كاهش ابعاد براي سامانه‌ي واسط مغز-رايانه‌ي مبتني بر تصور حركتي با استفاده از كاهش كرون، تبديل فوريه‌ روي گراف و تكامل تفاضلي

مغز انسان جزو شبكه‌هاي پيچيده و ناهمگن محسوب مي‌شود و سيگنال‌هاي مغز حاوي اطلاعات زيادي هستند، از اين رو محققان اين حوزه همواره در صدد يافتن راه حل‌هايي مناسب براي انتخاب ويژگي‌هاي معنادار و كاهش بعد مناسب اين اطلاعات بوده تا به طبقه‌بندي بهتري دست يابند. دو مورد از ابزارهاي نوين براي پردازش سيگنال‌هاي مغزي، پردازش سيگنال روي گراف (GSP) و روش‌هاي فراابتكاري و تكاملي هستند. در روش پيشنهادي اين مقاله، دو ساختار هندسي و تركيبي براي گراف مغز در نظر گرفته شده كه در ساختار تركيبي، وزن يال‌ها، تركيب وزن‌دار دو معيار فاصله‌ي هندسي و همبستگي است. به منظور كاهش بعد گرافي، از معيار درجه‌ي وزن‌دار و تركيب روش كاهش كرون با تبديل فوريه‌ روي گراف (KG) استفاده شده است تا به نحو مناسبي اطلاعات تمام راس‌هاي گراف در رئوس منتخب حفظ شود. استخراج ويژگي توسط تخمين لدويت-وولف و روش نگاشت فضاي مماسي انجام شده و براي كاهش بعد ويژگي‌هاي مستخرج، از روش تحليل مولفه‌هاي اصلي (PCA) و انتخاب ويژگي بر اساس تكامل تفاضلي (DE) استفاده شده است. ويژگي‌هاي منتخب به چندين طبقه‌بند معروف حوزه‌ي يادگيري ماشين داده شده است. براي ارزيابي عمل‌كرد روش پيشنهادي از دادگان IV-a مسابقات BCI-III بهره گرفته شده است. نتايج نشان مي‌دهد كه ميانگين صحت طبقه‌بندي روش پيشنهادي KG-PCA با طبقه‌بندهاي ماشين بردار پشتيبان با تابع پايه‌ي شعاعي (SVM-RBF) و درخت تصميم (DT) در گراف ساختاري و گراف ساختاري-عمل‌كردي نسبت به روش TSM-GFT در مطالعات پيشين بالاتر بوده و طبقه‌بند DT به ميانگين درصد صحت 1.17±91.15 دست يافته است. هم‌چنين طبق نتايج به‌ دست آمده، عمل‌كرد روش پيشنهادي KG-DE در مقايسه با KG-PCA نيز بهتر بوده و در بهترين حالت، متوسط درصد صحت طبقه‌بند SVM-RBF برابر با 1.27±95.50 به دست آمده است.