هدی جلال کمالی - Assistant Professor in Cognitive Neuroscience, Computer Engineering Group, Higher Educational Complex of Zarand, Zarand, Iran
امیرحسین تاجیک - Graduate Student, Electronic Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
حسین نظام آبادی پور - Professor in Electrical Engineering, Electrical Engineering Department, Shahid Bahonar University of Kerman, Kerman, Iran

مقدمه: با وجود بیش از یک سده مطالعات در زمینه چگونگی ادراک زمان توسط مغز انسان، پژوهش در مورد تشخیص الگوهای مربوط به ادراک زمان در سیگنال الکتروآنسفالوگرافی افراد نادر بوده است. هدف از این مطالعه تشخیص کوتاه یا بلند بودن بازه مورد قضاوت توسط یک فرد، بر اساس سیگنال الکتروآنسفالوگرافی وی بود. روش کار: در یک تکلیف ادبال شنیداری، از آزمودنی ­ها خواسته شد که مدت زمانی محرک ادبال کوتاه (ms۴۰۰) یا بلند (ms۶۰۰) را با مدت ارائه محرک­ های استاندارد (ms۵۰۰) پیش از آن مقایسه کنند. همزمان با ارائه تکلیف، الکتروآنسفالوگرافی افراد ثبت می­شد. سپس نمونه ­های هدف (پتانسیل ­های مغزی برانگیخته شده توسط محرک ادبال ms۴۰۰ یا ms۶۰۰) و نمونه­ های غیر هدف (پتانسیل­ های مغزی برانگیخته شده توسط محرک استاندارد) به الگوریتم­ های طبقه­ بندی داده شد. یافته ­ها: طبقه ­بند SVM با کرنل RBF توانست با بالاترین صحت طبقه بندی ۲۵/۹۴ درصد از میان طبقه ­بندهای درخت تصمیم­ گیری و شبکه عصبی پرسپترون چند لایه (MLP)، نمونه­ های مورد آزمایش هدف (بازه ms۴۰۰) را از نمونه ­های غیر هدف (بازه­های ms۵۰۰ و ms۶۰۰) تشخیص دهد. همچنین، این الگوریتم با صحت ۹۸/۹۳ درصد نمونه­ های هدف ms۶۰۰ را از نمونه ­های غیر هدف (بازه­های ms۵۰۰ و ms۴۰۰) تشخیص داد و در نهایت با صحت ۹۵/۸۷ درصد  توانست نمونه ­های مربوط به بازه ­های ms۴۰۰ را از ms۶۰۰ و ms۵۰۰ تشخیص دهد. نتیجه­ گیری: یافته ­های این مطالعه نشان می­ دهد که یادگیری ماشین می­تواند الگوهای مربوط به ادراک بازه کوتاه و بلند را بر اساس سیگنال الکتروانسفالوگرافی افراد، با دقت بالایی تشخیص دهد. واژه­های کلیدی:

Time perception, Classification, Event-related potential (ERP), Auditory oddball task, ادراک زمان, طبقه­ بندی, پتانسیل وابسته به رویداد, تکلیف ادبال شنیداری