ارتباطی بین مغز و یک دستگاه خارجی برای بیمارانی مانند اسکلروز جانبی آمیوتروفیک طراحی می­‌شود به گونه­‌ای که کاربر بدون هیچ­گونه استفاده از اندام­‌های بدن و با استفاده از مغز خود دستگاه بیرونی از جمله یک ویلچر را کنترل کند. روش کار: سیگنال الکتروانسفالوگرافی و طیف‌­سنجی نور مادون قرمز از 29 فرد سالم ثبت شد و پیش پردازش سیگنال­‌ها به منظور حذف نویز انجام گرفت. سپس سیگنال­‌ها به صورت جداگانه و به صورت ترکیبی به تصاویر دو بعدی زمان فرکانس اسکیلوگرام با استفاده از تبدیل موجک پیوسته تبدیل شدند و تصاویر هر ناحیه از مغز به صورت جداگانه و ترکیبی به شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet 18 برای استخراج ویژگی و طبقه­‌بندی وارد شدند. یافته‌­ها: نتایج به دست آمده از شبکه عصبی کانولوشنی از پیش آموزش دیده ResNet18 برای تصاویر اسکیلوگرام در نواحی Frontal-Central, Central-Parietal مغز برای سیگنال الکتروانسفالوگرافی 88 درصد، برای تصاویر اسکیلوگرام سیگنال طیف­‌سنجی نور مادون قرمز 85 درصد و برای مجموع تصاویر اسکیلوگرام، دقت 90 درصد به دست آمد. نتیجه­‌گیری: ترکیب تصاویر اسکیلوگرام سیگنال­‌های مغزی و روش یادگیری عمیق استفاده شده منجر به بهبود دقت طبقه­‌بندی تصور حرکت دست راست و چپ نسبت به مطالعات گذشته شد.

Brain-Computer Interface, Electroencephalography, Near Infrared Light Spectroscopy, Convolutional Neural Network, رابط مغز و رایانه, الکتروانسفالوگرافی, طیف­‌نگاری نور نزدیک مادون قرمز, شبکه عصبی کانولوشنی