شناسايي پتانسيل برانگيخته بينايي مدوله­شده با كد (c-VEP) در رابط­هاي مغز-رايانه با استفاده از استخراج شرطي مولفه­هاي مود ذاتي و شبكه عصبي عميق كانولوشني

Recognition of Code-Modulated Visual Evoked Potential (C-VEP) in Brain-Computer Interfaces Using Conditional Empirical Mode Decomposition and Deep Convolutional Neural Network

رابط­هاي مغز-رايانه (BCIs ) كاربران را قادر مي­سازند تا با استفاده از فعاليت مغز رايانه را كنترل كنند. طبقه­بندي سيگنال­هاي مغزي نقش اساسي در سيستم­هاي رابط مغز-رايانه دارد كه ويژگي­هاي پيچيده ذاتي آن، تجزيه و تحليل و مدل­سازي آن را به چالش مي­كشد. در اين پژوهش يك رويكرد نوين بر مبناي استخراج شرطي مولفه ­هاي مود ذاتي و يادگيري عميق براي رمزگشايي اطلاعات حسي از پتانسيل­هاي مغزي غير­تهاجمي ثبت­شده، معرفي مي­گردد. اين رويكرد مي­تواند در رابط­هاي مغز-رايانه مبتني بر پتانسيل برانگيخته بينايي مدوله شده با كد باينري براي پيش­بيني خصوصيات محرك بينايي مورد استفاده قرار گيرد. با پياده­سازي روش پيشنهادي بر روي پايگاه داده متشكل از 9 سوژه سالم به ميانگين دقت 76.7% و ميانگين نرخ انتقال اطلاعات 736.5 بيت بر دقيقه دست يافتيم. همچنين براي بهترين سوژه به نرخ انتقال اطلاعات 1426.1 بيت بر دقيقه دست يافتيم كه بالاترين نرخ انتقال اطلاعات گزارش­شده تا­كنون است.

Brain-computer interfaces (BCIs) enable users to control a computer by utilizing brain activity. Brain signals classification plays a crucial role in brain-computer interface systems, which are challenging to get analyzed, and modeled due to their inherent complex properties. In this study, a novel approach based on conditional empirical mode decomposition and deep learning is introduced to decode sensory information from recorded non-invasive brain potentials. This approach can be used in brain-computer interfaces based on code modulated visual evoked potential to predict visual stimulus properties. By implementing the proposed method on a database consisting of 9 healthy subjects, we achieved an average accuracy of 76.7% and an average information transfer rate (ITR) of 736.5 bit/minute. We also achieved an information transfer rate of 1426.1 bit/minute for the best subject, which is the highest information transfer rate ever reported.