استفاده از روش های مبتنی بر پردازش آماری سیگنال در آشکارسازی مولفهp300 سیگنال مغزی

جنبه های شناختی فعالیت مغز، یکی از جذاب ترین زمینه های تحقیقاتی در بسیاری از علوم مرتبط با مغز است. از جمله موارد پرکاربرد برای تحقیق درباره فعالیت های شناختی مغز، بررسی بروز مولفه مغزی p300 است، که کاربردهایی از قبیل طراحی واسط مغز-کامپیوتر و دروغ سنجی مغزی دارد. در این تحقیق، راهکارهایی به منظور افزایش درصد صحت تشخیص p300 معرفی شده است. کارایی روش های پیشنهاد شده، در دو حیطه آشکارسازی p300 و دروغ سنجی مورد بررسی قرار گرفته است. برای بهبود کیفیت سیگنال و معرفی ویژگی های جدید، الگوریتم های فیلتر کالمن، فیلتر اطلاعات و هموارساز فاصله ثابت را پیشنهاد کرده ایم. استفاده از این سه الگوریتم درصد صحت تشخیص p300 و دروغ گویی را بهبود بخشید. همچنین به بررسی عملکرد چند مدل آماری (مانند مدل گوسی، مدل ترکیب گوسی ها و مدل اثرهای آمیخته) برای توصیف p300 و آشکارساز glrt برای آشکارسازی سیگنال p300 پرداخته ایم. در تشخیص سیگنال p300، از بین فیلتر اطلاعات و هموارساز مورد استفاده، با توجه به نتایج تقریباً مشابه وپیچیدگی کمتر فیلتر اطلاعات، استفاده از فیلتر اطلاعات پیشنهاد می شود. درصد صحت تشخیص p300 از سیگنال های فیلتر شده با فیلتر اطلاعات برای سیگنال های p300دار 93.1 درصد و برای سیگنال های فاقد p300، 93.7 درصد به دست آمد. در تشخیص دروغ گویی، درصد صحت 79.7 برای افراد گناهکار و 80.4 برای افراد بی گناه را با استفاده از مدل mem برای مدل کردن سیگنال فیلتر شده توسط فیلتر کالمن، و آشکارساز glrt بدست آوردیم. در مجموع، با توجه به نتایج به دست آمده به نظر می رسد، عملکرد روش های مبتنی بر طبقه بندی کننده در شرایطی که اطلاعات کافی از مسئله در اختیار است مناسب تر است، اما زمانی که اطلاعات کافی برای تصمیم گیری در دست نباشد، روش های مبتنی بر آشکارسازی عملکرد بهتری از خود نشان می دهند.