سیستمهای واسط مغز-رایانه
مریم فرهادنیا؛ سپیده حاجی پور؛ محمد میکاییلی
دوره 17، شماره 1 ، خرداد 1402، ، صفحه 1-10
چکیده
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیلهای برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابلقبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیلهای بینایی حالت ماندگار یکی از مهمترین الگوهای استفاده شده در سیستمهای BCI هستند که در ناحیه پسسری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید ...
بیشتر
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیلهای برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابلقبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیلهای بینایی حالت ماندگار یکی از مهمترین الگوهای استفاده شده در سیستمهای BCI هستند که در ناحیه پسسری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید میشوند. یکی از روشهای کارا برای استخراج فرکانس SSVEP در سیستمهای BCI، روش تجزیه و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که تانسوریشده روش کلاسیک تجزیه و تحلیل ضرایب همبستگی (CCA) است و مبتنی بر دادههای چندبعدی است. در این مقاله، با الهام از روش MCCA، دو الگوریتم جدید (PARAFAC-CCA و C-PARAFAC-CCA) با استفاده از ترکیب روش CCA و تجزیه تانسوری PARAFAC معرفی شدهاست که هدف الگوریتمهای پیشنهادی بهبود سیگنال مرجع اولیه و دستیابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستمهای BCI میباشد. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه PARAFAC روی دادههای چندبعدی آموزش و بدست آوردن مولفه زمانی، روش CCA را بین مولفه زمانی بدست آمده و سیگنال مرجع سینوسی-کسینوسی پیادهسازی نموده و از خروجی آن، سیگنال مرجع بهینه ساخته میشود. در نهایت از الگوریتم MLR بین داده تست EEG و سیگنال مرجع بهینه به منظور دستیابی به فرکانس هدف استفاده میشود. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده، با این تفاوت که در محاسبه مولفه زمانی از PARAFAC مقید استفاده میشود به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمالشده و مولفه زمانی بهبود داده میشود. کارایی الگوریتمهای ارائه شده بر روی مجموعه دادگان واقعی، مورد بررسی قرار گرفته و نشان داده شد که در مقایسه با روش MCCA، الگوریتمهای پیشنهادی به طور میانگین به صحت تشخیصی بالاتری رسیدهاند.