بازشناخت تصور حرکتی در افراد دارای معلولیت با استفاده از الگوی طیفی فضای پراکنده مشترک (csssp) و انتخاب ویژگی ‌های متوالی (sfs)

تصور حرکتی یک فرآیند ذهنی به منظور آمادگی جهت حرکت است. سیستم رابط مغزی، ارتباط مستقیم بین مغز و رایانه را برای آگاهی از درخواست های یک فرد و استفاده از آنها به عنوان سیگنال کنترلی برای دستگاه های خارجی آماده مینماید. پیش پردازش، استخراج ویژگی ها و طبقه بندی سیگنال ها مراحل اصلی مطالعه هستند. رویدادهای تصور حرکتی در سه باند فرکانسی بتا، مو و گاما رخ می دهند. پس از پیش پردازش داده های eeg (electroencephalogram)مرحله بعدی اعمال فیلترهایی به منظور کاهش نویز موجود در سیگنال است. در ادامه روش های مختلف استخراج ویژگی و طبقه بندی تصور حرکتی بر روی داده ها پیاده سازی می شود. مطالعات تصویربرداری عملکردی نشان داده است که تصور حرکتی از فعال شدن مدارهای عصبی درگیر در مراحل اولیه کنترل حرکتی ناشی می شود. مطالعات نشان داده است که الگوریتمcsp (common spatial pattern) بهتر از سایر الگوریتم ها در تصور ذهنی حرکتی عمل می کند. به دلیل عدم وجود باند فرکانسی مناسب، نتایج روش csp وابسته به فرکانس رضایت بخش نیست، بنابراین cssp (common spatio-spectral pattern) مشابه فیلتر fir (finite impulse response) است، اما از آنجایی که این فیلتر تمام ضرایب یک فیلتر fir را ندارد، وجود نویز در سیگنال eeg می تواند به تعریف نابهینه فیلتر فرکانس منجر شود. برای حل این مشکل از روشcsssp (common sparse spatio spectral pattern) استفاده شده است. با بکارگیری روش پیشنهادی csssp با استفاده از انتخاب متوالی ویژگی برای استخراج ویژگی sfs (sequential feature selection) عملکرد csssp در بیشتر موارد در مقایسه با csp و cssp بهتر بوده و میانگین دقت 92.55 درصد بوده است.

imagined movement recognition in people with disabilities using common sparse spatio spectral pattern (csssp) and sequential features selection (sfs)

motor imagery is a mental process that includes preparation for movement. the brain interface system intends to prepare direct connectivity between the brain and the computer to be aware of the requests of an individual and use them as a control signal for external devices. motion imaging events occur in the three main frequency bands: beta, mu, and gamma. after preprocessing the eeg data, the next step is to apply various types of filters in order to reduce any residual noise present in the signal. numerous functional imaging studies showed that motion-imaging results from the specific activation of neural circuits involved in the early stages of motor control. studies have shown that the csp algorithm performs better than other algorithms. due to the lack of a suitable frequency band, the results of the frequency-dependent csp method are not satisfactory, so the cssp is similar to the fir filter, but since this filter does not have all the coefficients of an fir filter, the presence of noise in the eeg signal can lead to suboptimal definition of the frequency filter. the csssp algorithm was used to solve this problem. with using sequential feature selection for feature extraction, it was revealed that csssp performance has been better compared to the csp and cssp in most cases and the average accuracy was 92.55%.