طبقه بندی سیگنالهایeeg ناشی از تصور حرکتی به کمک تلفیق فیلترهای فضایی فرکانسی

یکی از موضوعاتی که در دو دهه اخیر مورد توجه بسیاری از پژوهشگران قرار گرفته است، سیستم-های واسط مغز و کامپیوتر (bci) می باشد. سیستم bci سیستمی است که با دریافت سیگنال های مغزی مانند روش الکترو انسفالوگرام (eeg) از افراد، آن ها را به فرمان های کنترلی برای حرکت یک بازو، صندلی چرخدار، یک ربات و سایر وسایل جانبی تبدیل می کند. در bci مبتنی بر تصور حرکتی از افراد خواسته می شود که خود را در حال انجام یک عمل حرکتی ویژه، (بدون خروجی حرکتی) تصور کنند. در نتیجه ی تصور حرکت، رخدادهایی در مغز اتفاق می افتد که بر سیگنالهای eeg تأثیر گذار است. هدف از این پایان نامه طبقه بندی داده های eeg ناشی از چهار تصور حرکتی دست چپ، دست راست، پا و زبان می باشد. مجموعه داده مورد استفاده در این پایان نامه، مجموعه 2a از مسابقه چهارم bci که در سال 2008 برگزار شده است، می باشد. در این پایان نامه دو روش که بر مبنای آنها چهار کلاس تصورحرکتی طبقه بندی می شوند، پیشنهاد شده است. یکی از رو ش های کارآمد در تشخیص تصور حرکتی، روش نگاشت به کمک فیلترهای فضاییcsp می باشد. قبل از اعمال این روش، می بایست سیگنال های مغزی از فیلتر میان گذر مناسبی عبور نموده تا ریتم های مغزی مرتبط با تصور حرکتی ویژه فرد، در روش csp بخوبی استخراج گردد. انتخاب مناسب فیلترهای فرکانسی در کنار فیلترهای فضایی یک چالش مهم در این روش می باشد. در یکی از روش های اخیر به نام ossfn، بهینه سازی فیلترهای فضایی و فرکانسی بر اساس ماکزیمم نمودن اطلاعات متقابل بین بردار ویژگی و برچسب کلاس ها انجام می شود. در روش پیشنهادی اول این پایان نامه، روش ossfn از یک مسئله دو کلاسه به یک مسئله چهارکلاسه تعمیم داده شده است. نتایج نشان می دهد که بهینه سازی همزمان فیلترهای فضایی-فرکانسی دقت طبقه بند را نسبت به روشcsp بطور موثری بالا می برد. در بخش دوٌم این پایان نامه، بجای درنظرگرفتن معیار اطلاعات متقابل بین برچسب کلاس ها و بردارهای ویژگی، معیار ارزیابی کاپا (دقت طبقه بندی) بهینه می گردد. در این روش پیشنهادی نشان می دهیم که با معیار ارزیابی کاپا طبقه بندی چهارکلاس تصورحرکتی کارایی بسیار بهتری دارد. همچنین بجای روش گرادیانی که پیچیدگی نسبتاً بالا و احتمال بدام افتادن در نقاط اپتیمم محلی را دارد، در بهینه سازی، از الگوریتم ژنتیک استفاده نمودیم. نتایج بدست آمده از آزمایش، گواهی بر مزیت روش پیشنهادی بر ossfn دارد. الگوریتم پیشنهادی را gaossfn نامیده ایم.