شناسایی پتانسیل برانگیخته بینایی مدوله­شده با کد (c-vep) در رابط­های مغز-رایانه با استفاده از استخراج شرطی مولفه­های مود ذاتی و شبکه عصبی عمیق کانولوشنی

رابط­های مغز-رایانه (bcis ) کاربران را قادر می­سازند تا با استفاده از فعالیت مغز رایانه را کنترل کنند. طبقه­بندی سیگنال­های مغزی نقش اساسی در سیستم­های رابط مغز-رایانه دارد که ویژگی­های پیچیده ذاتی آن، تجزیه و تحلیل و مدل­سازی آن را به چالش می­کشد. در این پژوهش یک رویکرد نوین بر مبنای استخراج شرطی مولفه ­های مود ذاتی و یادگیری عمیق برای رمزگشایی اطلاعات حسی از پتانسیل­های مغزی غیر­تهاجمی ثبت­شده، معرفی می­گردد. این رویکرد می­تواند در رابط­های مغز-رایانه مبتنی بر پتانسیل برانگیخته بینایی مدوله شده با کد باینری برای پیش­بینی خصوصیات محرک بینایی مورد استفاده قرار گیرد. با پیاده­سازی روش پیشنهادی بر روی پایگاه داده متشکل از 9 سوژه سالم به میانگین دقت 76.7% و میانگین نرخ انتقال اطلاعات 736.5 بیت بر دقیقه دست یافتیم. همچنین برای بهترین سوژه به نرخ انتقال اطلاعات 1426.1 بیت بر دقیقه دست یافتیم که بالاترین نرخ انتقال اطلاعات گزارش­شده تا­کنون است.

Recognition of Code-Modulated Visual Evoked Potential (C-VEP) in Brain-Computer Interfaces Using Conditional Empirical Mode Decomposition and Deep Convolutional Neural Network

Brain-computer interfaces (BCIs) enable users to control a computer by utilizing brain activity. Brain signals classification plays a crucial role in brain-computer interface systems, which are challenging to get analyzed, and modeled due to their inherent complex properties. In this study, a novel approach based on conditional empirical mode decomposition and deep learning is introduced to decode sensory information from recorded non-invasive brain potentials. This approach can be used in brain-computer interfaces based on code modulated visual evoked potential to predict visual stimulus properties. By implementing the proposed method on a database consisting of 9 healthy subjects, we achieved an average accuracy of 76.7% and an average information transfer rate (ITR) of 736.5 bit/minute. We also achieved an information transfer rate of 1426.1 bit/minute for the best subject, which is the highest information transfer rate ever reported.