دوره 22، شماره 2 - ( 6-1404 )
جلد 22 شماره 2 صفحات 108-97 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Goshvarpour A. Classifying Various Stages of Typing Learning through EEG Rhodonea Curve Asymmetry Indices: A Focus on the Optimal Number of Petals and Brain Channels. JSDP 2025; 22 (2) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1376-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1376-fa.html
جلالی فاطمه، گشوارپور عاتکه. طبقه‌بندی مراحل مختلف یادگیری تایپ با استفاده از شاخص‌های نبود تقارن منحنی رودونی EEG: تأکید بر تعداد بهینه گلبرگ‌ها و کانال‌های مغزی. پردازش علائم و داده‌ها. 1404; 22 (2) :97-108
استادیار گروه مهندسی پزشکی، دانشگاه بین‌المللی امام رضا (ع)، مشهد، ایران
چکیده: (224 مشاهده)
تحلیل داده‌های الکتروانسفالوگرافی (EEG) به‌عنوان ابزاری کلیدی در درک ساختار‌های عصبی مرتبط با یادگیری مهارت‌های جدید از اهمیت بالایی در علوم اعصاب شناختی برخوردار است. با وجود پیشرفت‌های اخیر در روش‌های پردازش سیگنال، توسعه الگوریتم‌های نوین برای استخراج الگوهای معنادار از داده‌های EEG، به‌ویژه در بافتار پویایی مغزی حین یادگیری، همچنان به‌عنوان یک چالش پژوهشی مطرح است. هدف از انجام پژوهش حاضر، ارائه یک الگوریتم جدید جهت تحلیل داده‌های بیولوژیکی است. به‌طور خاص، روش پیشنهادی در توصیف داده‌های EEG در یادگیری یک مهارت جدید مورد بررسی قرار گرفته است. از داده‌های EEG دَه شرکت‌کننده (شش زن و چهار مرد) در نُه کانال مغزی (F3،Fz ،F4 ،C3 ،Cz ،C4 ،P3 ، POz و P4) موجود در IEEEDataPort استفاده شد که در حال یادگیری تایپ در رایانه در دوازده جلسه درسی، با استفاده از طرح صفحه کلید کولماک بودند. هر یک از درس‌ها پنج بار تکرار شد. ثبت‌های EEG در طی تکرارهای دروس چهارم، هشتم و یازدهم بررسی شد. برای نخستین‌بار روشی مبتنی بر منحنی رودونی برای تحلیل سیگنال معرفی شد که ساختاری شبیه گل با تعداد گلبرگ‌های قابل تنظیم دارد. در مطالعه حاضر، مدل با تعداد یک تا ده گلبرگ ارزیابی شد. سه شاخص جدید مبتنی بر نبود تقارن در منحنی رودونی برای جداسازی مراحل مختلف یادگیری به ماشین بردار پشتیبان (SVM) داده شد. نقش کانال‌های مغزی و تعداد گلبرگ‌های بهینه در مدل با ارزیابی نتایج طبقه‌بندی برای هر کانال و تعداد گلبرگ جداگانه بررسی شد. نتایج طبقه‌بندی دو کلاسی با رویکرد یک در مقابل همه، برای تفکیک پانزده جلسه (پنج تکرار × سه درس) بین 3/79 تا 3/93 به‌دست آمد. برای کانال‌های F3، Fz،C3،C4، POz و تعداد گلبرگ چهار بهترین نتایج حاصل شد. در طبقه‌بندی سه جلسه درسی، بالاترین صحت به‌ترتیب مربوط به جلسه یازدهم (%92)، چهارم (%90) و هشتم (% 6/72) بود. نتایج نشان می‌دهد در هنگام یادگیری تایپ‌کردن، مناطق خاصی از پیشانی، آهیانه و پس‌سری فعال می‌شود؛ علاوه‌براین، دینامیک‌های مغزی در هنگام تکمیل فرایند یادگیری (جلسه یازدهم) و در مراحل اولیه یادگیری (جلسه چهارم) قابلیت تفکیک بالاتری دارند. عملکرد بالای شاخص‌های منحنی رودونی بیان‌کننده پتانسیل آن در تحلیل سیگنال EEG است.
شماره‌ی مقاله: 6
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1402/2/4 | پذیرش: 1403/12/18 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
دریافت: 1402/2/4 | پذیرش: 1403/12/18 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
فهرست منابع
1. G. Lakoff, M. Johnson, and J.F. Sowa. "Review of Philosophy in the Flesh: The embodied mind and its challenge to Western thought," Computational Linguistics, Vol. 25, No. 4, pp. 631-634, 1999.
2. C. Yen, C. L. Lin, and M. C. Chiang, "Exploring the Frontiers of Neuroimaging: A Review of Recent Advances in Understanding Brain Functioning and Disorders," Life (Basel), Vol. 13, No. 1472, 2023. [DOI:10.3390/life13071472] [PMID] []
3. P. Marzola, T. Melzer, E. Pavesi, J. Gil-Mohapel, and P. S. Brocardo, "Exploring the Role of Neuroplasticity in Development, Aging, and Neurodegeneration," Brain Sciences, Vol. 13, No. 1610. 2023. [DOI:10.3390/brainsci13121610] [PMID] []
4. A. Nouri and M. Mehrmohammadi. "Defining the Boundaries for Neuroeducation as a Field of Study," Educational Research Journal, Vol. 27, No. 1 & 2, pp. 1-25, 2012.
5. H. U. Amin, and Malik A. S. "Learning and Memory Improvement: Evidence from Current Research and Neurofeedback Applications," Asia Pacific Journal of Neurotherapy, Vol. 1, No. 2, pp. 001-009, 2019.
6. S. Varma, B. D. McCandliss, and D.L. Schwartz. "Scientific and pragmatic challenges for bridging education and neuroscience," Educational researcher, Vol. 37, No. 3, pp. 140-152, 2008. [DOI:10.3102/0013189X08317687]
7. P. Wolfe. Brain matters: Translating research into classroom practice, Alexandria, Virg: Association for Supervision and Curriculum Development, 2001.
8. J. M. Dubinsky, and A. A. Hamid, "The neuroscience of active learning and direct instruction," Neuroscience and biobehavioral reviews, Vol. 163, No. 105737, 2024. [DOI:10.1016/j.neubiorev.2024.105737] [PMID]
9. J. T. Bruer, "Education and the brain: A bridge too far," Educational researcher, Vol. 26, No. 8, pp. 4-16, 1997. [DOI:10.3102/0013189X026008004]
10. D. Gutiérrez and M. A. Ramírez-Moreno, "Assessing a learning process with functional ANOVA estimators of EEG power spectral densities. Cognitive Neurodynamics, Vol. 10, No. 2, pp. 175-183, 2016. [DOI:10.1007/s11571-015-9368-7] [PMID] []
11. H. U. Amin, A. S. Malik, N. Badruddin, and W. T. Chooi, "Brain behavior in learning and memory recall process: A high-resolution EEG analysis," 2014 15th International Conference on Biomedical Engineering, IFMBE Proceedings, vol 43, 2014, Springer, Cham. [DOI:10.1007/978-3-319-02913-9_174]
12. D. Gutiérrez, M. A. Ramírez-Moreno, and A. G. Lazcano-Herrera, "Assessing the acquisition of a new skill with electroencephalography," 2015 7th International IEEE/EMBS Conference on Neural Engineering (NER), Montpellier, France, 2015, pp. 727-730, doi: 10.1109/NER.2015.7146726. [DOI:10.1109/NER.2015.7146726]
13. J. Kaiser, R. Belenya, W. Y. Chung, A. Gentsch, and S. Schütz-Bosbach, "Learning something new versus changing your ways: distinct effects on midfrontal oscillations and cardiac activity for learning and flexible adjustments," Neuroimage, Vol. 226, No. 117550, 2021. [DOI:10.1016/j.neuroimage.2020.117550] [PMID]
14. J. A. G. Lum, L. K. Byrne, P. Barhoun, C. Hyde, A. T. Hill, P. G. Enticott, and G. M. Clark, "Resting state electroencephalography power correlates with individual differences in implicit sequence learning," The European journal of neuroscience, Vol. 58, No. 3, pp. 2838-2852, 2023. [DOI:10.1111/ejn.16059] [PMID]
15. S. Jawed, H. U. Amin, A. S. Malik, A. S., and I. Faye, "Classification of visual and non-visual learners using electroencephalographic alpha and gamma activities," Frontiers in behavioral neuroscience, Vol. 13, No. 86, 2019. [DOI:10.3389/fnbeh.2019.00086] [PMID] []
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
