طراحی هم‌زمان فیلترهای طیفی و فضایی برای واسط‌های مغزکامپیوتر، بر‌اساس اطلاعات متقابل و بهینه‌سازی ازدحام ذرات

استخراج ویژگی‌های تفکیک‌پذیر، بخشی مهم در سیستم‌های واسط مغزکامپیوتر (bci) است، که می‌تواند بر کارایی طبقه‌بندی، تاثیر‌گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (csp)، روشی متداول است که در سیستم‌های bci مبتنی‌بر تصورات حرکتی، استفاده می‌شود. csp سعی می‌کند تا مناسب‌ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (eeg) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. به‌طور معمول پیش از اعمال csp، سیگنال‌های eeg در باند فرکانسی 308 هرتز، فیلتر می‌شوند تا ریتم‌های مربوط به ناهمگامی وابسته به رویداد (erd)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، می‌تواند تاثیر بسزایی در بهبود صحت طبقه‌بندی داشته  باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (pso)، روش یادگیری نوینی را برای به دست آوردن هم‌زمان فیلترهای طیفی و فضایی ارائه می‌دهیم. همچنین، از معیار اطلاعات متقابل بین ویژگی‌های استخراج‌شده و برچسب گروه‌ها، به‌عنوان تابع هزینه استفاده می‌شود. شبیه‌سازی‌های انجام‌شده روی مجموعه داده یک از رقابت bci، نشان می‌دهد که صحت طبقه‌بندی روش پیشنهادی، به‌طور معناداری بیشتر از روش‌های csp و بانک فیلتر csp (fbcsp)، با دو نوع بانک فیلتر متفاوت، است.