حجت قیمت گر

زمینه: با توجه به اینکه طبقه بندی سیگنال های EEG و استخراج ویژگی از این سیگنال ها، نقشی اساسی در سیستم های BCI ایفا می کند، ارائه یک الگوریتم طبقه بندی قابل اعتماد و موثر برای ارتقا کاربردهای BCI بسیار مورد توجه است. روش های مختلفی برای رمزگشایی و طبقه بندی سیگنال EEG ارائه شده است. این روش ها معمولاً به عنوان اولین گام، الگوهایی را استخراج می کنند و سپس یک طبقه بند، برای شناسایی قصد کاربر، آموزش می دهند. در حالی که این روش ها، عملکرد مناسبی بدست آورده اند، اما آنها معمولاً فرض می کنند که داده های آزمون، همان روند آموزش/توزیع مشابه مجموعه آموزش را دارند. با این حال، در بسیاری از کاربردهای BCI، اغلب این چنین نیست. در واقع حالت های مختلف روانی هنگام ثبت داده ها و همچنین تجهیزات انسانی، ممکن است منجر به تغییر در داده های EEG شود. علاوه بر آن، ممکن است داده های یک تصور حرکتی خاص (مانند تکان دادن بازوی راست) برای اشخاص مختلف، برابر نباشند و از طرفی دیگر، به طور کلی، تعداد محدودی از نمونه های آموزشی در دسترس باشد. هدف: بررسی و رفع چالش های موجود در سیستم های رابط کاربری مغز و کامپیوتر. روش‏شناسی: در این پژوهش از یک دیتاست شامل سیگنال های 109 آزمودنی در 4 حالت تصور حرکتی و حرکت واقعی استفاده شده است. در مرحله پیش پردازش، از فیلتر باترورث و الگوریتم fastICA جهت تمیز کردن داده ها و حذف آرتیکفت ها استفاده شد. سپس، 136 ویژگی از حوزه های مختلفی مانند حوزه زمان، حوزه فرکانس و حوزه تبدیل از هر بخش EEG استخراج شد و به کمک الگوریتم mrmr، مجموعه بهینه ای از ویژگی ها به عنوان ورودی طبقه بند انتخاب گردد. در ادامه ویژگی های استخراج شده از کانال های EEG مختلف به عنوان یک سری مکانی در نظر گرفته شدند و این سری مکانی به عنوان ورودی به طبقه بند LSTM داده شد. یافته‏ ها: نتایج ارزیابی نشان می دهد که الگوریتم پیشنهادی می تواند به دقت بالای 88 درصد در بررسی شخص به شخص و به دقت بالای 70 درصد در میانگین اشخاص مختلف برسد. علاوه بر این، می توان گفت که ویژگی های حوزه فرکانس نسبت به ویژگی های حوزه زمان اهمیت بیشتری دارند و می تواند تفکیک پذیری بهتری بین کلاس ها ایجاد کنند. نتیجه‏ گیری: عملکرد سیستم برای اشخاص مختلف متفاوت است که با انتخاب ویژگی های مناسب می توان عملکرد سیستم را برای اشخاص مختلف به یک