تشخيص فركانس در رابط‌هاي مغز و رايانه مبتني بر SSVEP با استفاده از تركيب تجزيه‌ي PARAFAC و آناليز مولفه‌هاي كانوني

امروزه استفاده از سيستم‌ رابط مغز و رايانه (BCI) مبتني بر پتانسيل‌هاي برانگيخته‌ي بينايي حالت ماندگار (SSVEP) به دلايلي هم‌چون صحت قابل قبول و نياز حداقلي به آموزش كاربر، رو به افزايش است. پتانسيل‌هاي بينايي حالت ماندگار يكي از مهم‌ترين الگوهاي استفاده شده در سيستم‌هاي BCI بوده كه در ناحيه‌ي پس‌سري مغز و با تحريك بينايي بين 6 تا 60 هرتز توليد مي‌شود. يكي از  روش‌هاي كارآمد براي استخراج فركانس SSVEP در سيستم‌هاي BCI، روش تجزيه‌ و تحليل ضرايب همبستگي چندجهته (MCCA) نام دارد كه نسخه‌ي تانسوري شده‌ي روش كلاسيك تجزيه‌ و تحليل ضرايب همبستگي (CCA) بوده و مبتني بر داده‌هاي چندبعدي است. در اين مقاله با الهام گرفتن از روش MCCA، دو الگوريتم جديد PARAFAC-CCA و C-PARAFAC-CCA با استفاده از تركيب روش CCA و تجزيه‌ي تانسوري PARAFAC معرفي شده كه  هدف اين الگوريتم‌ها بهبود سيگنال مرجع اوليه و دست‌يابي به صحت بالاتر در تشخيص فركانس SSVEP در سيستم‌هاي BCI است. در الگوريتم PARAFAC-CCA بعد از انجام تجزيه‌ي PARAFAC روي داده‌هاي چندبعدي آموزش و به دست آوردن مولفه‌ي زماني، روش CCA بين مولفه‌ي زماني به دست آمده و سيگنال مرجع سينوسي كسينوسي پياده‌سازي شده و از خروجي آن، سيگنال مرجع بهينه ساخته شده است. در نهايت از الگوريتم MLR بين داده‌ي تست EEG و سيگنال مرجع بهينه به منظور دست‌يابي به فركانس هدف استفاده شده است. مراحل كلي الگوريتم C-PARAFAC-CCA نيز مشابه PARAFAC-CCA بوده با اين تفاوت كه در محاسبه‌ي مولفه‌ي زماني از PARAFAC مقيد استفاده شده به اين صورت كه در هر گام از الگوريتم ALS يك بار CCA اعمال شده و مولفه‌ي زماني بهبود داده شده است. كارايي الگوريتم‌هاي ارائه شده روي مجموعه‌ي دادگان واقعي مورد بررسي قرار گرفته و نشان داده شده كه به طور ميانگين صحت تشخيصي الگوريتم‌هاي پيشنهادي در مقايسه با روش MCCA بالاتر است.