امیرحسین تاجیک

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 (ms400) یا بلند (ms600) را با مدت ارائه محرک های استاندارد (ms500) پیش از آن مقایسه کنند. همزمان با ارائه تکلیف، الکتروآنسفالوگرافی افراد ثبت می شد. سپس نمونه های هدف (پتانسیل های مغزی برانگیخته شده توسط محرک ادبال ms400 یا ms600) 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 25/94 درصد از میان طبقه بندهای درخت تصمیم گیری و شبکه عصبی پرسپترون چند لایه (MLP)، نمونه های مورد آزمایش هدف (بازه ms400) را از نمونه های غیر هدف (بازه های ms500 و ms600) تشخیص دهد. همچنین، این الگوریتم با صحت 98/93 درصد نمونه های هدف ms600 را از نمونه های غیر هدف (بازه های ms500 و ms400) تشخیص داد و در نهایت با صحت 95/87 درصد توانست نمونه های مربوط به بازه های ms400 را از ms600 و ms500 تشخیص دهد. نتیجه گیری: یافته های این مطالعه نشان می دهد که یادگیری ماشین می تواند الگوهای مربوط به ادراک بازه کوتاه و بلند را بر اساس سیگنال الکتروانسفالوگرافی افراد، با دقت بالایی تشخیص دهد. واژه های کلیدی: