انتخاب ویژگی و کاهش ابعاد داده در واسط های مغز-رایانه با استفاده از یک الگوریتم تکاملی

واسط مغز-رایانه وسیله ای است که می تواند بدون کمک گرفتن از عضلات، بین مغز و دنیای خارج از آن ارتباط مستقیم برقرار کند. اساس کار یک مدل از این سامانه ها، تشخیص تصور حرکات مختلف فرد می باشد که می توان از آن برای کمک به بیمارانی که بخشی از توانایی های جسمی-حرکتی خود را از دست داده اند، استفاده کرد. واسط های مغز-رایانه از قسمت های مختلفی مانند ثبت سیگنال، پردازش سیگنال و واسط کاربری تشکیل شده اند و بخش پردازش سیگنال نیز به نوبه خود از چند قسمت مجزا از جمله حذف انواع نویزها، استخراج ویژگی، انتخاب ویژگی و طبقه بند تشکیل شده است. بعد از حذف انواع نویزها و اثرات جانبی موثر بر روی سیگنال ، ویژگی های مورد نظر از این امواج به دست می آیند و طبقه بند از روی این بردار ویژگی مشخص می کند که کاربر چه فعالیتی را مد نظر دارد. یکی از چالش های اساسی در واسط مغز-رایانه، حجم بالای اطلاعات ورودی و زمان نسبتا زیاد پردازش این اطلاعات است که باعث می شود واکنش وسیله به دستور صادر شده از طرف کاربر فوری نبوده و با تاخیری هرچند اندک همراه باشد. به همین دلیل لازم است تا جایی که امکان دارد زیرمجموعه کوچک و مناسبی از ویژگی ها را انتخاب کرد تا دقت و سرعت سامانه بهبود یافته و کارآیی نهایی افزایش پیدا کند. در این پایان نامه با معرفی یک الگوریتم تکاملی جدید به نام probpso که از ترکیب الگوریتم های تجمع ذرات و تخمین توزیع به دست آمده و استفاده از آن برای انتخاب ویژگی و همچنین استفاده از طبقه بندهای ترکیبی به جای یک طبقه بند منفرد، به مدلی رسیدیم که دقت آن نزدیک به بیست درصد بهتر از زمانی بود که از تمام ویژگی ها استفاده می کردیم. در مدل ارائه شده جدید که می توان آن را انتخاب ویژگی بر پایه کلاس نامید، از چهار طبقه بند مختلف که از هم مستقل هستند و می توانند به صورت موازی کار کنند برای تشخیص برچسب داده های چهار کلاسه استفاده کردیم و با اجرای این مدل پیشنهادی بر روی داده های مربوط به مسابقات واسط مغز-رایانه سال 2005 و مقایسه نتایج به دست آمده با الگوریتم های برتر، نشان دادیم روش پیشنهادی ما از قدرت خوبی برخوردار است و می تواند سیگنال ها را با دقت بهتری طبقه بندی کند.