افزایش صحت طبقه‌بندی سیگنال‌های EEG تصور حرکتی با ترکیب منطقی طبقه‌بندها و با به‌کارگیری الگوریتم ژنتیک و درختان تصمیم کوچک

Abstract

در این مقاله به ارائه روشی دومرحله‌ای برای بهبود دقت طبقه‌بندی سیگنال EEG می‌پردازیم. هدف اصلی این مقاله، بهبود طبقه‌بندی تصورات حرکتی نشأت گرفته از سیگنال مغز است. در این راستا یک طبقه‌بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنال EEG، از ویژگی‌های حوزه زمان-فرکانس استفاده می‌کند که شامل شاخص‌های آماری و غیرآماری به‌دست آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه‌بندی، در مرحله اول یک مجموعه از درخت‌های تصمیم با خطاهای متفاوت ایجاد می‌شوند سپس با استفاده از الگوریتم ژنتیک این درخت‌ها هرس شده و ارتفاع آن‌ها کاهش می‌یابد و ویژگی‌های استخراج‌شده به طبقه‌بند درخت تصمیم به‌عنوان طبقه‌بند پایه داده می‌شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه‌بندها به‌دست می‌آید. قاعده ترکیب بر اساس قوانین جبر بول ارائه شده است. برای داده‌های موردنیاز از نسخه دوم مجموعه داده‌های BCI Competition و مجموعه داده سوم استفاده شده است. نتایج پیاده‌سازی روش پیشنهادی دقت 96.43% را به همراه داشته است که به‌نسبت روش‌های موجود در طبقه‌بندی سیگنال EEG، 6.43% عملکرد بهتری را داشته است.