آشکارسازی مولفة P300 سیگنال مغزی با استفاده از الگوی زمانی مشترک وزن‌دار

آشکارسازی پتانسیل‌های وابسته به رخداد، یک پیش‌نیاز مهم در سیستم‌های واسط مغز و کامپیوتر (BCI) مبتنی بر ERP است. برای افزایش درصد صحت طبقه‌بندی در این سیستم‌ها، از روش‌های فیلتر‌ینگ مختلفی استفاده می‌شود تا نرخ سیگنال به نویز بهبود یابد و در نتیجه تشخیص و طبقه‌بندی پتانسیل‌های وابسته به رخداد آسان شود. پیش از این، عملکرد فیلترهای الگوی مکانی مشترک (CSP) و الگوی زمانی مشترک (CTP) که به‌ترتیب فیلتر‌های مکانی و زمانی هستند، در آشکارسازی مولفة P300 بررسی شده ‌است. در این روش‌ها، فیلترها به صورتی آموزش داده می‌شوند که واریانس یک کلاس، بیشینه شده و واریانس کلاس دیگر به‌طور همزمان کمینه شود. نتایج نشان داده است که در سیستم‌ P300Speller، عملکرد فیلترهای زمانی CTP بهتر از فیلترهای مکانی CSP است. در این مطالعه برای بهبود عملکرد روش CTP، الگوریتم ترکیبی الگوی زمانی مشترک وزن‌دار (WCTP) پیشنهاد شده است. در این روش به هر دسته ویژگی، وزنی متناسب با اهمیت مقادیر ویژه مربوطه داده می‌شود. در واقع در این روش، ویژگی‌های تولیدی توسط فیلترهای ابتدایی و انتهایی CTP وزن بیشتری در تصمیم‌گیری دارند. در روش ترکیبی به‌کار رفته در این الگوریتم، از طبقه‌بندی‌ کننده‌های LDA استفاده شده است.  با توجه به آزمایش‌های انجام شده روی دو نمونة مورد بررسی و با 5 ثبت میانگین‌گیری شده، دسته ویژگی به‌دست آمده توسط WCTP با میانگین درصد صحت طبقه‌بندی 2/90 بهترین عملکرد را از خود نشان داد که نشانگر بهبود تقریباً 4 درصدی نسبت به CTP است.