، جلد ۲۲، شماره ۱، صفحات ۸۱-۹۲
عنوان فارسی طراحی یک ماشین هوشمند مبتنی بر مدل‌سازی شناختی با استفاده از تکلیف شبکۀ توجه
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله تکلیف شبکۀ توجه، سیستم واسط کاربری مغز، یادگیری ماشین، سیگنال مغزی
عنوان انگلیسی Design an intelligent system based on a computational cognitive model using attention network task
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله Attention network task, Brain-computer interface (BCI), Machine learning, Brain signals​​​​​​​
نویسندگان مقاله آزاده هراتیان نژادی | Azadeh Haratiannezhadi
PhD Student of Cognitive Modeling, Institute for Cognitive Science Studies, Tehran, Iran
دانشجوی دکتری مدل‌سازی شناختی، موسسه آموزش عالی علوم شناختی، تهران، ایران

سعید ستایشی | Saeed Setayeshi
Associate Professor of Physics, Amirkabir University of Technology, Tehran, Iran
دانشیار فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران

جواد حاتمی | Javad Hatami
Associate Professor Psychology, Institute for Cognitive Science Studies, Tehran, Iran
دانشیار روان‌شناسی، موسسه آموزش عالی علوم شناختی، تهران، ایران

نشانی اینترنتی http://icssjournal.ir/browse.php?a_code=A-10-281-3&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
نوع مقاله منتشر شده پژوهشی اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات