استفاده از طبقه‌بند PCVM در سیستم واسط مغز- رایانه کاربرفرما به منظور بهبود تشخیص حرکت پا

اساس سیستم‌های‌ واسط مغز-رایانه (bci) کاربرفرما آشکارسازی و تشخیص بازه‌های رخداد یک فعالیت ذهنی مانند تصور حرکت از سیگنال خودبخودی مغز است که این مساله به دلیل ماهیت غیرایستان و پیچیده سیگنال الکتروانسفالوگرام (eeg) مهمترین چالش در طراحی سیستم‌های bci است. در این مقاله برای اولین بار از یک الگوریتم جدید طبقه‌بندی مبتنی بر یادگیری تنک به نام pcvm در طراحی سیستم bci کاربرفرما استفاده شده است. هدف اصلی مقاله بررسی میزان موفقیت این طبقه بند در آشکارسازی بازه‌های وقوع حرکت پا در سیگنال پیوسته eeg است. pcvm در مقایسه با svm -که تاکنون عملکرد بسیار موفقی در سیستم‌های bci مبتنی بر حرکت و تصور حرکت داشته است- مزایای قابل توجهی از جمله ارایه خروجی به صورت احتمال تعلق دادگان به هر یک از طبقه‌ها و همچنین تعیین پارامترهای بهینه کرنل همزمان در الگوریتم یادگیری دارد. بعلاوه در این مقاله از فیلترهای با ضریب کیفیت ثابت به منظور تجزیه فرکانسی سیگنال استفاده شده است که به دلیل ماهیت قدرت تفکیک متغیر زمانی و فرکانسی در فرکانس‌های مرکزی مختلف، نقش موثرتری در تمایز الگوهای مربوط به بازه حرکت از سیگنال پس‌زمینه مغزی ایفا می کند. متوسط نتایج حاصل از طراحی سیستم کاربرفرما با استفاده از روش پیشنهاد شده در این مقاله برای دادگان ثبت شده از 7 کاربر حین انجام حرکت پا بصورت %90= tpr و %4= fpr بدست آمد که در مقایسه با کارهای پیشین برای همین مجموعه دادگان، بهبود قابل ملاحظه ای (16% بهبود tpr و 2% بهبود fpr) حاصل شد.