موفقیت در هر زمینه‌ای را می‌توان در مجموعه‌ای از قوانین و اصول کوچک خلاصه کرد که وقتی با هم ترکیب می‌شوند نتایج عالی را به همراه دارند.

مسابقه پردازش EEG در کاربرد BCI اولین کنگره بین المللی هوش مصنوعی در علوم پزشکی (AIMS2023)

موضوع چالش:

سیستم‌های رابط مغز-رایانه (Brain Computer Interface: BCI) برای ترجمه الگوهای فعالیت مغزی کاربر به پیام‌ها یا دستورات متناظر در یک کاربرد تعاملی بکار برده می‌شود. مثلا برای افراد با معلولیت یا محدودیت در استفاده از مسیرهای ارتباطی عادی، ارتباط با دنیای بیرونی از طریق فرامین مغزی به جای این مسیرهای عادی ارتباطی برقرار می‌شود. استفاده از سیگنال‌های مغزی EEG در این سیستم‌ها بسیار مرسوم است. از مزایای EEG می‌توان به دقت زمانی بالا و قیمت کم تجهیزات (نسبت به سایر روش‌های ثبت فعالیت ذهنی) اشاره کرد. یک دسته از این سیستم‌ها مبتنی بر ERPها یا همان پتانسیل‌های وابسته به رخداد الگوهایی هستند که پس از رخدادهایی خاص در سیگنال EEG ظاهر می‌شوند. از این دست پتانسیل‌ها، P300 به دلیل غیرارادی بودن، عدم نیاز به آموزش کاربر و همچنین قابل استفاده بودن در بیماران و افراد مختلف، گزینه‌ی مناسبی برای به کار گیری در BCI‌ها می‌باشد. بررسی تشخیص خودکار وجود یا عدم وجود الگوی P300 در سیگنال مغز یا EEG یک مسئله چالشی است و بسیار مورد توجه پژوهشگران در حوزه‌های مختلف از قبیل درمانی و رابط‌های مغز – رایانه می‌باشد. آشکارسازی پتانسیل‌های وابسته به رخداد (ERP)، یک پیش‌نیاز مهم در سیستم‌های BCI مبتنی بر ERP است.

  • هدف از این چالش، تشخیص الگوی P300 به منظور استفاده در سیستم‌های BCI می‌باشد که در قالب یک مسئله طبقه‌بندی دو کلاسی مطرح می‌شود.

پروتکل برگزاری چالش:

چالش پردازش سیگنال‌های مغزی به منظور تشخیص الگوی P300 یک مسابقه آزاد است که هر تیم و یا فرد علاقه مند واجد شرایط می‌تواند در آن شرکت کند. قابل ذکر است که یک شرکت کننده نمی‌تواند در بیش از یک تیم باشد.

چالش مذکور در دو مرحله برگزار خواهد شد:

مرحله مقدماتی: 

در این مرحله، شرکت کنندگان داده‌های EEG مربوط به 10 سوژه که پیش پردازش شده است را دریافت می‌کنند. برای هر سوژه دو ثبت ابتدایی برچسب دارد (برچسب کلاس هدف P300 و کلاس غیرهدف) که جهت آموزش استفاده می‌شود و ثبت سوم بدون برچسب است و جهت تست و ارزیابی اولیه استفاده می‌شود. مسئله از نوع طبقه‌بندی دو کلاسی است. شرکت کنندگان باید نتایج مرحله مقدماتی طبقه‌بندی روی داده‌های تست بدون برچسب را تا 31 فروردین 1402 ارسال کنند. در این مرحله شرکت‌کنندگان می‌توانند حداکثر 5 بار نتایج تست را به آدرس ایمیل زیر ارسال و از دقت روش خود بازخورد بگیرند.

  • p300.competition.1402@gmail.com
  • استفاده از MATLAB و Python در توسعه کدها مجازاست و یک نمونه کد برای هر محیط جهت load دادگان و طبقه‌بندی سریع در کنار دادگان ارسال می‌شود. بدلیل اینکه با مسئله دو کلاسی نامتعادل (unbalanced) روبرو هستیم، به جای دقت طبقه‌بندی، مقدار متوسط AUC به عنوان معیار نهایی مقایسه و ارزیابی در نظر گرفته می‌شود. بنابراین به جای برچسب‌ دادگان تست، باید امتیاز یا احتمال کلاس‌ها ارسال شود.
مرحله نهایی:

تیم‌های برتر تا 15 اردیبهشت 1402 انتخاب شده و برای شرکت در مرحله نهایی چالش دعوت خواهند شد. مرحله نهایی این چالش در هفته سوم اریبهشت ماه به صورت حضوری برگزار خواهد شد. در این مرحله برای هر سوژه یک ثبت تست دیگر به مدل‌ها داده می‌شود و بر اساس خروجی این تست جدید و معیار متوسط AUC، برندگان نهایی در اولین کنگره بین المللی هوش مصنوعی در علوم پزشکی در جزیره کیش اعلام خواهند شد.

مجموعه داده های چالش: 

توضیحات کامل در مورد دادگان در فایلی به نام Data Description همراه با دادگان قرار داده شده است.

موارد ارسالی در مرحله اول:

  • 1. خروجی تست برای تمامی سوژه‌ها مشابه با قالب فایل sample_submission.csv که در دادگان ارسال شده است.
  • 2. کدهای آموزش و تست برای مدل نهایی به همراه دادگان و مدل‌های ذخیره شده ارسال شوند. زمان خروجی تست گرفتن بیشتر از 2 ساعت نباشد.
  • 3. برای کدهای پایتون فقط ورژن پایتون به همراه requirements.txt ارسال شود و نیازی به ارسال venv نیست.
  • 4. یک گزارش یک یا دو صفحه ای که شامل معرفی تیم و اینکه نحوه اجرای کدها چگونه می‌باشد. بیش از دو اسکریپت نیاز به اجرا نداشته باشد.
  • 5. موارد ذکر شده را در فایل zip. با نام تیم قرار دهید و به ایمیل p300.competition.1402@gmail.com ارسال کنید.
  • 6. در صورتی که موارد ذکر شده کامل ارسال نشود نتایج شما داوری نخواهد شد.

زمانبندی های چالش:

مهلت ارسال نتایج اولیه الگوریتم پیشنهادی 1402/01/31 
اعلام نتایج مرحله مقدماتی: 1402/02/15 
زمان برگزاری مرحله نهایی: هفته سوم اردیبهشت ماه 1402

لینک ثبت نام و دانلود مجموعه داده: