امروزه در حوزه پردازش سیگنال های حیاتی، پردازش سیگنال الکتروانسفالوگرام (eeg) در فعالیت ها و حالت های مختلف مغز، از جمله خواب، بیهوشی، صرع، فعالیت ها و عملیات محاسباتی و ... مورد توجه محققان قرار گرفته است. در ادامه این تحقیقات در این مطالعه نیز به بررسی پدیده خستگی ذهنی و اثرات آن بر روی فعالیت الکتریکی مغز پرداخته شده است. چرا که اهمیت حفظ توجه در انجام وظایف روزانه بخصوص در مواردی که شخص با فعالیت های طولانی مدت و تکراری مواجه است یکی از مسائلی است که انسان امروزه با آن روبرو است. سیگنال eeg اساساً دارای طبیعت فرکتال چندگانه است. بنابراین برای پردازش و استخراج ویژگی از سیگنال های eeg خستگی ذهنی می توان روش فرکتال چندگانه را به عنوان ابزاری مناسب مورد استفاده قرار داد. از این رو برای کمی کردن طبیعت آشوبگونه و پیچیدگی این سیگنال نیاز به تخمین طیف ابعاد فرکتالی تعمیم یافته است. مطالعه حاضر تلاشی برای ارائه الگوریتمی جهت تخمین طیف ابعاد فرکتالی تعمیم یافته و استخراج ویژگی از آن است. بدین منظور پس از استخراج 4 ویژگی بیشینه، کمینه، اختلاف بین بیشینه و کمینه و شیب حول q=0 از منحنی های ابعاد فرکتالی تعمیم یافته و اعمال آزمون آماری ویلکاکسون بر آن ها، ویژگی هایی که توانسته اند بین مراحل تفکیک معنی دار (05/0>p) نشان دهند، معین شد. این تفکیک در کانال های pz، c4، c3 و fp2 -کانال های قدامی و مرکزی- بیشتر خود را نشان می دهد، که این با یافته های فیزیولوژیکی سایر تحقیقات انجام شده بر توجه از طریق پردازش سیگنال و همچنین از طریق تحلیل fmri، مطابقت دارد. ویژگی های انتخاب شده مجدداً توسط محاسبه سطح زیر منحنی roc (auc) بررسی شدند و از توانایی آن ها در ایجاد تمایز معنی دار بین مراحل مختلف آزمون اطمینان حاصل گردید. در انتها نیز قدرت ویژگی های انتخاب شده با استفاده از طبقه بندی کننده knn مورد ارزیابی مجدد قرار گرفت. کلمات کلیدی: خستگی ذهنی، توجه، eeg، فرکتال چندگانه، آزمون ویلکاکسون، roc، knn.

خستگی ذهنی یک پدیده فیزیولوژیکی رایج است که در زندگی روزمره برخی افراد و حتی در بسیاری از حرفه ها بارها و بارها اتفاق می افتد. هنگامی که فرد در اجرای فعالیت های خود نیاز به دقت و تمرکز برای مدت طولانی داشته باشد، پس از مدتی احساس خستگی خواهد نمود و بروز آن با آثار متعددی مانند کاهش کارایی، توان برنامه ریزی، کنترل کارها و از همه مهمتر کاهش میزان تمرکز در مسائلی که به توجهی ماندگار نیاز دارند همراه است. این تحقیق از پروتکل ثبت شده ای استفاده می کند که طی آن فعالیت الکتریکی مغز 20 نفر طی یک فرآیند طراحی شده برای ایجاد خستگی ذهنی، فعالیتی که نیاز به توجه ماندگار در طول زمان دارد، ثبت شده است. برای ارزیابی تغییرات رفتاری فرد در طول زمان، از روش های خوشه یابی استفاده شده است. بدین صورت که با به کارگیری سیگنال eeg و تبدیل آن به نگاشت های خوشه زمان با استفاده از الگوریتم خوشه یابی som وضعیت لحظه ای فرد به دست می آید. برای این منظور، ویژگی-های غیر خطی سیگنال eeg مثل بعد فرکتال هیگوچی و ویژگی های فرکانسی مانند طیف فرکانسی نسبی در طول زمان استخراج شده و سپس این بردارها به یک سیستم خوشه یاب، که بر مبنای نگاشت های خودسازنده کار می کند، اعمال می شود. به نظر می رسد که بر طبق نگاشت های خوشه – زمان سوژه ها در نوع واکنش خود در طول زمان 3 مرحله متفاوت توجه کامل، توجه متوسط و خستگی ذهنی را طی می نمایند. همچنین این نگاشت ها توانایی شناسایی زمان وقوع خستگی در یک ثبت سیگنال، هم پوشانی بین مراحل مختلف و تفاوت زمانی رخ دادن خستگی در مراحل مختلف ثبت آزمون را دارد. نتایج حاصل از اعتبارسنجی به کمک روش loo نشان می دهد که به علت یکسان نبودن زمان شروع خستگی سوژه ها، متوسط شباهت زمانی هر نفر به میانگین با ویژگی بعد فرکتال 55/69% است. در ادامه بحث زمان شروع خستگی برای هر نفر مطرح و تلاش شد که بین نگاشت خوشه-زمان و خطاهای کلیدزنی افراد در بازه های زمانی متناظر، ارتباط برقرار شود. بررسی ها نشان داد افرادی که از مرحله اول آزمون خطای زیادی داشته اند، نگاشتشان نیز خیلی زود به خستگی می-رسد اما همبستگی خاصی بین بازه های متناظر نگاشت و خطا در سایر افراد ملاحظه نشد. در ادامه شبکه عصبی som of som با داشتن چند بخش خاص سیگنال، که در som مرحله اول مشخص شد در آن ها چه اتفاقی می افتد، به درونیابی سیگنال در طول زمان می پردازد. یکی از قابلیت های مهم این شبکه این است که می تواند علاوه بر توزیع داده در خوشه، توزیع خوشه در فضا را نیز به دست آورد. با استفاده از این ویژگی، با دادن پنج بخش 30 ثانیه ای، شامل ابتدای مرحله اول و انتهای مراحل اول تا چهارم به شبکه، بخش هایی که به شبکه داده نشده درون یابی می شود. بدین ترتیب نشان داده می شود که som of som می تواند هم پوشانی بین مراحل مختلف ثبت آزمون را نشان دهد.