رضا فوده؛ وحید شالچیان؛ محمدرضا دلیری
دوره 10، شماره 3 ، مهر 1395، ، صفحه 267-277
چکیده
استخراج ویژگی‌های تفکیک‌پذیر، بخشی مهم در سیستم‌های واسط مغز-کامپیوتر (BCI) است، که می‌تواند بر کارایی طبقه‌بندی، تاثیر‌گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستم‌های BCI مبتنی‌بر تصورات حرکتی، استفاده می‌شود. CSP سعی می‌کند تا مناسب‌ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) ...
بیشتر
استخراج ویژگی‌های تفکیک‌پذیر، بخشی مهم در سیستم‌های واسط مغز-کامپیوتر (BCI) است، که می‌تواند بر کارایی طبقه‌بندی، تاثیر‌گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستم‌های BCI مبتنی‌بر تصورات حرکتی، استفاده می‌شود. CSP سعی می‌کند تا مناسب‌ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. به‌طور معمول پیش از اعمال CSP، سیگنالهای EEG در باند فرکانسی 30-8 هرتز، فیلتر می‌شوند تا ریتم‌های مربوط به ناهمگامی وابسته به رویداد (ERD)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، می‌تواند تأثیر بسزایی در بهبود صحت طبقه‌بندی داشته باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO)، روش یادگیری نوینی را برای به دست آوردن هم‌زمان فیلترهای طیفی و فضایی ارائه می‌دهیم. همچنین، از معیار اطلاعات متقابل بین ویژگی‌های استخراج‌شده و برچسب گروه‌ها، به‌عنوان تابع هزینه استفاده می‌شود. شبیه‌سازی‌های انجام‌شده روی مجموعه دادة یک از رقابت BCI، نشان می‌دهد که صحت طبقه‌بندی روش پیشنهادی، به‌طور معناداری بیشتر از روش‌های CSP و بانک فیلتر CSP (FBCSP)، با دو نوع بانک فیلتر متفاوت، است.
پردازش سیگنالهای حیاتی
مهدی عبدالصالحی؛ علی مطیع نصرآبادی؛ سید محمد فیروزآبادی
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 143-153
چکیده
در این تحقیق به بررسی سیگنالهای الکتروانسفالوگرام در احساسات مثبت، منفی و خنثی پرداخته شده است. در این پژوهش، فرض شده است که مغز دارای منابع مستقل مختلفی در هنگام هر فعالیت احساسی بوده که این منابع توسط الگوریتم پردازش مولفه های مستقل (ICA) قابل مشاهده خواهند بود. برای غلبه بر مشکل نامشخص بودن ترتیب مولفه های استخراج شده در الگوریتم ...
بیشتر
در این تحقیق به بررسی سیگنالهای الکتروانسفالوگرام در احساسات مثبت، منفی و خنثی پرداخته شده است. در این پژوهش، فرض شده است که مغز دارای منابع مستقل مختلفی در هنگام هر فعالیت احساسی بوده که این منابع توسط الگوریتم پردازش مولفه های مستقل (ICA) قابل مشاهده خواهند بود. برای غلبه بر مشکل نامشخص بودن ترتیب مولفه های استخراج شده در الگوریتم ICA ابتدا با استفاده از آنتروپی شانون، این منابع مرتب و سپس از روی این منابع مرتب شده، ویژگی های بعد فراکتالی Katz و اولین محل کمینه شدن اطلاعات متقابل بر حسب تاخیر به عنوان نمایش دهنده های تعین استخراج شده اند. نتایج نشان می دهد که میزان تعین منابع مرتب شده دارای اختلاف معنی داری در طول زمان و در سه حالت احساسی مثبت، منفی و خنثی می باشد. میزان تعین در حالت های احساسی خنثی، منفی و مثبت به ترتیب افزایش می یابد.
