بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری-مغزی

سیستم های واسط کامپیوتری-مغزی سیستم هایی هستند که می توانند سیگنال های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار بالایی مشکلات آن ها در راستای ارتباط با محیط پیرامونشان را رفع کند. اما سیستم های کنونی به علت نداشتن دقت بالای کافی برای همه افراد، هنوز نتوانسته اند به صورت تجارتی وارد بازار شوند. در راستای بهبود دقت و عملکرد این سیستم ها، به صورت تجربی نشان داده شده که استفاده از روش "الگوی مکانی مشترک" برای استخراج ویژگی های جدا کننده مناسب از سیگنال های مغزی، روشی بهینه در سیستم های واسط کامپیوتری-مغزی همگام است ولی هنوز دارای مشکلات و چالش هایی می باشد. در این پژوهش دو راهکار برای اصلاح روش غیر خطی الگوی مکانی مشترک مطرح شده است: راهکار اول که شخصی سازی الگوریتم غبرخطی است، خود شامل دو روش ترکیبی جدید می باشد. روش اول با افزودن اطلاعات فرکانسی-مکانی سیگنال به روش الگوی مکانی مشترک، منجر به بهبود عملکرد الگوریتم در راستای پیدا کردن ویژگی های متمایز بهتری شده و بر مبنای همین ویژگی ها، دقت کلاس بندی داده ها افزایش می یابد. در روش دوم که به دو طریق مختلف پیاده سازی شده، مقدار هم فعالیتی دو به دوی همه کانال ها به فرمولاسیون csp تزریق می شود و سپس مقادیر به دست آمده توسط یک تابع کرنل خطی، به فضای دیگری می روند و در نهایت جداسازی بین تصورات حرکتی را بهبود می بخشند. راهکار دوم، سازگار کردن الگوریتم با ورود داده جدید است که اینکار یکبار با تعریف تابع کرنلی با تعداد پارامترهای آزاد زیاد صورت گرفته است و بار دیگر با به روزرسانی ماتریس کوواریانس کرنلی شکل گرفته است که طبق نتایج به دست آمده، این راهکار از هر دو طریق با مشکلاتی همراه بوده و نتوانسته دقت تشخیص بالاتری را فراهم آورد.