آزاده هراتیان نژادی

مقدمه: توجه دروازه یادگیری و یکی از منابع قابلِ پردازش است که مدل سازیِ شناختی آن به درک و استفاده بهتر از آن کمک می کند. هدف از این پژوهش ایجاد مدلی هوشمند با کارایی بسیار برای دسته بندی سطوح مختلف توجه بود. روش کار: ایجاد مدل شناختیِ توجه با استفاده از نتایج تکلیف شبکه توجه و امواج مغزی انجام گرفت. به این منظور، با استفاده از روش های مختلفِ یادگیریِ ماشین، به ایجاد مدلی از توجه پرداخته شد. در این پژوهش، جامعه آماری شامل 92 فرد بزرگسال داوطلب بود که به صورت تصادفی انتخاب شده و پرسشنامه DASS-21 را برای انتخاب اولیه انجام دادند. سپس بر اساس نتایج، از 31 نفر بیماری که افسردگی و اضطراب نداشتند و واجد شرایط بودند، برای مرحله نهایی دعوت به عمل آمد. در حین تکلیفِ شبکه توجه، با استفاده از سیستم واسط کاربری مغز ، از شرکت کنندگان سیگنال مغزی گرفته شد و مدلی از سطوح مختلف با استفاده از سیگنال های مختلف و زمان واکنش و درستی جواب شرکت کننده ایجاد گردید. یافته ها: داده ها با روش های دسته بندیِ یادگیریِ ماشین های مختلفی مانندِ ماشین بُردارهای پشتیبان ( SVM ) و K نزدیک ترین همسایگی ( KNN ) و آدابوست ( Adaboost ) بررسی شد و مدلی که کمترین خطای دسته بندی را داشت برگزیده شد. این دسته بندی ها، به ترتیب با نرخ دسته بندیِ 60 و100 و 94 درصد، در مورد دسته بندیِ الگوهای شناختیِ «توجه»، توانایی های مختلفی را برای این مجموعه از داده ها نشان داد. نتیجه گیری: بر اساس نتایج دقت دسته بندی ها، مدل مناسب انتخاب شد و دسته بندی KNN از نظر تعمیم پذیری و تخمین داده های آزمون دقت بهتری از بقیه مدل های انتخاب شده در این پژوهش را نشان داده است. برای این نوع از مدل های شناختی که در آن امکان جمع آوریِ حجم کمتری داده وجود دارد نیز مدل مناسب تلقی می شود.