استفاده از تبدیل موجک گسسته با بیشینه همپوشانی برای طبقه بندی سیگنالهای ترکیبی eeg + fnirs

سیستمهای واسط مغز و کامپیوتر (bci) وضعیت روانی بیمار را تجزیه و تحلیل کرده و سپس دستگاه های خارجی را کنترل می کنند. در میان بسیاری از فناوری‌ های تصویربرداری غیرتهاجمی مغز، الکتروانسفالوگرافی (eeg) و طیف‌سنجی عملکردی مادون قرمز نزدیک (fnirs) به دلایل اقتصادی، راحتی و قابلیت حمل به طور گسترده در پزشکی توانبخشی، کنترل مکانیکی، کاربردهای نظامی و سایر زمینه‌ها استفاده شده‌اند. نشان داده شده است که استفاده از سیگنالهای ترکیبی eeg + fnirs عملکرد بهتری نسبت به استفاده منفرد از هر کدام از سیگنالها دارد. از این در این مقاله روش جدیدی برای طبقه بندی عملکردهای bci با استفاده از سیگنالهای ترکیبی eeg + fnirs ارائه می دهیم. با توجه به ماهیت غیرخطی و غیرایستان بودن سیگنال های ذخیره شده پیشنهاد می کنیم که از تبدیل موجک گسسته با بیشینه همپوشانی (modwt) برای تحلیل آنها استفاده شود. بعد از تجزیه سیگنال ها به چندین زیرباند، ویژگی زیرباندهای محاسبه شده به عنوان ویژگی محاسبه شده و در نهایت با استفاده از طبقه بند knn، عملکردهای bci طبقه بندی می شوند. نتایج به دست آمده نشان میدهند که روش پیشنهادی نسبت به سایر روشها دقت تشخیص بالاتری دارد. همچنین استفاده از سیگنال ترکیبی eeg + fnirs دقت طبقه بندی بالاتری نسبت به استفاده منفرد از هرکدام از سیگنال های eeg و fnirs دارد.