آشکارسازی مولفه P300 سیگنال مغزی با استفاده از الگوی زمانی مشترک وزن‌دار

آشکارسازی پتانسیل‌های وابسته به رخداد، یک پیش‌نیاز مهم در سیستم‌های واسط مغز و کامپیوتر (bci) مبتنی بر erp است. برای افزایش درصد صحت طبقه‌بندی در این سیستم‌ها، از روش‌های فیلتر‌ینگ مختلفی استفاده می‌شود تا نرخ سیگنال به نویز بهبود یابد و در نتیجه تشخیص و طبقه‌بندی پتانسیل‌های وابسته به رخداد آسان شود. پیش از این، عملکرد فیلترهای الگوی مکانی مشترک (csp) و الگوی زمانی مشترک (ctp) که به‌ترتیب فیلتر‌های مکانی و زمانی هستند، در آشکارسازی مولفه p300 بررسی شده ‌است. در این روش‌ها، فیلترها به صورتی آموزش داده می‌شوند که واریانس یک کلاس، بیشینه شده و واریانس کلاس دیگر به‌طور همزمان کمینه شود. نتایج نشان داده است که در سیستم‌ p300speller، عملکرد فیلترهای زمانی ctp بهتر از فیلترهای مکانی csp است. در این مطالعه برای بهبود عملکرد روش ctp، الگوریتم ترکیبی الگوی زمانی مشترک وزن‌دار (wctp) پیشنهاد شده است. در این روش به هر دسته ویژگی، وزنی متناسب با اهمیت مقادیر ویژه مربوطه داده می‌شود. در واقع در این روش، ویژگی‌های تولیدی توسط فیلترهای ابتدایی و انتهایی ctp وزن بیشتری در تصمیم‌گیری دارند. در روش ترکیبی به‌کار رفته در این الگوریتم، از طبقه‌بندی‌ کننده‌های lda استفاده شده است.  با توجه به آزمایش‌های انجام شده روی دو نمونه مورد بررسی و با 5 ثبت میانگین‌گیری شده، دسته ویژگی به‌دست آمده توسط wctp با میانگین درصد صحت طبقه‌بندی 90/2 بهترین عملکرد را از خود نشان داد که نشانگر بهبود تقریباً 4 درصدی نسبت به ctp است.

P300 Component Detection by using Weighted Common Temporal Pattern

Detection of Event Related Potentials (ERP) is an important prerequisite in the ERPbased BrainComputer Interface (BCI) systems. In order to increase the classification accuracy in these systems, different filtering methods are used for improving the signal to noise ratio. This improvement facilitates the diagnosis and classification of the ERPs. In a number of studies, the performance of P300 detection systems which are based on common spatial pattern (CSP) and common temporal pattern (CTP) has been investigated. The former uses spatial filters while the latter is based on temporal filters. In these methods the filters are trained such that they maximize variance of one class and simultaneously minimize the other class variance. The associated results show that in P300 speller systems, the temporal filters outperform the spatial filters. In this study, in order to improve the performance of the CTP based systems, a Weighted Common Temporal Pattern (WCTP) algorithm which is a combined method is proposed. In this algorithm, each category of features has a weight based on the importance of its eigenvalues. In fact, the features produced by the initial and final CTP filters have more weight in the decision making process. In the combined method used in this algorithm, the LDA classifiers are used. It is shown that the set of features obtained by the WCTP method leads to an average classification accuracy of 90.2 percent which is about 4 percent better than the CTP method. The experiments are performed considering two different subjects on 5 trials.