طبقه بندی خودکار پاسخ های SSVEP با نمونه های آموزشی محدود و ماتریس کوواریانس تنظیم شده مبتنی بر انقباض

یکی از چالش های اساسی در توسعه سیستم های رابط مغز و رایانه (BCI)، پایین بودن نرخ انتقال اطلاعات (ITR) است. استفاده از زمان تحریک کوتاه راه حلی است که دارای مزیت های افزایش مقدار ITR و کاهش خستگی ذهنی کاربران است. به هنگام استفاده از زمان تحریک کوتاه، الگوریتم های مبتنی بر شکل دهی پرتو واریانس کمینه با محدودیت خطی (LCMV) عملکرد مناسبی نسبت به سایر طبقه بندها فراهم می کنند. اما عملکرد آن ها در شرایط مذکور بدلیل تخمین بد ماتریس کوواریانس همچنان پایین است. برای بهبود عملکرد شکل دهنده پرتو LCMV، این مطالعه چهار ماتریس کوواریانس تنظیم شده مبتنی بر انقباض؛ شامل ترکیب محدب (CC)، ترکیب خطی کلی (GLC)، CC اصلاح شده (MCC) و GLC اصلاح شده (MGLC) را پیشنهاد می کند. تخمین گر های پیشنهادی با بهبود تخمین بردار وزن به کار رفته در شکل دهنده پرتو مکانی-زمانی LCMVst عملکرد طبقه بندی را بهبود می دهند. نتایج نشان داد که به هنگام استفاده از کوتاه ترین زمان تحریک (۲۵/۰ ثانیه)، شکل دهنده های پرتو پیشنهادی LCMVst-MCC و LCMVst-MGLC بهبود قابل توجهی در حدود ۲۷ درصد در میانگین دقت طبقه بندی نسبت به LCMVst ارائه کردند. همچنین، روش های LCMVst-MCC، LCMVst-MGLC نسبت به روش های LCMVst-CC، LCMVst-GLC بهبود تقریبی ۹ درصد را در دقت طبقه بندی ارائه کردند. نتایج نشان می دهد که شکل دهنده های پرتو پیشنهادی دارای پتانسیل بالایی در توسعه سیستم های BCI مبتنی بر SSVEP هستند.

کلیدواژه ها:

رابط مغز و رایانه ، پتانسیل برانگیخته بصری حالت پایدار ، شکل دهنده پرتو وفقی ، ماتریس کوواریانس تنظیم شده مبتنی بر انقباض ، الکتروانسفالوگرام