تشخیص فرکانس در رابط‌های مغز و رایانه مبتنی بر ssvep با استفاده از ترکیب تجزیه‌ی parafac و آنالیز مولفه‌های کانونی

امروزه استفاده از سیستم‌ رابط مغز و رایانه (bci) مبتنی بر پتانسیل‌های برانگیخته‌ی بینایی حالت ماندگار (ssvep) به دلایلی هم‌چون صحت قابل قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های bci بوده که در ناحیه‌ی پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می‌شود. یکی از  روش‌های کارآمد برای استخراج فرکانس ssvep در سیستم‌های bci، روش تجزیه‌ و تحلیل ضرایب همبستگی چندجهته (mcca) نام دارد که نسخه‌ی تانسوری شده‌ی روش کلاسیک تجزیه‌ و تحلیل ضرایب همبستگی (cca) بوده و مبتنی بر داده‌های چندبعدی است. در این مقاله با الهام گرفتن از روش mcca، دو الگوریتم جدید parafac-cca و c-parafac-cca با استفاده از ترکیب روش cca و تجزیه‌ی تانسوری parafac معرفی شده که  هدف این الگوریتم‌ها بهبود سیگنال مرجع اولیه و دست‌یابی به صحت بالاتر در تشخیص فرکانس ssvep در سیستم‌های bci است. در الگوریتم parafac-cca بعد از انجام تجزیه‌ی parafac روی داده‌های چندبعدی آموزش و به دست آوردن مولفه‌ی زمانی، روش cca بین مولفه‌ی زمانی به دست آمده و سیگنال مرجع سینوسی کسینوسی پیاده‌سازی شده و از خروجی آن، سیگنال مرجع بهینه ساخته شده است. در نهایت از الگوریتم mlr بین داده‌ی تست eeg و سیگنال مرجع بهینه به منظور دست‌یابی به فرکانس هدف استفاده شده است. مراحل کلی الگوریتم c-parafac-cca نیز مشابه parafac-cca بوده با این تفاوت که در محاسبه‌ی مولفه‌ی زمانی از parafac مقید استفاده شده به این صورت که در هر گام از الگوریتم als یک بار cca اعمال شده و مولفه‌ی زمانی بهبود داده شده است. کارایی الگوریتم‌های ارائه شده روی مجموعه‌ی دادگان واقعی مورد بررسی قرار گرفته و نشان داده شده که به طور میانگین صحت تشخیصی الگوریتم‌های پیشنهادی در مقایسه با روش mcca بالاتر است.

frequency recognition in ssvep-based bcis using combination of parafac decomposition and canonical component analysis

today, usage of brain-computer interface systems based on steady-state visual evoked potentials (ssveps) has been increased due to some advantages such as acceptable accuracy and minimal need for user training. steady-state visual potentials are one of the most important patterns used in bci systems, which are generated in the occipital region of the brain by visual stimulation between 6 and 60 hz. one of the effective methods for extracting the ssvep frequency in bci systems is called the multiway correlation coefficient analysis (mcca) method, which is a tensorized version of the classical correlation coefficient analysis (cca) method and is based on multidimensional data. in this paper, inspired by the mcca method, two new algorithms (parafac-cca and c-parafac-cca) have been proposed using the combination of cca and parafac decomposition. the purpose of the proposed algorithms is to improve the initial reference signal and achieve higher accuracy in ssvep frequency detection in bci systems. in the parafac-cca algorithm, after performing the parafac decomposition on the multidimensional training data and obtaining the time component, the cca method is implemented between the obtained time component and the sine-cosine reference signal, and the optimal reference signal is made from its output. finally, the mlr algorithm is used between the eeg test data and the optimal reference signal in order to achieve the target frequency. the general steps of the c-parafac-cca algorithm are also similar to parafac-cca, with the difference that in the calculation of the time component, constrained parafac is used in such a way that in each step of the als algorithm, cca is applied once and the time component is improved. the efficiency of the proposed algorithms was investigated on the real data set and it was shown that compared to the mcca method, the proposed algorithms have reached a higher average accuracy.