طبقه‌بندي تصورات حركات اندام فوقاني مبتني بر يك روش هايبريد از تبديل موجك و آناليز مولفه‌هاي اصلي براي كاربردهاي واسط مغز و كامپيوتر

Classification of Upper Limb Movement Imaginations Based On a Hybrid Method of Wavelet Transform and Principal Component Analysis for Brain-Computer Interface Applications

واسط مغز و رايانه در دهه اخير سير علمي، به شكل فزآينده‌اي مورد توجه قرار گرفته است و برگزاري چند دوره مسابقات بين المللي و چالش‌هاي علمي در سطح جهان شاهد اين مدعاست. در اين مقاله، يك الگوريتم شش مرحله‌اي در طبقه ­بندي تصورات حركات اندام مورد استفاده قرار گرفته است. در گام اول مجموعه 288 داده الكتروانسفالوگرام از پايگاه داده‌ي مسابقات BCI سال 2005 جمع‌آوري شد. در گام دوم با استفاده از فيلتر بانك تبديل موجك كاهش نويز داده‌ها صورت گرفت. در گام سوم، ريتم ميو و بتاي سيگنال در ناحيه‌ي سنترال با استفاده از يك نمايش حوزه‌ي زمان فركانس تبديل موجك استحصال شد. در گام چهارم، مجموعه‌اي از ويژگي‌هاي زماني، فركانسي و غير‌خطي از هر زير باند استخراج شد و در گام پنجم فضاي ويژگي از با استفاده آناليز مولفه‌هاي اصلي كاهش يافت. در گام ششم مجموعه‌ ويژگي‌ها به عنوان ورودي دو طبقه‌بندي كننده نزديك‌ترين همسايه، ماشين بردار پشتيبان و درخت تصميم درنظر گرفته شد. تمامي شبيه‌سازي‌ها تحت نرم افزار متلب اجرا و پياده‌سازي گرديده است. نتايج نشان مي­ دهد كه طبقه‌بند ماشين بردار پشتيبان با كرنل غيرخطي و طبقه‌بندي كننده‌ نزديك­ترين همسايه بازدهي بالاتر از 80 درصد را به همراه دارد.

The Brain-Computer Interface in the last decade, the scientific journey has received increasing attention, and the holding of several international competitions and scientific challenges around the world is proof of this claim. In this paper, a six-step algorithm is used to classify the perceptions of limb movements. In the first step, a collection of 288 electroencephalogram data was collected from the BCI Competition Database of 2005. In the second step, data noise reduction was performed using a wavelet bank filter. In the third step, the meow and beta rhythms of the signal in the central region were extracted using a wavelet frequency domain time domain display. In the fourth step, a set of temporal, frequency, and nonlinear properties were extracted from each sub-band, and in the fifth step, the feature space was reduced using principal component analysis. In the sixth step, the feature set was considered as the input of the two nearest neighbor classifiers, the backup vector machine, and the decision tree. All simulations have been executed and implemented under MATLAB software. The results show that the support vector machine classifier with nonlinear kernel and nearest neighbor classifier has an efficiency of more than 80%.