روش ترکیبی تجزیه‌ی حالت تجربی با cca یا lasso برای تشخیص فرکانس تحریک ssvep

امروزه استفاده از سیستم‌ رابط مغز-رایانه مبتنی بر پتانسیل‌های برانگیخته‌ی بینایی حالت ماندگار به دلیل مزایایی مانند صحت قابل قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. با وجود این مزایا، نویزهای ناخواسته‌ای که ssvep را تحت تاثیر قرار می‌دهد از مسائلی است که می‌تواند سبب کاهش کارایی چنین سیستم‌هایی شود. در این مقاله از الگوریتم emd در مرحله‌ی ابتدایی و از روش‌های cca یا lasso برای بازشناسی فرکانس تحریک استفاده شده است. در گام اول، الگوریتم emd اعمال شده است تا سیگنال غیرایستان ssvep به توابعی نوسانی تجزیه شده و امکان استخراج ویژگی‌های بامعنی از سیگنال ssvep فراهم شود. در بین imf-های به دست آمده از روش emd، تنها imf-هایی انتخاب شده که دامنه‌ی طیف فرکانسی آن‌ها در محدوده‌ی فرکانسی مربوط به تحریک بیش‌تر بوده است. با این گزینش می‌توان سیگنال‌های حاوی نویز و فاقد اطلاعات ارزشمند را کنار گذاشت. در ادامه دو روش تشخیصی cca و lasso روی مجموع سیگنال‌های انتخابی اجرا شده است تا به کمک آن‌ها فرکانس تحریک شناسایی شود. نتایج شبیه‌سازی، صحت بازشناسی 81.76 و 82.26 درصد را به ترتیب برای روش‌های emd-cca و emd-lasso نشان داده در حالی که دو روش پایه‌ی cca و lasso به ترتیب دارای صحت‌های 78.10 و 78.72 درصد می‌باشند.

combined method of emd with cca or lasso to detect ssvep frequency

nowadays, brain-computer interface system based on steady-state visual evoked potentials is increased due to advantages such as accepted accuracy and minimal need for user training. despite these benefits, the unwanted noise that affects ssvep is one of the issues that can reduce the efficiency of such systems. this paper uses the emd algorithm in the initial phase and cca or lasso for the recognition of the stimulation frequency. in the first step, the emd algorithm is applied so that non-stationary ssvep signal breaks into oscillating functions and meaningful information are extracted. among the imfs obtained from the emd method, only imfs whose amplitude of the frequency spectrum in the frequency ranges corresponding to the excitation is higher were selected. with this selection, noisy signals and unprofitable information can be omitted. in the proposed method, two cca and lasso diagnostic methods were performed on the sum of selected signals to identify the frequency of stimulation. the simulation results show the recognition accuracy of 81.76% and 82.26% for the proposed method emd-cca and emd-lasso, respectively. while detection accuracy is 78.10% and 78.72% for conventional methods of cca and lasso.