خلاصة:
مقدمه: توجه دروازۀ یادگیری و یکی از منابع قابلِپردازش است که مدلسازیِ شناختی آن به درک و استفادۀ بهتر از آن کمک میکند. هدف از این پژوهش ایجاد مدلی هوشمند با کارایی بسیار برای دستهبندی سطوح مختلف توجه بود.
روش کار: ایجاد مدل شناختیِ توجه با استفاده از نتایج تکلیف شبکۀ توجه و امواج مغزی انجام گرفت. به این منظور، با استفاده از روشهای مختلفِ یادگیریِ ماشین، به ایجاد مدلی از توجه پرداخته شد. در این پژوهش، جامعۀ 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 مرحلۀ نهایی دعوت به عمل آمد. در حین تکلیفِ شبکۀ توجه، با استفاده از سیستم واسط کاربری مغز، از شرکتکنندگان سیگنال مغزی گرفته شد و مدلی از سطوح مختلف با استفاده از سیگنالهای مختلف، زمان واکنش و درستی جواب شرکتکننده ایجاد گردید.
یافتهها: دادهها با روشهای دستهبندیِ یادگیریِ ماشینهای مختلفی مانندِ ماشین بُردارهای پشتیبان (SVM) و K نزدیکترین همسایگی (KNN) و آدابوست (Adaboost) بررسی شد و مدلی که کمترین خطای دستهبندی را داشت برگزیده شد. این دستهبندیها، به ترتیب با نرخ دستهبندیِ 60 و100 و 94 درصد، در مورد دستهبندیِ الگوهای شناختیِ «توجه»، تواناییهای مختلفی را برای این مجموعه از دادهها نشان داد.
نتیجهگیری: بر اساس نتایج دقت دستهبندیها، مدل مناسب انتخاب شد و دستهبندی KNN از نظر تعمیمپذیری و تخمین دادههای آزمون دقت بهتری از بقیه مدلهای انتخاب شده در این پژوهش را نشان داده است. برای این نوع از مدلهای شناختی که در آن امکان جمعآوریِ حجم کمتری داده وجود دارد نیز مدل مناسب تلقی میشود.
Introduction: The attention is a gateway for learning and a limited resource. Attention cognitive model helps to perceive and use it efficiently. This research aimed to find an intelligent model for a different level of attention.
Methods: Developing a cognitive model based on the attention network task and brain signals. The model builds on machine learning techniques. The initial research population consists of 92 adult volunteers who completed the Depression Anxiety Stress Scales test (DASS-21). Based on the test results, 31 subjects selected and invited to take Attention Network test and during the test, brain signals were captured for this purpose, Brain-computer Interface (BCI) was used and a model constructed based on different levels which used subject’s brain signal, reaction time and test result.
Results: Data were classified based on different machine learning methods such as Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and Adaboost. The correct classification rate for these classifiers is 68, 90, and 87 percent.
Conclusion: The final model is selected based on the accuracy. So the KNN classifier has better generalization and it estimates test data better than other classifers. The desired Nero-cognitive model is based on the results and KNN classifiers are the best option for these types of cognitive models which is difficult to gather data and the dataset’s size are small.