طراحي يك سيستم واسط مغز و رايانه براي تشخيص صرع بر اساس سيگنال‌هاي مغزي و افزايش كارآيي آن به كمك انتخاب ويژگي با استفاده از الگوريتم‌هاي فرا ابتكاري

Designing a brain and computer interface system for detecting epilepsy based on brain signals and increasing its efficiency by feature selection using meta-heuristic algorithms.

داشتن يك مجموعه ويژگي خوب، به بهبود دقت سيستم BCI Brain-Computer Interface)) كمك مي كند. يكي از مهم‌ترين مراحل در سيستم BCI، استخراج ويژگي است؛ بنابراين، محققان بيشتر در اين بخش متمركزشده‌اند. يكي از پارامترهاي مهم در سيستم مغز- رايانه، سرعت است؛ بنابراين، هميشه يك طراحي سيستم با سرعت‌بالا است كه به‌طور هم‌زمان داراي عملكرد بالا است. در اين مقاله، الگوريتم هاي تكاملي (EAs) پس از اعمال روش هاي استخراج ويژگي هاي معروف اعمال مي شود و نتايج نشان داده است زماني كه اين الگوريتم هاي استخراج ويژگي به‌تنهايي مورداستفاده قرار مي-گيرند، دقت بالايي حاصل نمي شود؛ اما هنگامي‌كه تركيبي از اين روش هاي معروف و الگوريتم هاي تكاملي در مرحله استخراج ويژگي مورداستفاده قرار مي گيرد، دقت بيشتري به دست مي آيد كه اين واقعيت براي الگوريتم الگوهاي فضايي مشترك (CSP) بسيار مناسب است. لازم به ذكر است كه در مرحله طبقه‌بندي، طبقه‌بندي شبكه هاي عصبي نيز استفاده مي‌شود.

Having a good feature set helps improve the accuracy of the BCI Brain-Computer Interface. One of the most important steps in the BCI system is the extraction of the feature; therefore, researchers are more focused on this area. One of the important parameters in the brain-computer system is speed; therefore, it is always a high-speed system design that simultaneously has high performance. In this paper, evolutional algorithms (EAs) are applied after applying the known features extraction methods and the results show that when these feature extraction algorithms are used alone, high accuracy is not achieved. However, when a combination of these famous methods and evolutionary algorithms is used in the feature extraction phase, it becomes more precise that this is very appropriate for a common space pattern algorithm (CSP). It should be noted that in the classification stage, the classification of neural networks is also used.