آنالیز سیگنال های الکتروآنسفالوگرام (eeg) با استفاده از ترکیب طبقه بندها جهت کنترل دستگاه های بیرونی

ارتباط مستقیم مغز با دنیای اطراف و یا به عبارت دیگرسیستم مغز-رایانه( ) از جمله موضوع هایی می باشد که طی سال های اخیرمورد توجه بسیاری از گروه های تحقیقاتی قرار گرفته است. برای این منظور اگر سیستمی بتواند سیگنال های ثبت شده از تعدادی فعالیت ذهنی را از یکدیگر تفکیک کند، با یادگیری حاصل از ارتباط ویژگی های موثر در سیگنال و علت به وجود آورنده ی آن، می توان به یک الفبای ساده و بنیادی دست یافت، که فرد می تواند با انجام ترکیب های مختلفی ازآنها، با دنیای اطراف ارتباط برقرار کند. به عبارت بهتر سیستم جایگزین قسمت آسیب دیده ی بدن با مورد مشابه و سالم فرا می گیرد تا در صورت اراده ی فرد آسیب دیده برای انجام همان کار، پردازش و عمل متناسب را شناسایی و فرمان لازم را صادر و کنترل نماید. درحقیقت استفاده از سیستم های شورایی در حوزه ی یادگیری ماشینی، از طبیعت انسان دراستفاده از نظرهای مختلف برای تصمیم گیری های مهم الهام گرفته است. برای افزایش کارایی ترکیب باید از طبقه بندهای پایه متفاوت و با خطای خروجی متمایز استفاده نمود تا تمامی ابعاد مساله پوشش داده شود. هرچه گوناگونی طبقه بندها بیشتر باشد کارایی بهتری بدست خواهد آمد. همچنین نوع ترکیب کننده نهایی در روش های ترکیبی بسیار حائز اهمیت است. در این تحقیق عملکرد روش های ترکیبی کلاسیک ازجمله: بیشینه، میانه، میانگین گیری، حاصل ضرب، اختلاط خبره ها ، تعمیم پشته و تعمیم پشته بهبود یافته با ترکیب کننده پرسپترون چندلایه با روش های پیشنهادی تعمیم پشته و تعمیم پشته بهبود یافته با ترکیب کننده نهایی انتگرال فازی، مقایسه شده اند ودر پایان به بررسی کارائی آنها بر روی داده های صرع پرداخته شده است. نتایج بدست آمده نشان می دهد عملکرد روش های پیشنهادی تعمیم پشته با ترکیب کننده انتگرال فازی و تعمیم پشته بهبود یافته با ترکیب کننده انتگرال فازی نسبت به سایر روش های مورد آزمایش قرار گرفته، با میانگین 10 بار تکرار به مقدار حداکثری 6/79% و 2/80% رسیده اند.