مریم عزیزی - گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
مهدی آذرنوش - گروه مهندسی پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

همواره طراحی بخش نرم افزاری یک سیستم BCI که به طور معمول با صحت طبقه بندی کم همراه است، از مشکلاتپیشروی محققین محسوب میشود. در این مقاله، برای تشخیص تصور حرکت دست راست و دست چپ، ویژگی هاییشامل بعد فرکتال و روش کتز (Katz) و هیگوچی (Higuchi) استخراج می شوند. در گام نخست جهت افزایش دقت طبقه بندی، ویژگی های استخراج شده با تکیه بر روش خوشه بندی درخت تصمیم بازآرای و چینش می گردند. داده های خوشه بندی شده دارای ابعاد بالایی هستند و از این رو الگوریتم تکاملی ژنتیک به انتخاب بهترین ویژگی ها می پردازد. در نهایت این طبقه بند فازی-ماشین بردار پشتیبان (FSVM) است که داده های کاهش بعد داده شده را با صحت طبقه بندی بالاتر از 87 % کلاسه بندی میکند و تصور حرکتی دست راست را با ضریب اطمینان قابل قبولی از تصورحرکتی دست چپ تفکیک می سازد. نتایج حاصل آمده، نمایانگر عملکرد کارآمد سیستم خودکار تفکیک کننده بخش BCI است و این ادعا با محاسبه ضریب همبستگی میسر شده است. بکارگیری این الگوریتم در بخش نرم افزاری BCI میتواند تا حد گستردهای در کمک به افرادی که با ناتوانایی های حرکتی و یا معلولیت دست و پنجه نرم می کنند، اثرگذار باشد.

رابط مغز رایانه (BCI)، ویژگی های فراکتال، الگوریتم ژنتیک، درخت تصمیم، طبقه بند فازی-ماشین بردار پشتیبان (FSVM)