ارايه الگوريتمي جديد جهت كاهش ابعاد سيگنال مغزي

امروزه با پيشرفت تكنولوژي جهت ثبت و ضبط سيگنال هاي مغزي (EEG) electroencephalogram از تجهيزاتي استفاده مي شود كه تعداد كانال هاي آنها رو به فزوني است. افزايش تعداد كانالها از يك سو موجب بالا رفتن حجم محاسباتي جهت طبقه بندي الگوهاي سيگنال مغزي شده و از سوي ديگر شانس نويز پذيري و يا كاهيدن ارزش اطلاعاتي كانالها را افزايش داده است. لذا در طراحي طبقه بندي كننده ها سيگنال مغزي از تكنيك هاي كاهش بعد استفاده مي شود. در اين مقاله براي اولين بار الگوريتمي براي كاهش ابعاد داده ها به روش (CSP) Common spatial pattern ارائه شده است كه نسبت به روش‌هاي مشابه قبلي داراي كارايي بيشتري است. دادگان سيگنال EEG پس از پيش پردازش توسط الگوريتم هاي CSP كاهش بعد داده شده و پس از استخراج مشخصه فركانسي ، طبقه بندي به روش Support Vector Machine (SVM) بر روي آنها انجام گرديده است. نتايج به دست آمده از طبقه بندي كننده احساسات نشان داد كه اين روش به خوبي حداقل ۵۰ درصد از حجم داده ها را كاهيده است در حاليكه اولا در مقايسه با روش هاي قبلي از سرعت و پايداري بيشتري برخوردار بوده و ثانياً صحت نتايج بازشناسي الگو هاي احساسي را افزايش داده است.