طراحي يك روش كارآمد در طبقه¬بندي تصور حركتي سيگنال¬هاي EEG با استفاده از الگوريتم ژنتيك و موتور استنتاج فازي-ماشين بردار پشتيبان

همواره طراحي بخش نرم افزاري يك سيستم BCI كه به طور معمول با صحت طبقه¬بندي كم همراه است، از مشكلات پيش¬روي محققين محسوب مي¬شود. در اين مقاله، براي تشخيص تصور حركت دست راست و دست چپ، ويژگي¬هايي شامل بعد فركتال و روش كتز (Katz) و هيگوچي (Higuchi) استخراج مي¬شوند. در گام نخست جهت افزايش دقت طبقه¬بندي، ويژگي¬هاي استخراج شده با تكيه بر روش خوشه¬بندي درخت تصميم بازآراي و چينش مي¬گردند. داده¬هاي خوشه¬بندي شده داراي ابعاد بالايي هستند و از اين رو الگوريتم تكاملي ژنتيك به انتخاب بهترين ويژگي¬ها مي¬پردازد. در نهايت اين طبقه¬بند فازي-ماشين بردار پشتيبان (FSVM) است كه داده¬هاي كاهش بعد داده شده را با صحت طبقه¬بندي بالاتر از 87% كلاسه¬بندي مي¬كند و تصور حركتي دست راست را با ضريب اطمينان قابل قبولي از تصور حركتي دست چپ تفكيك مي¬سازد. نتايج حاصل آمده، نمايانگر عملكرد كارآمد سيستم خودكار تفكيك كننده بخش BCI است و اين ادعا با محاسبه ضريب همبستگي ميسر شده است. بكارگيري اين الگوريتم در بخش نرم افزاري BCI مي¬تواند تا حد گسترده¬اي در كمك به افرادي كه با ناتوانايي¬هاي حركتي و يا معلوليت دست و پنجه نرم مي¬كنند، اثرگذار باشد.