طبقه بندی سیگنال های eeg با استفاده از توابع زمان-فرکانسی و شبکه های عصبی در بیماران سکته مغزی

سکته مغزی سومین عامل مرگ و میر و شایع ترین بیماری اختلالات عصبی و عضلانی در جهان به شمار می رود. امروزه علوم مهندسی در توانبخشی و کمک به افراد با این مشکلات، سهم عمده ای را دارند. از جمله مواردی که مورد توجه محققین و مهندسین در این زمینه است، استفاده از سیگنال های الکتروانسفالوگرافی (eeg) برای پی بردن به نیات کاربر است. واسط مغز-کامپیوتر (bci) سیستمی است که به کاربر اجازه می دهد تنها با استفاده از سیگنال های eeg و بدون استفاده از عضلات با محیط ارتباط برقرار کند. هر سیستم bci دارای پنج فاز ثبت سیگنال، پیش پردازش، استخراج ویژگی، طبقه بندی و دستور کنترلی می باشد. در این پایان نامه سیستم bci نگارنده مغز-کامپیوتر انتخاب شده است، هدف این سیستم تشخیص کلمات و اعداد مد نظر کاربر می باشد. در مرحله پیش پردازش، یک سیستم bci برای انجام وظیفه مطلوب نیازمند استخراج مشخصه هایی از سیگنال هایی مغزی است. پتانسیل وابسته به رخداد یکی از مشخصه های سیگنال eeg است که در هنگام فعالیت های مغزی ظاهر می شود. بنابراین در این مرحله با استفاده از افزایش نسبت سیگنال به نویز (snr) پتانسیل وابسته به رخداد ظاهر شد. همچنین در این مرحله از آنالیز مولفه های مستقل و آنالیز مولفه های اصلی برای کاهش ابعاد و جداسازی مولفه ی فعالیت های مغزی استفاده شد. به علت آنکه سیگنال های eeg درای ماهیتی ناایستا هستند، برای استخراج ویژگی آنها علاوه بر روش های زمانی و فرکانسی، تبدیل موجک نیز در حوزه ی زمان-فرکانس به کار گرفته شد. دو روش ماشین بردار پشتیبان و شبکه های عصبی به همراه خوشه بندی فازی برای مرحله طبقه بندی انتخاب شد.