چکیده : سرواژه bci، از عبارت brain - computer interface گرفته شده که رابط مغز- رایانه ترجمه شده است. سیستم bci، یک مسیر ارتباطی مستقیم بین مغز و دستگاه های جانبی ایجاد می کند به گونه ای که کاربر جهت ارتباط با دستگاه مورد نظر یا دنیای خارج، به هیچ گونه حرکت ماهیچه ای نیاز ندارد. در یک سیستم bci، فعالیت های مغز کاربر اندازه گیری شده و پس از پردازش های خاص، به فرمان های مناسب ترجمه شده و به دستگاه مورد نظر ارسال می شود بطوریکه گویی دستگاه مورد نظر مستقیما توسط مغز کنترل می شود. روش های مختلفی برای اندازه گیری فعالیت های مغزی ارائه شده است که در حال حاضر روش الکتروانسفالوگرافی (eeg) محبوب ترین روش اندازه گیری فعالیت های مغزی جهت طراحی یک سیستم bci است. پتانسیل های برانگیخته حالت دائم بینایی (steady state visual evoked potentials) اختصارا ssvep بیانگر نوع خاصی از فعالیت مغزی کاربر است که در اثر خیره شدن کاربر به محرک نوری چشمک زن با فرکانس بالای 6 هرتز در ناحیه پس سری مغز ظاهر می شود. بر این اساس می توان سیگنالی با همان فرکانس در ناحیه پس سری مغز ثبت کرد و با استفاده از آن یک سیستم bci طراحی کرد. برای این منظور بایستی کلاس های مختلف این سیگنال ها را از هم تفکیک کرده و به هر کدام یک فرمان تخصیص داده شود. در این تحقیق مسئله طبقه بندی کلاس های مختلف ssvep مورد بررسی قرار گرفته است. برای این منظور دو محرک نوری led با فرکانس های 15 هرتر و 20 هرتز و یک حالت بدون حضور محرک به عنوان سه کلاس مختلف فعالیت های مغزی انتخاب شده و تکنیک های مختلف پیش پردازش، استخراج ویژگی و طبقه بندی بر روی آنها مورد بررسی قرار گرفته است. در این تحقیق طول های 5/0، 1، 2 و 4 ثانیه از هر کلاس سیگنال مورد بررسی شده است. نتایج همه انواع ویژگی ها و طبقه بندی کننده ها نشان داد که با افزایش طول سیگنال مورد بررسی ویژگی ها متمایزتر شده و صحت عملکرد طبقه بندی کننده ها افزایش پیدا می کند. نتایج تحقیق نشان داده است که ویژگی های دامنه طیف فرکانس، چگالی طیف توان و ضرایب مدل اتورگرسیو برای کلاس های مختلف ssvep متمایز می باشند که در بین این ویژگی ها ضرایب مدل اتورگرسیو نسبت به سایر ویژگی ها نتایج بهتری ارائه کرده است. در مرحله طبقه بندی الگوریتم های طبقه بندی کننده بیز ساده (naïve bayes)، k تا نزدیکترین همسایگی (k nearest nighborhood : knn)، آنالیز تفکیک خطی(linear discriminant analisis : lda) و پرسپترون چندلایه (multi layer perscptron : mlp) بررسی شده است. همه طبقه بندی کننده های فوق با دقت مناسبی کلاس های مختلف را از هم تفکیک کرده اند. در بین طبقه بندی کننده ها، mlp و lda با استفاده از ویژگی های ضرایب مدل اتورگرسیو نتایج بهتری نسبت به طبقه بندی کننده های بیز ساده و knn ارائه کرده اند.