بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم¬های واسط کامپیوتری-مغزی
بصورت ورد ودر73صفحه
سیستم¬های واسط کامپیوتری-مغزی سیستم¬هایی هستند که می¬توانند سیگنال¬های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می¬تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار بالایی مشکلات آن¬ها در راستای ارتباط با محیط پیرامونشان را رفع کند. اما سیستم¬های 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 سیستم¬ها، به¬صورت تجربی نشان داده شده که استفاده از روش "الگوی مکانی مشترک" برای استخراج ویژگی¬های جدا کننده مناسب از سیگنال¬های مغزی، روشی بهینه در سیستم¬های واسط کامپیوتری-مغزی همگام است ولی هنوز دارای مشکلات و چالش¬هایی می¬باشد. 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 می¬باشد. روش اول با افزودن اطلاعات فرکانسی-مکانی سیگنال به روش الگوی مکانی مشترک، منجر به بهبود عملکرد الگوریتم در راستای پیدا کردن ویژگی¬های متمایز بهتری شده و بر مبنای همین ویژگی¬ها، دقت کلاس¬بندی داده¬ها افزایش می¬یابد. در روش دوم که به دو طریق مختلف پیاده¬سازی شده، مقدار هم¬فعالیتی دو به دوی همه کانال¬ها به فرمولاسیون CSP تزریق می¬شود و سپس مقادیر به دست آمده توسط یک تابع کرنل خطی، به فضای دیگری می¬روند و در نهایت جداسازی بین تصورات حرکتی را بهبود می¬بخشند. 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 آن¬ها صورت گیرد.
سمینارباعنوان:بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم¬های واسط کامپیوتری-مغزی
