بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستمهای واسط کامپیوتری مغزی

نوع فایل :word 

تعداد صفحات:۹۵

سیستم­های واسط کامپیوتری-مغزی سیستم­هایی هستند که می­توانند سیگنال­های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می­تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار بالایی مشکلات آن­ها در راستای ارتباط با محیط پیرامونشان را رفع کند. اما سیستم­های کنونی به علت نداشتن دقت بالای کافی برای همه افراد، هنوز نتوانسته­ اند به صورت تجارتی وارد بازار شوند.در راستای بهبود دقت و عملکرد این سیستم­ها، به­صورت تجربی نشان داده شده که استفاده از روش “الگوی مکانی مشترک” برای استخراج ویژگی­های جدا کننده مناسب از سیگنال­های مغزی، روشی بهینه در سیستم­های واسط کامپیوتری-مغزی همگام است ولی هنوز دارای مشکلات و چالش­هایی می­باشد.  در این پژوهش دو راهکار برای اصلاح روش غیر خطی الگوی مکانی مشترک مطرح شده است: راهکار اول که شخصی سازی الگوریتم غبرخطی است، خود شامل دو روش ترکیبی جدید می­باشد. روش اول با افزودن اطلاعات فرکانسی-مکانی سیگنال به روش الگوی مکانی مشترک، منجر به بهبود عملکرد الگوریتم در راستای پیدا کردن ویژگی­های متمایز بهتری شده و بر مبنای همین ویژگی­ها، دقت کلاس­بندی داده­ها افزایش می­یابد. در روش دوم که به دو طریق مختلف پیاده ­سازی شده، مقدار هم­ف عالیتی دو به دوی همه کانال­ها به فرمولاسیون CSP تزریق می­شود و سپس مقادیر به دست آمده توسط یک تابع کرنل خطی، به فضای دیگری می­روند و در نهایت جداسازی بین تصورات حرکتی را بهبود می­بخشند.راهکار دوم، سازگار کردن الگوریتم با ورود داده جدید است که اینکار یکبار با تعریف تابع کرنلی با تعداد پارامترهای آزاد زیاد صورت گرفته است و بار دیگر با به روزرسانی ماتریس کوواریانس کرنلی شکل گرفته است که طبق نتایج به دست آمده، این راهکار از هر دو طریق با مشکلاتی همراه بوده و نتوانسته دقت تشخیص بالاتری را فراهم آورد. بنابراین باید در کارهای آینده اصلاحاتی بر روی آن­ها صورت گیرد.