ارائه‌ی یک الگوریتم ترکیبی برای تشخیص تصور حرکت دست چپ و راست با استفاده از تنها دوکانال سیگنال الکتریکی مغز

در چند دهه‌ی اخیر، رابط مغزرایانه‌ی مبتنی بر تصور حرکت به صورت گسترده برای کمک به افراد مبتلا به اختلال حرکتی، مورد توجه قرار‌ گرفته است. مزیت این نوع رابط، به عنوان سیستمی درون‌زاد، عدم نیازبه تحریک خارجی و کنترل طبیعی می‌باشد. یکی ‌از مشکلات اصلی در کاربردی‌کردن این سیستم ، نیاز به نصب تعداد زیادی الکترود روی سر است که سبب افزایش هزینه‌ی تجهیزات، افزایش حجم محاسبات و هم‌چنین دشوارتر شدن استفاده از آن برای کاربر، به دلیل زمان‌بر بودن نصب الکترودها، می‌شود. تحقیقات اخیر، در جهت کاهش تعداد الکترودهای مورد نیاز با حفظ کارایی سیستم بوده است. هدف از این پژوهش، بررسی ویژگی‌ها و انتخاب ترکیبی مناسب برای تشخیص تصور حرکت با استفاده از تنها دو کانال (c3و c4) برای ثبت سیگنال مغز بوده است. به این منظور، از روش توان باند، پارامترهای حوزه‌ی زمان و مدل خودبازگشتی تطبیقی، به عنوان ویژگی و از روش شناخته شده و ساده‌ی آنالیز افتراقی خطی جهت طبقه‌بندی استفاده شد. نتایج نشان داد که ویژگی‌هایتوان باند، بیش‌ترین سازگاری و اثربخشی را برای تفکیک دقیق وظایفتصور حرکتی چپ و راست دارند. هم‌چنین، الگوریتم پیشنهادی به صورت ترکیب ویژگی توان باندبا پارامترهای حوزه‌ی زمان ومدل خودبازگشتی تطبیقی، سبب بهبود عمل‌کرد طبقه‌بندی گردید. نتایج روی داده‌های سومین دوره‌ی مسابقات رابط مغزرایانه توانست جایگاه دوم را بین رقابت‌کنندگان اصلی مسابقه، با بیشینه‌ی stmiبرابر 0.2582 به دست آورد. در پردازش نابرخط، وظایفتصور حرکتی دستچپ و راست با صحت متوسط برابر با 85 درصد و کاپای 70 درصد تشخیص داده شد، هم‌چنین نتایج بیان‌گر انتقال اطلاعات خروجی گسسته‌ی 0.39 و پیوسته‌ی 0.45 و سطح زیرمنحنی عملیاتی دریافت‌کننده‌ی 0.91 بود. نتایج این مقاله نشان می‌دهد که ویژگی‌های جدید، به طور برجسته در هنگام استفاده از ترکیب هر سه دسته‌ی ویژگی، به بهبود عمل‌کرد طبقه‎‌بندی سیستم واسط مغزرایانه‌ی دو کاناله منجر می‌شود و در ضمن، الگوریتم پیشنهادی برای افراد جدید نیز کارایی قابل مقایسه‌ای را ارائه کرده است.

A Hybrid Algorithm for Detecting Motor Imagery of Left and Right Hands Using Only Two Channels of EEG

Over the past few decades, the braincomputer interfaces (BCI) based on motor imagery has been widely developed to help people with motor disability. The advantage of this type of BCI as an endogenous system is, no need for external stimulation, and natural control. One of the major challenges to make these systems practical is to reduce the number of recording electrodes. In this study, only two EEG channels (C3 and C4) were used for detecting the imagery of left and righthand movements. The features used were band powers (BP), some time domain parameters (TDP) and an adaptive autoregressive model (AAR). For classification, linear discriminant analysis (LDA), a wellknown and simple classifier was used.The data was taken from the third BCI Competition. Our results confirm that BP features provide the most robust and effective features for accurate recognition. It was shown that combining the BP with TDP and AAR features can improve the accuracy of classification. However, implementing BP and TDP features is proposed for online classification where short computational cost is important. A maximum steepness of the mutual information (STMI) of 0.2582 was achieved in this study that could win the second place in the BCI Competition III. Left and right motor imagery (MI) tasks can be discriminated with an average classification accuracy of 85% and Kappa of 70%.