بررسي ويژگي هاي شناختي مغز با استفاده ازالكتروانسفالوگرام و تبديل LORETA

study of Cognitive features of the Brain by Using Electroencephalogram and LORETA transform

در اين مقاله روشي جديد براي شناسايي حالت هاي مغز در دو حالت استراحت و حل مساله ارائه مي شود.ابتدا براي بخش بندي و جداسازي ناحيه فعال مغز از الگوريتم خوشه بندي K-Means استفاده مي شود. در مرحله بعد از ويژگي هاي محلي، الگوهاي دودويي گراديان به منظور استخراج ويژگي از تصاوير بخش بندي شده استفاده مي شود. با توجه به ابعاد بالاي بردار ويژگي استخراج شده از الگوريتم تجزيه محلي حساس متمايز كننده براي نگاشت ويژگي ها به فضاي جديد و كاهش بعد استفاده مي شود. در مرحله بعد از رويكرد انتخاب ويژگي‌هاي بهينه توسط الگوريتم كلوني زنبور عسل مصنوعي استفاده مي‌شود. اين امر باعث افزايش دقت و سرعت پاسخ گويي سيستم خواهد شد. در نهايت عمليات دسته بندي و شناسايي حالت هاي مغز با استفاده از دسته بند ماشين يادگير بيشينه انجام مي شود. ماتريس بوجود آمده از سيگنال هاي مغز به روش LORETA پردازش مي شود، تا بتوان محل دقيق سيگنال ها به همراه شدت آن ها را در سطح مغز بدست آورد. تعداد تصاوير به دست آمده در اين آزمايش 727 عدد مي باشد. ميانگين دقت به دست آمده روي پايگاه داده ارائه شده 97/01 درصد مي باشد.

In this paper, a new method is proposed to identify brain states in two modes of rest and problem solving. Initially, the K-Means clustering algorithm is used to divide and isolate the active region of the brain. In the next step of the local features,binary gradient pattern is used to extract features from segmented images. Due to the high dimensions of extracted feature vector, a locality sensitive discriminant analysis algorithm is used To convert features to a new space and reduce the dimension. In the next step, an artificial bee colony algorithm is used to select the optimal Feature. This increases the accuracy and speed of system response. Finally, sorting and detecting brain modes is performed using the extreme learning machine. The matrix generated from the brain signals is processed by the LORETA method, so that the exact location of the signals along with their intensity can be obtained at the brain level. The number of images obtained in this experiment is .727. The average accuracy obtained on the database is 97.7%