طبقه بندی سیگنال های مغزی با استفاده از ویژگی های غیرخطی احتمال همگامی و احتمال همگامی فازی و مدل ANFIS

سیگنال های الکتروانسفالوگرافی (EEG) نشان دهنده پتانسیل بیوالکتریکی تولیدشده توسط سلول های عصبی قشرمغز است. تفسیر سیگنالهای EEG برای درک پارامترهای مشخصه از فعالیت مغز، مسئله اساسی سامانه های رابط مغرورایانه (BCI) است. ساخت یک BCI قابل استفاده و قابل اعتماد نیاز به یک طبقه بندی دقیق و مؤثر از سیگنال های EEG چندکاناله دارد. ازآنجاکه استخراج ویژگی نقش اساسی در تعیین عملکرد طبقه بندی ایفا می کند و با توجه به ماهیت آشوبگون و غیرخطی سیگنال EEG، در این مقاله از یک رویکرد استخراج ویژگی ترکیبی بر اساس دو ویژگی غیرخطی شامل احتمال همگامی و احتمال همگامی فازی استفاده می شود. به منظور انتخاب ویژگی از روش تحلیلمؤلفه های اصلی استفاده نمودیم. ویژگی های غیرخطی، نویزی و داده های خارج از محدوده سیگنال هایالکتروانسفالوگرافی الهام بخش به کارگیری منطق فازی به دلیل قدرتش برای رسیدگی به عدم قطعیت است. بنابراین مادر این تحقیق از سیستم استنتاج فازی-عصبی تطبیقی، به منظور طبقه بندی سیگنال های EEG زنان و مردان سالم برای بررسی تمایزات جنسیتی مغز استفاده کردیم و پس از اجرای آزمون k-fold cross validation به صحت 96 93 درصد به دست آمده در مقاله پایه بهبودیافته است.

کلیدواژه ها:

الکتروانسفالوگرافی ، فعالیت مغزی ، احتمال همگامی ، احتمال همگامی فازی ، سیستم استنتاج فازی-عصبی تطبیقی