کلاسه بندی سیگنال های eeg ناشی از تصور حرکتی در کاربردهای bci بکمک ویژگی های حوزه زمان و فرکانس

یکی از موضوعاتی که در سال های اخیر مورد توجه بسیاری از محققین قرار گرفته است، سیستم های واسط مغز و رایانه (bci) می باشد. bci سیستمی است که به کمک سیگنال های مغزی نظیر الکتروآنسفالوگرام (eeg، ارتباط بین شخص و وسایل جانبی مثل دست مصنوعی را برقرار نماید. در bci مبتنی بر تصور حرکتی از شخص خواسته می شود تا تصور کند که بخشی از بدن خود را حرکت می دهد. در نتیجه تصور حرکت رخدادهایی در مغز اتفاق می افتد. وظیفه سیستم bci این است که این رخدادها را از سیگنال های eeg استخراج نموده و براساس آنها نوع حرکت را تشخیص دهد. هدف از این پایان نامه کلاسه بندی داده های eeg ناشی از چهار نوع تصور حرکتی دست چپ، دست راست، دو پا و زبان در مغز می باشد. در این پایان نامه از مجموعه 2a از پایگاه داده مسابقه چهارم bci که در سال 2008 برگزار شده استفاده شده است. در این پایان نامه چهار روش برای کلاسه بندی داده های این مجموعه داده پیشنهاد شده است. یکی از موفق ترین روش ها در تشخیص تصور حرکتی روش csp می باشد. این روش به کمک ماتریس کواریانس داده ها در کلاس های مختلف فیلترهای فضایی استخراج می کند تا داده های ورودی را کلاسه بندی نماید. مشکل csp این است که ساختار زمانی سیگنال های eeg را در نظر نمی گیرد. از طرفی نویز یک نمونه زمانی می تواند تأثیر مخربی بر نتیجه این روش داشته باشد. روش بهبود یافته ltcsp ساختار زمانی داده ها را در نظر گرفته و تأثیر نویز در نتیجه آن کمتر از csp است. این روش اولین بار برای کلاسه بندی داده های دو کلاسه مطرح شده که در این پایان نامه توسط تکنیک ovr به مسئله چهار کلاسه تعمیم یافته است. همچنین ما در این پایان نامه روشی به نام seg-csp-var پیشنهاد داده ایم که در آن ابتدا سیگنال های eeg به قطعات زمانی شکسته شده و سپس بر روی هر قطعه زمانی روش csp اعمال می شود. این روش پیشنهادی بطور متوسط نتایج بهتری از روش csp دارد. نتایج این روش نشان می دهد که اهمیت کانال ها برای جداسازی کلاس ها در قطعات زمانی مختلف متفاوت است. در روش پیشنهادی دیگر با نام seg-csp-bp به جای ویژگی واریانس از توان در باندهای فرکانسی متفاوت به عنوان ویژگی استفاده می شود. در این روش از تکنیک گسسته سازی چند بازه ای به عنوان کلاسه بند و از تکنیک رتبه بندی ویژگی ها به منظور کاهش ابعاد بردار ویژگی استفاده شده است. عملکرد بهتر روش ovr-seg-csp-bp نسبت به روش ovr-csp، ovr-ltcsp، ovr-seg-csp-var و حتی برنده مسابقه 2008 در کلاسه بندی داده های eeg چهار کلاسه حاکی از آن است که استفاده از ویژگی های حوزه زمان و حوزه فرکانس در کنار هم می تواند منجر به نتایج مطلوبی شود. بنابراین در انتهای پایان نامه روشی پیشنهاد داده ایم که در آن از توزیع زمان-فرکانس کانال ها در روش csp استفاده می شود. در این روش تابع چگالی احتمال مولفه ها در حوزه زمان-فرکانس توسط مخلوط توابع گوسی بدست می آید. این روش نیز نتایج بهتری نسبت به روش csp داشته است.