رده‌‎بندی سیگنال‎های مغزی eeg برای تشخیص بین دو واژه در گفتار خاموش

در این پژوهش، یک رابط مغزرایانه در کاربرد مکالمه خاموش برای شناسایی و تفکیک بین دو واژه پیاده سازی شده است. در طی آزمایش، بر اساس یک زمان‌بندی مشخص، افراد یکی از دو واژه یا سکوت را که به‌صورت تصادفی انتخاب شده است، بدون آن‌که برزبان آورند؛ در ذهن خود تکرار می کنند و سیگنال های مغزی آنان توسط یک دستگاه ثبت eeg آزمایشگاهی چهارده کاناله ثبت می شود. پس از پیش پردازش و حذف داده های مخدوش، ویژگی های مناسب از این سیگنال ها استخراج و برای شناسایی به یک رده بند داده می شود. دو ترکیب برای استخراج ویژگی و رده‌بندی انتخاب و بررسی شدند: استخراج ضرایب ویولت همراه با رده‌ بند svm و ویژگی حاصل از تحلیل مولفه های اساسی همراه با رده‌ بند کمینه فاصله که ترکیب نخست عملکرد بهتری از خود نشان داد. تعداد کل رده‌ ها در این آزمایش سه عدد بوده که شامل دو واژه منتخب و سکوت می باشد. نتایج حاصل، نشان‌دهنده امکان تفکیک واژگان با دقت متوسط 56.8 درصد (بیش از 1.7 برابر نرخ تصادف) است که در سازگاری با نتایج گزارش‌شده در فعالیت های مشابه است؛ اما هنوز دقت کافی برای کاربردهای واقعی ندارد.

Classification of EEG Signals for Discrimination of Two Imagined Words

In this study, a BrainComputer Interface (BCI) in SilentTalk application was implemented. The goal was an electroencephalograph (EEG) classifier for three different classes including two imagined words (Man and Red) and the silence. During the experiment, subjects were requested to silently repeat one of the two words or do nothing in a preselected random order. EEG signals were recorded by a 14 channel EMOTIV wireless headset. Two combinations of features and classifiers were used: Discrete Wavelet Transform (DWT) features with Support Vector Machine (SVM) classifier and Principle Component Analysis (PCA) features with a MinimumDistance classifier. Both combinations were capable of discriminating between the three classes much better than the chance level (33.3%), none of them was reliable and accurate enough for a real application though. The first method (DWT+SVM) showed better results. In this case, feature set was D2, D3, D4 and A4 coefficients of 4level DWT decomposition of the EEG signals, roughly corresponding to major frequency bands (Delta, Theta, Alpha and Beta) of these signals. Three binary SVM machines were used. Each machine was trained to classify between two of the three classes, namely Man/Red, Man/Silence or Red/Silence. Majority Selection Rule was used to determine final class. Once two of these classifiers presented the true class, a win (correct classification) was counted, otherwise a loss (false classification) was considered. Finally, MonteCarlo Cross Validation showed an overall performance of about 56.8% correct classification which is comparable with the results reported for similar experiments.