طبقه بندي سيگنال هاي چندوجهي EEG + fNIRS با استفاده از كشيدگي طيفي و ماشين بردار پشتيبان

Classification of multimodal EEG + fNIRS signals using spectral kurtosis and support vector machine

واسط مغز و كامپيوتر (BCI) ارتباطي بين مغز انسان و دنياي واقعي ايجاد مي كند كه فرد از طريق آن مي‌تواند با استفاده از فعاليت مغزي خود با دستگاه‌هايي خارج از سيستم حركتي فيزيولوژيكي خود ارتباط برقرار كرده و آن‌ها را كنترل كند. اين رابط ها در حال حاضر در حوزه هاي مختلفي از جمله پزشكي، آموزش، سرگرمي، بازي، بازاريابي و خودكنترلي استفاده مي شوند. در سالهاي اخير استفاده از سيگنال هاي چندوجهي در كاربردهاي BCI گسترش يافته است كه مي توان به استفاده همزمان از سيگنالهاي الكتروانسفالوگرافي (EEG) و طيف‌سنجي عملكردي مادون قرمز نزديك (fNIRS) اشاره كرد. با توجه به نتايج اميدواركننده استفاده همزمان از EEG و fNIRS، در اين پژوهش روشي چندوجهي با استفاده از سيگنال هاي EEG و fNIRS ارائه مي شود. براي اين منظور، ابتدا سيگنال fNIRS به سيگنال هاي HbO و HbR تجزيه مي شود. در ادامه، اين دو سيگنال و سيگنال EEG با استفاده از فيلترهاي ديجيتال به چندين زيرباند تجزيه مي شوند. در ادامه، كشيدگي طيفي هر زيرباند به عنوان ويژگي استخراج شده و پس از تركيب، به عنوان بردار ويژگي نهايي به طبقه بند بردار پشتيبان ماشين اعمال مي شوند. نتايج به دست آمده نشان مي دهند كه روش پيشنهادي نسبت به ساير روش ها دقت تشخيص بالاتري دارد. هم چنين استفاده از سيگنال تركيبي EEG + fNIRS دقت طبقه بندي بالاتري نسبت به استفاده منفرد از هركدام از سيگنال هاي EEG و fNIRS دارد.