بهبود دقت تشخیص تصورات حرکتی با ترکیب ویژگیهای کلاسیک و عمیق و انتخاب ویژگی به کمک الگوریتمهای فراابتکاری

تصورات حرکتی، به معنای شبیه سازی ذهنی یک حرکت بدون اجرای واقعی آن، از مفاهیم کلیدی در توسعه رابط های مغز و رایانه محسوب می شود. تشخیص دقیق این تصورات از سیگنال های الکتروانسفالوگرافی می تواند به افراد دارای معلولیت این امکان را بدهد که تنها با استفاده از ذهن خود، دستگاه ها و پروتزهای حرکتی را کنترل کنند. این پژوهش با هدف بهبود دقت تشخیص تصورات حرکتی، روشی نوین ارائه کرده است که ترکیبی از ویژگی های کلاسیک و عمیق را به کار می گیرد. ویژگی های کلاسیک شامل مشخصه های آماری-فرکانسی، غیرخطی و ویژگی های استخراج شده از تبدیل موجک گسسته است. ویژگی های عمیق نیز با استفاده از یک شبکه عصبی کانولوشنی استخراج شده اند. برای کاهش پیچیدگی و انتخاب ویژگی های بهینه، از الگوریتم جستجوی خزندگان استفاده شده که با شناسایی موثرترین ویژگی ها، طبقه بندی نهایی را به کمک ماشین بردار پشتیبان انجام داده است. روش پیشنهادی روی مجموعه داده سوم از پایگاه داده BCI Competition II ارزیابی و به دقت چشمگیر ۹۹.۶۴ درصد در تشخیص دو کلاس تصور حرکتی (حرکت دست راست و دست چپ) دست یافته است. این نتایج نشان می دهد که ترکیب ویژگی های زمان-فرکانس به دست آمده از روش های کلاسیک با ویژگی های سطح بالای استخراج شده توسط شبکه عصبی کانولوشنی، اطلاعات جامع تری برای طبقه بندی فراهم می کند. همچنین، استفاده از الگوریتم جستجوی خزندگان باعث افزایش دقت طبقه بندی و کاهش ابعاد داده ها شده است. این پژوهش نشان می دهد که ترکیب روش های کلاسیک و عمیق می تواند بهبود چشمگیری در عملکرد سیستم های رابط مغز و رایانه ایجاد کند و نقش موثری در توسعه فناوری های توانبخشی به ویژه برای بیماران مبتلا به سکته مغزی و افراد دارای اختلالات حرکتی داشته باشد.

کلیدواژه ها:

تصورات حرکتی ، الکتروانسفالوگرافی ، رابط مغز و رایانه ، شبکه عصبی کانولوشنی ، تبدیل موجک ، الگوریتم جستجوی خزندگان ، یادگیری عمیق