اثربخشی دسته بندها در رمزگشایی از سیگنال های EEG منتج از تصورات حرکتی در افراد دچار سکته مغزی: مورد کاربردی رابط مغز و رایانه

سالیانه حدود 15 میلیون نفر در سراسر جهان دچار سکته مغزی می شوند که از این میزان حدود 5 میلیون نفر دچار ناتوانی می گردند. سیستم های رابط مغز و رایانه در جهت کمک به این افراد به منظور فراهم آوردن امکانات توانبخشی و مراقبتی برای افزایش کیفیت زندگی به وجود آمده است. یک سیستم رابط مغز و رایانه فعالیت های مغزی را به یک سری فعالیت های فیزیکی از طریق یک مسیر غیرعضلانی تبدیل می کند. برای آن که یک سیستم رابط مغز و رایانه قابل اجرا و با عملکرد مناسب داشته باشیم باید این دستگاه ها از دقت دسته بندی مناسبی برخوردار باشند. بدین منظور در این مقاله برای دستیابی به یک رابط مغز و رایانه که در جهت خدمت به افراد دچار سکته مغزی باشد سیگنال های مغزی این افراد با دسته بندهای مختلف جهت دستیابی به دقت مطلوب موردبررسی قرارگرفته است. در این مقاله داده های تصور حرکتی دست راست و پاها از 4 فرد دچار سکته مغزی به عنوان ورودی مورداستفاده قرار گرفت. یافته ها نشان می دهد که با استفاده از پیش پردازش میان گذر باترورث (8-30 هرتز) و استخراج ویژگی FBCSP و دسته بندهای SVM خطی و غیرخطی با کرنل RBF و LDA و KNN به ازای K=1 به ترتیب به میانگین دقت های 51،53،52 و 68 دست می یابیم. همچنین نتایج نشان می دهد که ترکیب روش استخراج ویژگی FBCSP به همراه دسته بند KNN از دقت بالاتری در مقایسه با سایر روش های دسته بندی برخوردار است و به طور میانگین تا 68 درصد از تصورات حرکتی سیگنال های EEG افراد دچار سکته مغزی را می توان به درستی شناسایی کرد. بررسی دسته بندهای مختلف در ترکیب با روش استخراج ویژگی FBCSP نشان داد که انتخاب دسته بند در میزان دقت بسیار اثرگذار است و در طراحی یک سیستم مغز و رایانه به منظور کاربرد برای افراد دچار سکته مغزی علاوه بر مراحل پیش پردازش و استخراج ویژگی که تمرکز این حوزه بیشتر بروی آنان است نباید از میزان اثرگذاری دسته بندها غافل شد.

کلیدواژه ها:

سکته مغزی(Stroke) ، رابطه مغز و رایانه (BCI) ، سیگنال های EEG ، فیلتر بانک الگوی فضای مشترک (FBCSP) ، نزدیک ترین همسایه (KNN)