طبقه‌بندی سیگنال‌های ترکیبی eeg-fnirs با استفاده از ویژگی‌های عمیق کاهش‌یافته برای کاربردهای bci bci

رابط مغز و کامپیوتر (bci) مبتنی بر تخیل حرکتی (mi) به‌عنوان یک روش موثر برای برقراری ارتباط مستقیم بین مغز و دستگاه‌های الکترونیکی خارجی ارائه شده است. مسئله اصلی در سیستم های bci تبدیل سیگنال های تولید شده در مغز به دستورات قابل‌اعتماد برای کنترل دستگاه های الکترونیکی است. سیگنال الکتروانسفالوگرافی (eeg) پرکاربردترین سیگنال در پژوهش های مرتبط با bci است. اخیراً ترکیب با برخی سیگنال های حیاتی دیگر نظیر طیف سنجی نزدیک مادون‌قرمز (nirs) برای افزایش کار آیی سیستم های bci مورد توجه قرار گرفته است. مهم ترین چالش در سیستم های bci با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگی های سیگنال های مختلف است. برای این منظور، در این مقاله ابتدا سیگنال های eeg و اجزای nirs، شامل hbo و hbr، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکه های عصبی کانولوشنی یک بعدی، ویژگی های عمیق از هر زیرباند استخراج شده و با هم ادغام می شوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه‌وتحلیل اجزای اصلی با هسته (kpca)، ویژگی های غیرمفید را حذف کرده و ویژگی های باقیمانده با استفاده از بردار پشتیبان ماشین طبقه بندی می شوند. نتایج نشان می دهند روش پیشنهادی دقت بالایی دارد و روش های ارائه شده اخیر را بهبود می دهد.

classification of hybrid eeg-fnirs signals using reduced deep features for bci applications

the motor imagery (mi)-based brain-computer interface (bci) has been proposed as an effective method for direct communication between the brain and external electronic devices. in bci systems, the main challenge is converting brain signals into reliable commands to control electronic devices. electroencephalogram (eeg) is the most widely used signal in bci-related research. recently, it has been considered with some other biological signals, such as near-infrared spectroscopy (nirs), to increase the efficiency of bci systems. the most important challenge in multi-modal bci systems is combining the extracted features from different signals. for this purpose, in this paper, eeg and nirs components, including hbo and hbr, were first decomposed into different frequency bands. next, deep features are extracted from each band using a one-dimensional (1d) convolutional neural network (cnn). since the final feature vector has a high dimension, kernel principal component analysis (kpca) is employed to remove the irrelevant features, and the remaining ones are classified using the support vector machine (svm). the results show that the proposed method has high accuracy and improves the recently presented methods.