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 کنند. در میان بسیاری از فناوریهای تصویربرداری غیرتهاجمی مغز ،الکتروانسفالوگرافی (EEG) و طیف سنجی عملکردی مادون قرمز نزدیک (fNIRS) به دلایل اقتصادی راحتی و قابلیت حمل به طور گسترده در پزشکی ،توانبخشی کنترل مکانیکی کاربردهای نظامی و سایر زمینه ها استفاده شده اند 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 میدهیم با توجه به ماهیت غیر خطی و غیرایستان بودن سیگنالهای ذخیره شده پیشنهاد میکنیم که از تبدیل موجک گسسته با بیشینه همپوشانی (Modwt) برای تحلیل آنها استفاده شود. بعد از تجزیه سیگنالها به چندین زیرباند، ویژگی زیر باندهای 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. هم چنین استفاده از سیگنال ترکیبی EEG + fNIRS دقت طبقه بندی بالاتری نسبت به استفاده منفرد از هر کدام از سیگنالهای EEG و fNIRS دارد.

کلیدواژه ها:

واسط مغز و کامپیوتر ، تبدیل موجک با بیشینه همپوشانی ، انرژی ، سیگنال EEG ، سیگنال fNIRS