تحلیل چنددامنه ای سیگنال های مغزی تحریک شده برای شناسایی محتوای بصری چندکلاسه: رویکردی مبتنی بر ویژگی های زمان، فرکانس و فضا

در این مقاله، یک چارچوب جامع برای تحلیل و طبقه بندی محتوای بصری چندکلاسه مبتنی بر سیگنال های الکتروانسفالوگرافی تحریک شده ارائه شده است. با توجه به چالش های متعدد در استخراج ویژگی های معنادار از سیگنال های مغزی، رویکرد پیشنهادی بر تحلیل ترکیبی استخراج ویژگی در حوزه های زمانی، فرکانسی، زمان فرکانس و محلی تمرکز دارد. ویژگی های استخراج شده با استفاده از روش های کلاسیک و ساختاری از سیگنال های الکتروانسفالوگرافی در کنار آزمون آماری Kruskal-Wallis انتخاب شده اند. سپس با بهره گیری از مدل های طبقه بندی متنوع، از جمله ماشین بردار پشتیبان، K-نزدیک ترین همسایه، پرسپترون چندلایه، درخت تصمیم و شبکه های عصبی کانولوشنی، عملکرد مدل ها ارزیابی گردید. نتایج نشان می دهد که ویژگی های حوزه زمان فرکانس و سیگنال ثبت شده از کانال Fz، میانگین دقت ۹۲/۸۴٪ را در طبقه بندی چهارکلاسه بصری ارائه می دهند و بالاترین عملکرد را در میان سایر ترکیب ها دارد که نسبت به مراجع گذشته بین ۲ تا ۸ درصد بهبود داشته است. (با توجه به تعداد کلاس این افزایش مطلوب است) همچنین، روش های استخراج ویژگی ۱D-LGP و LNDP نیز با دقت های بالا (۸۳%) و مقاومت در برابر تغییرات کلاس ها، عملکرد قابل توجهی نشان دادند. این چارچوب پیشنهادی علاوه بر افزایش دقت طبقه بندی، از نظر محاسباتی نیز کارآمد بوده و قابلیت به کارگیری در سیستم های زمان واقعی را دارد.

کلیدواژه ها:

سیگنال EEG ، تحلیل زمان فرکانس (TFDF) ، استخراج ویژگی سیگنال مغزی ، طبقه بندی محتوای بصری ، انتخاب ویژگی آماری