مروری بر روش های طبقه بندی در سیگنال P300-Speller رابط مغز و کامپیوتر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی واحد علوم تحقیقات، اهواز، ایران.

2 کارشناسی ارشد مهندسی کامپیوتر-هوش مصنوعی، دانشکده فنی مهندسی، دانشگاه ولیعصر، رفسنجان، ایران.

3 کارشناسی ارشد شبکه های کامپیوتری، موسسه آموزش عالی صائب، ابهر، ایران

4 استادیار گروه کامپیوتر، دانشگاه ولیعصر، رفسنجان، ایران.

چکیده

سیستم رابط رایانه ای مغز (BCI) بخشی از فناوری عصبی است که فرمان را از مغز انسان به رایانه منتقل می کند. BCI در حال حاضر بیشترین رشد را در زمینه تحقیق دارد. برنامه های BCI دارای زمینه های مختلفی از جمله پزشکی، آموزش، خودتنظیمی، بازی ها و سرگرمی ها، تولید، امنیت و همچنین بازاریابی هستند. دستگاه های الکترونیکی را می توان با استفاده از سیگنال مغزی به نام الکتروانسفالوگرافی (EEG ) برای ثبت فعالیت الکتریکی مغز کنترل کرد. موج P300 اوج مثبت یک پتانسیل مرتبط با رویداد (ERP ) است که 300 میلی ثانیه رخ می دهد توسط EEG ضبط شده است. یک روش عمده در زمینه تحقیق BCI الگوی خاص مبتنی بر P300 است، محرک های که احتمال وقوع کمتری نسبت به سایر محرک ها دارند و در نتیجه فرد مورد آزمایش به وقوع غیر منتظره این محرک ها واکنش نشان می دهد را با توجه به یک سری محرک های استاندارد سریع ارائه شده شناسایی می کنند. در این مقاله ما الگوریتم های یادگیری ماشین از جمله الگوریت های DCPM ،LDA ، SWLDA ،SVM و ... را در زمینه استخراج ویژگی و طبقه بندی مورد استفاده برای طراحی سیستم‌های رابط مغز و کامپیوتر (BCI) مبتنی بر P300-spell را مرور می کنیم. و بعد از اینکه روش های طبقه بندی را مرور و مقایسه کردیم در آخر به جمع بندی نهایی از مقاله مان داریم می پردازیم که نتایج تحقیق مروری مورد بررسی نشان می دهد، روش طبقه بندی تطبیقی برای نظارت شده و بدون نظارت عملکرد بهتری از طبقه بند استاتیک دارد.

کلیدواژه‌ها

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار