بازشناسی دیداری اشیاء از سیگنال تک ثبت eeg

ارتباط بین فعالیت‏های مغزی که با روش‏های مختلف مانند الکتروانسفالوگرافی (eeg) ثبت می‏شوند با مسائل دنیای واقعی اهمیت بررسی آنها را دوچندان کرده است. با این وجود سطح بالای نوفه (noise) در سیگنال‏های ثبت شده eeg و اختلافات موجود بین داده‏های ثبت شده کاربران مختلف کار طبقه بندی سیگنال‏های دریافتی را با چالش جدی مواجه می کند. در این مطالعه ظرفیت برخی از الگوریتم‎های معروف یادگیری ماشین برای یادگیری ویژگی‎های مهم و بارز از روی سیگنال‎های eeg که با روش تک ثبت از پاسخ‎های مغز به تصاویر محرک ضبط شده اند را ارزیابی کرده و ارایه می‎دهیم. علاوه بر بررسی و مطالعه‎ی روش‎های مختلف، نشان داده شده است که چگونه با نگاشت صحیح کل فضای داده‎ای به فضای ویژگی‎های بامعنی (ifs) کارایی تقریبا همه‎ی روش‏های دسته‎بندی‎ سیگنال‎های eeg که در این تحقیق استفاده شده‏اند را بهبود دهیم. نتایج بررسی‎های ما از تمامی نتایج مشابه روی مجموعه‎داده‎ی بررسی شده بهتر است و توانایی مناسب و موفق برخی از الگوریتم‎های یادگیری ماشین در به دست آوردن ساختار مجزا و تفکیک ‎شده‎ی دسته‎های اشیا در دسته‎بندی سیگنال‎های ذخیره شده‏ی تک ثبت را نشان می‎دهد.