استفاده از طبقه‌بند PCVM در سيستم واسط مغز- رايانه كاربرفرما به منظور بهبود تشخيص حركت پا

Applying Probabilistic Classification Vector Machines in Self-paced BCI to Enhance Foot Movement Detection

اساس سيستم‌هاي‌ واسط مغز-رايانه (BCI) كاربرفرما آشكارسازي و تشخيص بازه‌هاي رخداد يك فعاليت ذهني مانند تصور حركت از سيگنال خودبخودي مغز است كه اين مساله به دليل ماهيت غيرايستان و پيچيده سيگنال الكتروانسفالوگرام (EEG) مهمترين چالش در طراحي سيستم‌هاي BCI است. در اين مقاله براي اولين بار از يك الگوريتم جديد طبقه‌بندي مبتني بر يادگيري تنك به نام PCVM در طراحي سيستم BCI كاربرفرما استفاده شده است. هدف اصلي مقاله بررسي ميزان موفقيت اين طبقه بند در آشكارسازي بازه‌هاي وقوع حركت پا در سيگنال پيوسته EEG است. PCVM در مقايسه با SVM -كه تاكنون عملكرد بسيار موفقي در سيستم‌هاي BCI مبتني بر حركت و تصور حركت داشته است- مزاياي قابل توجهي از جمله ارايه خروجي به صورت احتمال تعلق دادگان به هر يك از طبقه‌ها و همچنين تعيين پارامترهاي بهينه كرنل همزمان در الگوريتم يادگيري دارد. بعلاوه در اين مقاله از فيلترهاي با ضريب كيفيت ثابت به منظور تجزيه فركانسي سيگنال استفاده شده است كه به دليل ماهيت قدرت تفكيك متغير زماني و فركانسي در فركانس‌هاي مركزي مختلف، نقش موثرتري در تمايز الگوهاي مربوط به بازه حركت از سيگنال پس‌زمينه مغزي ايفا مي كند. متوسط نتايج حاصل از طراحي سيستم كاربرفرما با استفاده از روش پيشنهاد شده در اين مقاله براي دادگان ثبت شده از 7 كاربر حين انجام حركت پا بصورت %90= TPR و %4= FPR بدست آمد كه در مقايسه با كارهاي پيشين براي همين مجموعه دادگان، بهبود قابل ملاحظه اي (16% بهبود TPR و 2% بهبود FPR) حاصل شد.

A critical issue in designing a self-paced brain computer interface (BCI) system is onset detection of the mental task from the continuous electroencephalogram (EEG) signal to produce a brain switch. This work shows significant improvement in a movement based self-paced BCI by applying a new sparse learning classification algorithm, probabilistic classification vector machines (PCVMs) to classify EEG signal. Constant-Q filters instead of constant bandwidth filters for frequency decomposition are also shown to enhance the discrimination of movement related patterns from EEG patterns associated with idle state. Analysis of the data recorded from seven subjects executing foot movement using the constant-Q filters and PCVMs shows a statistically significant 16% (p < 0.03) average improvement in true positive rate (TPR) and a 2% (p < 0.03) reduction in false positive rate (FPR) compared with applying constant bandwidth filters and SVM classifier.