طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI

رابط مغز و کامپیوتر مبتنی بر تخیل حرکتی (MI) به عنوان یک روش موثر برای برقراری ارتباط مستقیم بین مغز و دستگاه های الکترونیکی خارجی ارائه شده است. مساله اصلی در سیستمهای BCI تبدیل سیگنالهای تولید شده در مغز به دستورات قابل اعتماد برای کنترل دستگاههای الکترونیکی است. سیگنال الکتروانسفالوگرافی (EEG) پرکاربردترین سیگنال در پژوهشهای مرتبط با BCI است. اخیرا ترکیب با برخی سیگنال های حیاتی دیگر نظیر طیف سنجی نزدیک مادون قرمز (NIRS) برای افزایش کارآیی سیستمهای BCI مورد توجه قرار گرفته است. مهمترین چالش در سیستمهای BCI با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگیهای سیگنالهای مختلف است. برای این منظور، در این مقاله ابتدا سیگنالهای EEG و اجزای NIRS، شامل HbO و HbR، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکه های عصبی کانولوشنی یک بعدی، ویژگی های عمیق از هر زیرباند استخراج شده و با هم ادغام می شوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه و تحلیل اجزای اصلی با هسته (KPCA)، ویژگیهای غیرمفید را حذف کرده و ویژگیهای باقیمانده با استفاده از بردار پشتیبان ماشین طبقه بندی میشوند. نتایج نشان میدهند روش پیشنهادی دقت بالایی دارد و روشهای ارائه شده اخیر را بهبود میدهد.

کلیدواژه ها:

الکتروانسفالوگرافی ، شبکه عصبی کانولوشنی ، طیف سنجی نزدیک مادون قرمز ، کاهش ویژگی ، واسط مغز و کامپیوتر