بهبود آشكارسازي مولفه ‏P300‎‏ با استفاده از تلفيق روش‏‎ ‎هاي مختلف ‏زماني، فركانسي و مكانيِ استخراج ويژگي

دراين مقاله سيستمي‎ ‎مبتني بر بازشناسي آماري الگو جهت تفكيك سيگنال هاي حاوي ‏P300‎‏ و فاقد آن، ارايه مي‌شود‎.‎‏ اين ‏سيستم- كه بر روي دادگان ‏P300-Speller‏ مسابقات ‏BCI 2005‎‏ كار مي كند- از چهار بخش اصلي پيش پردازش، استخراج ‏ويژگي، انتخاب ويژگي و طبقه‎‎بند تشكيل شده كه تاكيد اصلي اين مقاله بر بخش استخراج ويژگي و بررسي كارايي ويژگي هاي ‏مختلف است. در مرحله استخراج ويژگي، شش دسته ويژگي شامل قطعه بندي هوشمند، ضرايب موجك، الگوهاي مكاني ‏مشترك، ويژگي هاي شكلي- زماني، ويژگي هاي فركانسي و دسته ويژگي تركيبي الگوهاي مكاني مشترك و قطعه بندي، تعريف ‏شدند كه برخي از اين ويژگي ها (مانند ويژگي هاي قطعه بندي هوشمند، الگوهاي مكاني مشترك و تركيبي) تا كنون يا مستقيماً ‏براي آشكارسازي ‏P300‎‏ به كار نرفته بودند و يا در موارد بسيار معدودي از آنها استفاده شده بود. سپس ويژگي ها با معيارهاي ‏مختلفي به صورت تك تك و گروهي ارزيابي شدند و در نهايت تركيبي بهينه از مجموع اين ويژگي ها به طبقه بند ‏SWLDA‏ ‏داده شد. بدين ترتيب درصد صحت تشخيص مولفه ‏P300‎‏ با اين سيستم به 05/97% رسيد كه در قياس با نتايج مطالعات قبلي ‏در اين حوزه، نتيجه برتري است.‏

The aim of this paper is to design a pattern recognition based system to detect P300 component in multi-channel electroencephalogram (EEG) trials. This system has two main blocks, feature extraction and classification. In feature extraction block, in addition to conventional features namely morphological, frequency and wavelet features, some new features included intelligent segmentation, common spatial pattern (CSP) and combined features (CSP + Segmentation) have also been used. Three criteria were used for evaluation and selection of a feature set by choosing a subset of the original features that contains most of essential information. Firstly, a statistical analysis has been applied for evaluating the fitness of each feature in discriminating between target and non target signals. Secondly, each of these six groups of features was evaluated by a Linear Discriminant Analysis (LDA) classifier. Furthermore by using Stepwise Linear Discriminant Analysis (SWLDA), the best set of features was selected. Among these six feature vectors, intelligent segmentation was seen to be most efficient in classification of these signals. In classification phase, two linear classifiers -LDA and SWLDA- were used. The algorithm was described here has tested with dataset II from the BCI competition 2005. In this research, the best result for P300 detection is 97.05% .This result have proven to be more accurate than the results of previous works carried out in this filed.