یک روش جدید برای استخراج ویژگی به استفاده از اطلاعات متقابل و الگوریتم ژنتیک جهت طبقه بندی سیگنالهای مغزی در سیستم های ارتباط مغز با کامپیوتر

یکی از مسائل مهم در بهبود عملکرد طبقه بندی ها، کاهش ابعاد فضای ویژگی است. به طور کلی دو روش برای کاهش ابعاد فضای ویژگی وجود دارد. در روش اول که انتخاب ویژگی نامیده میشود، فقط ویژگی هایی که در طبقه بندی مفید هستند، انتخاب می شوند و در روش دوم که استخراج ویژگی نامیده می شود، ویژگی های جدیدی از روی ویژگی های اصلی به منظور بهبود دقت طبقه بندی کننده ساخته می شود. ر این تحقیق یک الگوریتم استخراج ویزگی کاملاً جدید با استفاده از اطلاعات متقابل و الگوریتم ژنتیک به منظور کاهش بعد فضای ویژگی ارائه گردیده است. در این روش سعی می شود بر اساس ویژگی های موجود، ویژگی های جدیدی ساخته شوند که حداکثر اطلاعات را در رابطه با کلاس ها داشته، و اطلاعات متقابل میان ویژگی های استخراج شده حداقل باشد. بهمنظور بررسی توانایی روش پیشنهادی، الگوریتم ارائه شده برای طبقه بندی سیگنال های مغزی در سیستم های ارتباط مغز با کامپیوتر به کار گرفته شده است. هدف در این سیستم ، تشخیص تصور بستن پنجه و دست و حالت استراحت ذهنی است. ازمایشات بر روی پنج فرد سالم و هر فرد چهار یا پنج آزمایش در روزهای مختلف انجام شده است. نتایج نشان می دهد که عملکرد طبقه بندی کننده با استفاده از ویژگی های استخرا شده به وسیله اطلاعات متقابل و الگوریتم ژنتیک بهبود یافته است.