استفاده از طبقه‌بند PCVM در سیستم واسط مغز- رایانه کاربرفرما به منظور بهبود تشخیص حرکت پا

Abstract

اساس سیستم‌های‌ واسط مغز-رایانه(BCI)کاربرفرما آشکارسازی و تشخیص بازه‌های رخداد یک فعالیت ذهنی مانند تصور حرکت از سیگنال خودبخودی مغز است که این مسأله به دلیل ماهیت غیرایستان و پیچیده سیگنال الکتروانسفالوگرام (EEG) مهمترین چالش در طراحی سیستم‌هایBCIاست. در این مقاله برای اولین بار از یک الگوریتم جدید طبقه‌بندی مبتنی بر یادگیری تنک به نامPCVM در طراحی سیستمBCIکاربرفرما استفاده شده است. هدف اصلی مقاله بررسی میزان موفقیت این طبقه‌بند در آشکارسازی بازه‌های وقوع حرکت پا در سیگنال پیوستهEEG است.PCVMدر مقایسه باSVM-که تاکنون عملکرد بسیار موفقی در سیستم‌هایBCI مبتنی بر حرکت و تصور حرکت داشته است- مزایای قابل توجهی از جمله ارائه خروجی به صورت احتمال تعلق دادگان به هر یک از طبقه‌ها و همچنین تعیین پارامترهای بهینه کرنل همزمان در الگوریتم یادگیری دارد. بعلاوه در این مقاله از فیلترهای با ضریب کیفیت ثابت به منظور تجزیه فرکانسی سیگنال استفاده شده است که به دلیل ماهیت قدرت تفکیک متغیر زمانی و فرکانسی در فرکانس‌های مرکزی مختلف، نقش مؤثرتری در تمایز الگوهای مربوط به بازه حرکت از سیگنال پس‌زمینه مغزی ایفا می‌کند. متوسط نتایج حاصل از طراحی سیستم کاربرفرما با استفاده از روش پیشنهاد شده در این مقاله برای دادگان ثبت شده از 7 کاربر حین انجام حرکت پا بصورت %90= TPRو %4= FPRبدست آمد که در مقایسه با کارهای پیشین برای همین مجموعه دادگان، بهبود قابل ملاحظه‌ای (16% بهبودTPR و 2% بهبودFPR) حاصل شد.