تشخیص سیگنال هدف در محدوده زمانی کارآمد سیگنال پتانسیل برانگیخته بینایی

در مقاله حاضر یک روش جدید برای آشکارسازی سیگنال‌های هدف و غیرهدف با استفاده از انتخاب بازه‌های زمانی مناسب پتانسیل برانگیخته بینایی جهت افزایش دقت طبقه‌بند و کاهش تعداد ویژگی معرفی شده است. روش پیشنهادی، با استفاده از کانال‌های موثر و مشخص و طبقه بند swlda بر روی داده‌گان p300speller مسابقات bci2005 و داده‌های ثبت‌شده توسط هافمن پیاده سازی گردید. روش‌های موجود برای تعیین سیگنال حاوی p300، از بازه مشخصی در حدود یک ثانیه بعد از هر تحریک استفاده می‌کنند. در این مقاله، ابتدا محدوده زمانی مولفه‌های مختلف پتانسیل برانگیخته بینایی شامل n400، p300، n170، n100، p50 و n20 را بر اساس نتایج به‌دست‌آمده از مقالات با پایه فیزیولوژی مشخص کردیم. سپس، بازه‌ها توسط معیارهای fscore و pcc امتیازبندی شدند. مولفه‌های مهم و تاثیرگذار پتانسیل برانگیخته بینایی با استفاده از الگوریتم sfs و طبقه بند swlda انتخاب شدند. به‌منظور بررسی توانمندی روش، عملکرد ترکیبات بهینه نسبت به طول زمانی کل سیگنال توسط دو طبقه‌بند بیزین و knn نیز مقایسه شدند. نتایج آزمایش بر روی 10 شخص نشان داد که مهم‌ترین مولفه‌ها برای جداسازی سیگنال‌های هدف و غیرهدف به ترتیب p300، n100 و n400 هستند. روش پیشنهادی دقت تشخیص خروجی را به میزان% 3.95  بهبود داد.

Target Signal Detection from Efficient Time-Segments of VEP Signal

The present study aimed at scheming a novel method of detecting target and nontarget signals through selection of appropriate and timely chronic intervals of VEP signal leading to increasing the accuracy of data classification and decreasing the number of features. The suggested method was employed on the P300Speller databases of the BCI2005 competitions and the data recorded by Hoffman et al. using effective and specified channels and SWLDA classifier.The methods available for determining the P300 signals are within a specified range of about 1 second after each stimulation. To this end, we first outlined the time range of the various components of visual Evoked potential including N20, P50, N100, N170, P300, N400 based on the results obtained from the physiologicallybased articles. Then, the time intervals were scored by FScore and the percentages of correct classifications. The most important and effective components of the VEP were selected by SFS Algorithm  using the SWLDA classifier and the functions of the optimal combinations were compared with the total length of the signal utilizing two other classifiers namely Bayesand K_NN in order to confirm the functionality of the method. The findings, based on the results obtained from ten subjects, indicated that the most important components for detecting target and nontarget signals include P300, N100, and N400 respectively. The method suggested here proved to improve the accuracy of output detection by 3.95%.