روشی نوین برای دسته‌بندی داده‌های چندکاناله

تهران- ایرنا- طاهره بحرینی در طرح پسادکتری خود با عنوان «دسته‌بندی مبتنی بر شبکه وفقی توزیع‌شده و کاربرد آن در پردازش سیگنال‌های چندکاناله»، با راهنمایی محمدباقر شمس‌اللهی در دانشگاه صنعتی شریف، به توسعه روشی نوین برای دسته‌بندی داده‌های چندکاناله و بررسی قابلیت به‌کارگیری آن در پردازش سیگنال‌های مختلف پرداخت.

به گزارش روز سه‌شنبه گروه علمی ایرنا از بنیاد ملی علم ایران (INSF)، بحرینی با اشاره به اهمیت دسته‌بندی در حوزه یادگیری ماشین گفت: دسته‌بندی یکی از شاخه‌های مهم یادگیری ماشین و داده‌کاوی است که نقش مؤثری در پردازش و تحلیل داده‌ها دارد. الگوریتم‌های دسته‌بندی با تحلیل داده‌های موجود، الگوها و قوانین لازم برای گروه‌بندی داده‌ها را شناسایی می‌کنند و سپس از این قوانین برای تعیین دسته داده‌های جدید استفاده می‌شود.

وی افزود: با توسعه روش‌های یادگیری ماشین، کاربرد الگوریتم‌های دسته‌بندی نیز در حوزه‌های مختلف گسترش یافته است. تحلیل و دسته‌بندی داده‌های پزشکی، تصاویر، نمونه‌های زیستی و داده‌های حاصل از شبکه‌های اجتماعی از جمله کاربردهای این روش‌ها به شمار می‌روند. همچنین دسته‌بندی داده‌های چندکاناله، از جمله سیگنال‌های EEG مغزی، سیگنال‌های ECG قلبی و سیگنال‌های دریافت‌شده از سامانه‌های مخابراتی، از جمله کاربردهای مهم و رو به گسترش این حوزه است.

این پژوهشگر با تشریح هدف اصلی طرح اظهار کرد: هدف این پژوهش، توسعه یک چارچوب جدید برای دسته‌بندی داده‌های چندکاناله بر پایه شبکه‌های وفقی توزیع‌شده بود. در این رویکرد، مفهوم جدیدی با عنوان «ابرشبکه وفقی» معرفی و ویژگی‌های آن بررسی شد و شرایط لازم برای همگرایی روش پیشنهادی نیز مورد تحلیل و ارزیابی قرار گرفت.

بحرینی ادامه داد: پس از تدوین چارچوب نظری و بررسی ویژگی‌های ابرشبکه وفقی، کاربرد این چارچوب در دسته‌بندی سیگنال‌های چندکاناله مورد بررسی قرار گرفت. در مرحله نخست، تمرکز اصلی بر سیگنال‌های چندکاناله EEG بود و عملکرد روش پیشنهادی با استفاده از داده‌های مربوط به فعالیت الکتریکی مغز ارزیابی و تحلیل شد.

وی افزود: نتایج حاصل از بررسی سیگنال‌های EEG نشان داد که چارچوب پیشنهادی می‌تواند برای دسته‌بندی داده‌های چندکاناله مورد استفاده قرار گیرد. این موضوع از آن جهت اهمیت دارد که سیگنال‌های زیستی مانند EEG معمولاً از چندین کانال ثبت می‌شوند و تحلیل هم‌زمان اطلاعات این کانال‌ها می‌تواند به شناسایی دقیق‌تر الگوهای موجود در داده‌ها کمک کند.

این پژوهشگر با اشاره به توسعه دامنه کاربردهای روش پیشنهادی گفت: در ادامه پژوهش، علاوه بر داده‌های معمول EEG، سایر داده‌های چندکاناله مغزی نیز بررسی شدند؛ از جمله داده‌های EEG مربوط به آزمون تحریک الکل. همچنین عملکرد چارچوب پیشنهادی در داده‌های چندکاناله غیرمغزی، شامل داده‌های مصنوعی و داده‌های صوتی، مورد ارزیابی قرار گرفت.

بحرینی ادامه داد: بررسی داده‌های متنوع نشان داد که چارچوب پیشنهادی محدود به یک نوع خاص از سیگنال‌های چندکاناله نیست و می‌توان از آن در تحلیل و دسته‌بندی انواع مختلف داده‌هایی که به‌صورت چندکاناله تولید یا ثبت می‌شوند، استفاده کرد. این قابلیت می‌تواند زمینه را برای توسعه کاربردهای این روش در حوزه‌های مختلف پردازش سیگنال فراهم کند.

وی با اشاره به بخش دیگری از پژوهش اظهار کرد: در مراحل بعدی، چارچوب پیشنهادی توسعه داده شد و رفتار آن در قالب راهبردهای مختلف همکاری میان شبکه‌ها مورد بررسی قرار گرفت. از جمله این راهبردها می‌توان به روش RLS اشاره کرد که با هدف ارزیابی عملکرد چارچوب پیشنهادی و بررسی قابلیت‌های آن در شرایط مختلف مورد استفاده قرار گرفت.

این پژوهشگر در پایان خاطرنشان کرد: نتایج این پژوهش نشان می‌دهد که چارچوب مبتنی بر ابرشبکه وفقی می‌تواند به‌عنوان روشی جدید برای دسته‌بندی داده‌های چندکاناله مورد استفاده قرار گیرد. قابلیت به‌کارگیری این روش در داده‌های مغزی و غیرمغزی، از جمله سیگنال‌های EEG، داده‌های صوتی و داده‌های مصنوعی، ظرفیت قابل‌توجهی برای توسعه کاربردهای آن در حوزه پردازش سیگنال، تحلیل داده‌های زیستی و سایر سامانه‌های چندکاناله ایجاد می‌کند.

یافته‌های این پژوهش می‌تواند زمینه‌ساز توسعه روش‌های کارآمدتر برای پردازش توزیع‌شده و دسته‌بندی داده‌های پیچیده و چندکاناله در کاربردهای مختلف باشد.