بررسی عملکرد تفکیک کننده‌ها و ویژگی‌های استخراجی جهت تفکیک الگوهای مغزی مربوط به فعالیت‌های ذهنی وابسته به چهار جهت اصلی

زمینه و هدف: هدف از پژوهش حاضر طراحی رابط مغزرایانه جهت تفکیک سیگنال های مغزی در حین تصور چهار جهت اصلی می باشد. به منظور نوآوری، افراد جهت های مورد نظر را با کمک قدرت تخیل در ذهن تصویرسازی کردند. الگوریتم آنالیز اجزاء مستقل برای نخستین بار هم در جهت استخراج آرتیفکت ها و هم در جهت تعیین سیگنال هدف استفاده گردید.مواد و روش ها: در این مطالعه توصیفی تحلیلی، ثبت سیگنال ها با دستگاه میکرومد و کلاه 19 کاناله به صورت تک قطبی انجام شده است. جامعه آماری شامل 3 فرد در بازه سنی 25 تا 30 سال و تکلیف طراحی شده شامل 24 نمایش از چهار جهت اصلی بوده است.یافته ها: شبیه سازی ها نشان داده اند که بهترین صحت های تفکیک به پنجره زمانی با طول 5/2 ثانیه مربوط بوده است و ویژگی ضرایب مدل خودبازگشتی مرتبه 15 بهترین انتخاب برای ویژگی استخراجی است. برای تمامی حالت های شبکه عصبی با تعداد لایه ها و نورون ها و توابع جداساز مختلف، صحت های تفکیک، تفاوت قابل مقایسه ای نداشتند. در مقایسه با شبکه عصبی، آنالیز جداکننده خطی (lda) صحت های طبقه بندی بهتری را نشان داد.نتیجه گیری: نتایج پژوهش حاضر با نتایج حاصل از روش هایی هم چون تصویرسازی تشدید مغناطیسی کارکردی (fmri) و روش های مبتنی بر سیگنال های مغزی در تصور واکه ای هم پوشانی دارد. در این پژوهش با استخراج سیگنال هدف از خروجی الگوریتم آنالیز اجزای مستقل و استخراج ویژگی ضرایب خودبازگشتی و پنجره گذاری با طول 5/2 ثانیه بهترین صحت تفکیک از تفکیک کننده آنالیز جداساز خطی حاصل گشت.

A Study on the Performance of Classifiers and Extracted Features in Discriminating EEG Patterns of Mental Activities Related to Four Main Directions

Background: The purpose of this research is to design a BrainComputer Interface to discriminate the brain signals while the brain images four main directions. To be innovative, the subjects have imaged the aimed directions by power of imagination, and for the first time, the ICA algorithm has been used to detect the aimed signal and to eliminate the artifacts.Materials and Methods: In this descriptiveana alytic study, signals are recorded by using a Micromed device and a 19channel helmet in unipolar mode. The statistical population included three persons in the age range of 25 to 30 and the designed task consisted of 24 slides of four main directions.Results: Simulations have shown that the best classification accuracy was the outcome of the 2.5second time windowing and the best choice for extracting features was the AR coefficients of 15 order. There was no significant difference between the classification accuracy of different implementation of the Artificial Neural Network classifier with different number of layers and neurons and different classification functions. In comparison with the Neural Network, the Linear Discriminant Analysis (LDA) showed better classification accuracies.Conclusion: The results of this research are in accordance with the results of the methods such as FMRI and methods based on the brain signals in vowel imagination. In this research, the best classification accuracy was obtained from the Linear Discriminant Analysis classifier by extracting the target signal from the output of the ICA algorithm and extracting the AR coefficients as feature and the 2.5second time windowing. The Linear Discriminant Analysis classifier result the best classification accuracies.