استفاده از سیستم های چند طبقه بندی کننده به منظور طبقه بندی سیگنال های eeg در سیستم های واسط مغز-کامپیوتر (bci)
Abstract(in Persian; no English abstract is available)
مغز از پیچیده ترین ارگان های موجود در طبیعت است. مطالعه و بررسی عملکرد مغز یکی از موضوعات مهم و مورد علاقه محققان بوده و می باشد. در این میان کنترل فضای پیرامون با استفاده از سیگنال های الکتروانسفالوگرام (eeg)، یکی از موضوعات جدید مورد بررسی گروه های تحقیقاتی است که تحت عنوان واسط مغز-کامپیوتر (brain computer interface) شناخته شده است. در این سیستم ها هدف، کنترل محیط اطراف افراد بدون استفاده از عضلات است بدین ترتیب که محیط اطراف فرد صرفا با استفاده از اندیشه شکل گرفته در مغز او و با سیگنال eeg مرتبط با آن اندیشه کنترل می شود. این سیستم ها از چهار فاز 1- اخذ سیگنال 2- تحلیل سیگنال 3- طبقه بندی سیگنال 4- کنترل ماشین تشکیل شده است. با استفاده از سیگنال های اخذ شده از روی کاسه سر و تحلیل و طبقه بندی آن ها به آنچه فرد اراده کرده و می اندیشد پی برده شده و با استفاده از آن کنترل یک ماشین انجام می شود. بدین منظور سیستم های واسط مغز-کامپیوتر مختلفی طراحی شده اند که روز به روز هم در حال توسعه و بهبود می باشند تا نه تنها تصورات شخص را با درجه بالاتری تفکیک کنند، بلکه تعداد تصورات قابل تشخیص را به منظور آزادی عمل بیشتر، زیاد کنند، هرچند هنوز این سیستم ها در طبقه بندی یک یا دو عمل تصوری به درجه اطمینان صد در صد نرسیده اند. در این پروژه قسمت اصلی کار بر روی فاز شناسایی الگو می باشد. در فاز شناسایی الگو سعی می شود با ترکیب طبقه بندی کننده ها و استفاده از ظرفیت های موجود در چندین طبقه بندی کننده نتیجه کار بهبود بخشیده شود. در این پژوهش روش های مختلف استخراج ویژگی بر روی سیگنال eeg اعمال شد و سپس ویژگی های مختلف به طبقه بندی کننده ماشین بردار پشتیبان (svm) اعمال گردید و نتایج حاصله از عملکرد طبقه بندی کننده های svm با ویژگی های مختلف با هم ترکیب گردید. ترکیب کننده های مورد استفاده در این پروژه عبارتند از ترکیب کننده های وابسته به کلاس و ترکیب کننده های مستقل از کلاس که از میان روش های وابسته به کلاس می توان به انتگرال فازی و الگوریتم رای برتر اشاره کرد. علاوه بر این روش ها از روش های ترکیب bagging و boosting هم استفاده شده است که در آن یک طبقه بندی کننده ضعیف در دفعات مختلف با قسمتی از فضای آموزشی، آموزش داده می شود. روش های عنوان شده بر روی داده های به دست آمده از مسابقات bci سال های 2003 و 2005 که توسط دانشگاه graz تهیه شده است، آزمایش شد که در این میان برای داده های مربوط به دو کلاس، نتایج حاصل از الگوریتم رای برتر منجر به دقت 9/92% گردید که نتایج بهترین فرد در این مسابقه را 6/3% بهبود بخشید. در مورد داده های چهار کلاسه، با روش پیشنهاد شده برای ترکیب کانال ها، دقت طبقه بندی برای چهار تصور حرکت انجام شده به 3/60 % رسید که نسبت به نتایج موجود، نتیجه قابل قبولی به حساب می آید.