عنوان
طبقه‌بندي داده‌ي BCI تصور حركتي چندكلاسه مبتني بر راي‌گيري اكثريت و بانك فيلتر الگوهاي مكاني-طيفي مشترك
نويسنده اصلي
محمدي، ايمان
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
مهندسي برق
مقطع تحصيلي
كارشناسي ارشد
چكيده
سيستم رابط مغز-رايانه يك مسير ارتباطي ميان مغز و رايانه فراهم مي‌كند و اخيرا توجه زيادي را به خود جلب كرده است. يكي از متداول‌ترين سيستم‌هاي BCI، تصور حركتي است. در حال حاضر براي طبقه‌بندي سيگنال‌هاي EEG مبتني‌بر تصور حركتي، الگوهاي مكاني مشترك (CSP) به طور گسترده‌اي مورد استفاده قرار گرفته‌اند. عموما سيگنال‌هاي EEG مبتني‌بر تصور حركتي آغشته به نويز و ناايستا هستند، بنابراين به طور قابل توجهي عملكرد سيستم BCI را كاهش مي‌دهند. نشان داده شده است كه الگوريتم CSP عملكرد مناسبي براي طبقه‌بندي انواع مختلف داده‌ي تصور حركتي دارد. با اين حال، اگر تعداد ترايال‌ها كم باشد يا داده آغشته به نويز باشد، احتمالا بيش‌برازش رخ خواهد داد كه مانع از استخراج فيلتر مكاني مناسب مي‌شود. ايراد ديگر CSP آن است كه تنها فيلترهاي مبتني‌بر مكان را استخراج مي‌كند. علاوه‌بر اين CSP تنها از يك باند بخصوص براي استخراج فيلترهاي مكاني استفاده مي‌كند كه ممكن است براي افراد مختلف باند فركانسي مناسبي نباشد. بنابراين، براي غلبه بر حساسيت CSP نسبت به نويز و بيش‌برازش از تركيب بانك فيلتر و روش‌هاي تنظيم‌يافته‌ي CSP استفاده شده است. همچنين الگوريتم CSSP به منظور استخراج همزمان فيلترهاي مبتني‌بر مكان و فركانس مورد استفاده قرار گرفته است. در اين پژوهش در سه بخش به بررسي نتايج پرداخته مي‌شود. بخش اول مربوط به مجموعه داده‌ي 2a از مسابقه‌ي چهارم BCI است. انتخاب باند فركانسي و پنجره‌ي زماني مناسب در اين مجموعه داده از اهميت فراواني برخوردار است، بنابراين با استفاده از رويكرد ارزيابي متقابل، براي روش الگوي مكاني مشترك بانك فيلتر (FBCSP) باندهاي فركانسي مناسب انتخاب شدند. همچنين به ازاي هر فرد پنجره‌ي زماني بهينه براي داده‌هاي آموزش انتخاب شد. در ادامه پس از انجام پيش‌پردازش‌هاي لازم، بانك فيلتر و روش الگوي مكاني-طيفي مشترك (CSSP) با يكديگر تركيب شدند و به منظور طبقه‌بندي از رويكرد راي‌گيري اكثريت استفاده شد، به اين صورت كه نتايج حاصل از پيش‌بيني شش طبقه‌بند SVM-Linear، SVM-RBF، LDA، Naive Bayes، KNN و PNN به ازاي پارامترهاي مختلف با يكديگر تركيب شده و ميانگين پيش‌بيني‌ها به عنوان نتيجه‌ي نهايي مورد ارزيابي قرار گرفت. الگوريتم پيشنهادي توانست به ميانگين صحت 71/72 درصد دست يابد. بخش دوم مرتبط با مجموعه داده‌ي 2b از مسابقه‌ي چهارم BCI است. در اين مجموعه داده از تركيب همزمان بانك فيلتر منتخب در محدوده‌ي فركانسي 30-8 هرتز و رويكرد راي‌گيري اكثريت بر اساس تركيب پيش‌بيني‌هاي دو طبقه‌بند SVM-Linear استفاده شده است. اين روش پيشنهادي در نهايت توانست به ميانگين صحت 80/96 درصد دست پيدا كند. در نهايت بخش سوم پژوهش به مجموعه داده‌ي IVa از مسابقه‌ي سوم BCI اختصاص دارد. در اين حالت از تركيب بانك فيلتر و CSSP براي استخراج ويژگي‌هاي مناسب و از طبقه‌بند ELM براي طبقه‌بندي استفاده شد. نتايج ارزيابي نشان داد كه روش پيشنهادي به ميانگين صحت 85/24 درصد دست يافته است.
شماره ركورد
222452
گرايش رشته تحصيلي
بيوالكتريك
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان