بررسی و تحلیل روش های استخراج ویژگی مبتنی بر الگوی فضایی مشترک جهت کلاسه بندی سیگنال های EEG در سیستم های واسط مغز-رایانه

در سالهای اخیر تحقیقات بسیاری برای کلاسه بندی سیگنال های مغزی ناشی از فعالیت های ذهنی ارائه شده است. دراین بین الگوریتم الگوی فضایی مشترک (CSP) به دلیل عملکرد بالا در کلاسه بندی و فیلترهای فضایی مفید به دست آمده از این روش، محبوبیت بیشتری کسب کرده است. اما این روش دارای معایبی است که عملکرد آن را تحت تأثیر قرار می دهند. روش CSP، ماتریس های کواریانس دو کلاس را به طور همزمان قطری می کند اما تخمین ماتریس کواریانس به شدت تحت تأثیر نویز و نقاط دورافتاده قرار دارد و همچنین ساختار زمانی سیگنال های مغزی درنظر گرفتهنمی شود. از دیگر معایب این روش، وابستگی آن به انتخاب باند فرکانسی فیلترهایی است که بر داده ها اعمال می شود.علاوه بر این، روش CSP فقط برای مسائل دو کلاسه مطرح شده است. به همین جهت، تحقیقات مختلفی برای برطرف کردن این مشکلات ارائه شده است. در این مقاله انواع روشهای استخراج ویژگی مبتنی بر الگوریتم CSP برایطبقه بندی سیگنال های مغزی در سیستم های واسط مغز-رایانه مورد بررسی و تحلیل قرار گرفته است و نشان دادهمی شود که در بین روش های بهبود تخمین ماتریس کواریانس و روش های انتخاب باند فرکانسی بهینه، به ترتیب روش LTCCSP و OVR-FBCSP دارای بهترین عملکرد می باشند.

کلیدواژه ها:

سیگنال مغزی ، واسط مغز-رایانه ، استخراج ویژگی ، الگوی فضایی مشترک