استفاده از طبقه بند pcvm در سیستم واسط مغز- رایانه کاربرفرما به منظور بهبود تشخیص حرکت پا

اساس سیستم های واسط مغز-رایانه(bci)کاربرفرما آشکارسازی و تشخیص بازه های رخداد یک فعالیت ذهنی مانند تصور حرکت از سیگنال خودبخودی مغز است که این مسأله به دلیل ماهیت غیرایستان و پیچیده سیگنال الکتروانسفالوگرام (eeg) مهمترین چالش در طراحی سیستم هایbciاست. در این مقاله برای اولین بار از یک الگوریتم جدید طبقه بندی مبتنی بر یادگیری تنک به نامpcvm در طراحی سیستمbciکاربرفرما استفاده شده است. هدف اصلی مقاله بررسی میزان موفقیت این طبقه­بند در آشکارسازی بازه های وقوع حرکت پا در سیگنال پیوستهeeg است.pcvmدر مقایسه باsvm-که تاکنون عملکرد بسیار موفقی در سیستم هایbci مبتنی بر حرکت و تصور حرکت داشته است- مزایای قابل توجهی از جمله ارائه خروجی به صورت احتمال تعلق دادگان به هر یک از طبقه ها و همچنین تعیین پارامترهای بهینه کرنل همزمان در الگوریتم یادگیری دارد. بعلاوه در این مقاله از فیلترهای با ضریب کیفیت ثابت به منظور تجزیه فرکانسی سیگنال استفاده شده است که به دلیل ماهیت قدرت تفکیک متغیر زمانی و فرکانسی در فرکانس های مرکزی مختلف، نقش مؤثرتری در تمایز الگوهای مربوط به بازه حرکت از سیگنال پس زمینه مغزی ایفا می­کند. متوسط نتایج حاصل از طراحی سیستم کاربرفرما با استفاده از روش پیشنهاد شده در این مقاله برای دادگان ثبت شده از 7 کاربر حین انجام حرکت پا  بصورت %90= tprو %4= fprبدست آمد که در مقایسه با کارهای پیشین برای همین مجموعه دادگان، بهبود قابل ملاحظه­ای (16% بهبودtpr و 2% بهبودfpr) حاصل شد.