بهبود كارايي طبقه‌بندي‌كننده مبتني‌بر نمايش تنك براي طبقه‌بندي سيگنال‌هاي مغزي

Improving the performance of sparse representation-based classifier for EEG classification

در اين مقاله مسيله طبقه‌بندي سيگنال‌هاي EEG مبتني بر تصور حركتي براي يك سامانه واسط مغز- رايانه (BCI)، توسط طبقه‌بندي‌كننده مبتني بر نمايش تنك (SRC) مورد توجه واقع شده است. اين طبقه‌بندي‌كننده براي كارايي بالا، نياز به طراحي ماتريس واژه‌نامه قوي دارد. با توجه به كارايي بالاي الگوريتم الگوهاي مكاني مشترك (CSP) در سامانه‌هاي BCI، از اين روش براي طراحي ماتريس واژه‌نامه استفاده شده است. از معايب CSPحساس به نوفه‌بودن و مسيله فرايادگيري در مجموعه‌هاي آموزشي كم است. براي رفع اين معايب از دو نوع الگوريتم بهبود CSPبا نام‌هاي GLRCSPو DLRCSPاستفاده شده است. استفاده از اين روش‌ها منجر به افزايش ميانگين درصد صحت تشخيص ‌به ميزان حدود 78/7 % نسبت به گونه استاندارد CSPشده است. از سوي ديگر يكي از معايب طبقه‌بندي‌كننده SRC كه از الگوريتم پايه BP استفاده مي‌كند، زمان‌بربودن آن است. براي رفع اين عيب، از الگوريتم جديد SL0 به‌عنوان جايگزين الگوريتم BP استفاده كرديم. نتايج نشان داد كه نه تنها زمان مرحله آزمون بسيار كاهش مي‌يابد، بلكه اين تغيير منجر به افزايش ميانگين درصد صحت تشخيص به ميزان 61/1 % نسبت به الگوريتم استاندارد پايه مي‌شود.

In this paper, the problem of classification of motor imagery EEG signals using a sparse representation-based classifier is considered. Designing a powerful dictionary matrix, i.e. extracting proper features, is an important issue in such a classifier. Due to its high performance, the Common Spatial Patterns (CSP) algorithm is widely used for this purpose in the BCI systems. The main disadvantages of the CSP algorithm are its sensibility to noise and the over learning phenomena when the number of training samples is limited. In this study, to overcome these problems, two modified form of the CSP algorithms, namely the DLRCSP and GLRCSP have been used. Using the adopted methods, the average detection rate is increased by a factor of about 7.78 %. Also, a problem of the SRC classifier which uses the standard BP algorithm is the computational complexity of the BP algorithm. To overcome this weakness, we used a new algorithm which is called the SL0 algorithm. Our classification results show that using the SL0 algorithm, the classification process is highly speeded up. Moreover, it leads to an increase of about 1.61% in average correct detection compared to the basic standard algorithm.