شناسایی حرکات ارادی انسان با استفاده از سیگنال های eeg

در این مطالعه کاربردی، کلاسه بندی پنج تصور ذهنی اندازه گیری شده توسط eeg بررسی و پیاده سازی خواهد شد. سیگنال های eeg در حوزه زمان دارای حجم بالائی هستند، و از این گذشته ممکن است این سیگنال ها حاوی مصنوعاتی باشند که از منابعی غیر از مغز ثبت شده باشند، از قبیل پلک زدن و یا حرکت چشم. بنابراین کاهش اطلاعات زائد و استخراج مفیدترین اطلاعات ضروری به نظر می رسد. در روش پیشنهادی از روش های کاهش ابعاد، یعنی تحلیل مولفه های اصلی (pca) و الگوهای فضائی مشترک (csp) برای حذف اطلاعات زائد استفاده می شود. اما باز هم قسمت هائی از سیگنال شامل مصنوعاتی است که با این روش ها قابل حذف نیستند. برای همین ابتدا سیگنال ها را پنجره کرده و سپس بر روی هر پنجره به صورت مجزا روش های استخراج ویژگی pca یا csp را اعمال می کنیم. سپس ویژگی های استخراج شده از پنجره های آلوده را از بردار ویژگی نهائی حذف می کنیم. اما به دلیل اینکه مصنوعات در مولفه های زمانی سیگنال واضح نیستند، نمی توان به صورت دقیق پنجره های آلوده را تشخیص داد. بنابراین می توان با استفاده از الگوریتم های بهینه سازی جستجو از قبیل الگوریتم ژنتیک (ga) و الگوریتم بهینه سازی ذرات (pso)، و همچنین روش انتخاب ویژگی رو به جلو ، راه حل های حاوی بهترین پنجره ها را جستجو کرد. اما مسئله ای که وجود دارد این است که پنجره هائی که حذف می شوند، ممکن است شامل ویژگی های مفید نیز باشند. زیرا در پنجره بندی با ابعاد ثابت، مرز مصنوعات به صورت دقیق مشخص نمی شود. راه حل این است که این الگوریتم را در چند مرحله بر روی پنجره های با ابعاد متفاوت آزمایش کنیم و در نهایت بهترین ابعاد را انتخاب کنیم. الگوریتم پیشنهادی را بر روی یک مجموعه داده حاوی پنج کار ذهنی ثبت شده در دانشگاه کلرادو، اعمال کردیم. با به کار بردن روش پیشنهادی بر روی سیگنال های حاوی 50 پنجره ، با تقسیم 70 به 30 برای مرحله آموزش و تست، توانستیم به نرخ موفقیت 100درصد دست پیدا کنیم.