به کارگیری روش csp در استخراج ویژگی از سیگنال eeg جهت کاربرد در سیستمهای bci

تعامل انسان- کامپیوتر وسیله ای برای ایجاد یک کانال ارتباطی است که مقاصد انسان را که در سیگنال های مغزی مانند eeg منعکس می شود، به فرمان های کنترلی تبدیل می کند. مولفه ای که در سیگنال eeg بیشتر از همه برای تمایز بین حالت های ذهنی به کار می رود، پتانسیل های وابسته به رخداد است که تغییرات در توان طیفی سیگنال های مربوط به فرآیندهای وابسته به حرکت را مورد بررسی قرار می دهد. تصور یا انجام حرکت منجر به یک تضعیف کوتاه مدت به نام آسنکرون شدن وابسته به رویداد در مولفه های eeg در باندهای ? و ? می شود. چنین تصور حرکاتی که موجب تغییر در ریتم های مغزی ناحیه مربوط به حرکت می شود به عنوان وسیله ای برای ایجاد ارتباط در افراد با اختلالات شدید حرکتی معرفی شده است. با این دیدگاه که ریتم های ناحیه مربوط به حرکت از نواحی بسیار متمرکز در ناحیه قشری منشأ می گیرد، سیگنال همه الکترودها برای کلاس بندی اطلاعات یکسانی ندارند. نتیجتاً سیگنال الکترودهای مختلف باید به گونه ای وزن دهی شوند تا ارزششان برای کار کلاس بندی مشخص شود. روش الگوهای مکانی مشترک بر مبنای تجزیه سیگنال ها ی خام eeg در دو کلاس به الگوهای مکانی است به گونه ای که تفاوت آنها را ماکزیمم کند. اعمال این الگوهای مکانی به سیگنالها، مجموعه ای از الکترودهای وزن دهی شده را فراهم می کند که مستقیماً از خود داده بدست آمده اند. اگرچه اعمال csp به eeg فیلتر نشده و یا فیلتر شده اما با انتخاب باندهای فرکانسی ضعیف، صحت تشخیص ضعیفی را نتیجه می دهد. در این تحقیق، به منظور یافتن باند فرکانسی حاوی بیشترین اطلاعات متمایزکننده در روش csp در دو کلاس تصور حرکت ، سیگنال های eeg با استفاده از فیلتر بانک به زیرباندهایی تجزیه شده و ماتریس وزن csp در هرکدام از زیر باندها جداگانه استخراج شده است. سپس برطبق اطلاعات جداکننده بدست آمده از سیگنال های فیلترشده مکانی، دو زیرباند بهینه انتخاب شده و بعد از وزن دهی ویژگی ها در این دو زیرباند توسط روشdslvq ، با استفاده از کلاس بند svm کلاس بندی شده اند. مقایسه نتایج بدست آمده از این روش با روش متداول csp، حاکی از بهبود 7.86? در صحت کلاس بندی داده های تست می باشد.