استفاده از تبديل موجك گسسته با بيشينه همپوشاني براي طبقه بندي سيگنالهاي تركيبي EEG + fNIRS

Maximum overlap discrete wavelet transform for hybrid EEG + fNIRS classification

سيستمهاي واسط مغز و كامپيوتر (BCI) وضعيت رواني بيمار را تجزيه و تحليل كرده و سپس دستگاه هاي خارجي را كنترل مي كنند. در ميان بسياري از فناوري‌ هاي تصويربرداري غيرتهاجمي مغز، الكتروانسفالوگرافي (EEG) و طيف‌سنجي عملكردي مادون قرمز نزديك (fNIRS) به دلايل اقتصادي، راحتي و قابليت حمل به طور گسترده در پزشكي توانبخشي، كنترل مكانيكي، كاربردهاي نظامي و ساير زمينه‌ها استفاده شده‌اند. نشان داده شده است كه استفاده از سيگنالهاي تركيبي EEG + fNIRS عملكرد بهتري نسبت به استفاده منفرد از هر كدام از سيگنالها دارد. از اين در اين مقاله روش جديدي براي طبقه بندي عملكردهاي BCI با استفاده از سيگنالهاي تركيبي EEG + fNIRS ارائه مي دهيم. با توجه به ماهيت غيرخطي و غيرايستان بودن سيگنال هاي ذخيره شده پيشنهاد مي كنيم كه از تبديل موجك گسسته با بيشينه همپوشاني (Modwt) براي تحليل آنها استفاده شود. بعد از تجزيه سيگنال ها به چندين زيرباند، ويژگي زيرباندهاي محاسبه شده به عنوان ويژگي محاسبه شده و در نهايت با استفاده از طبقه بند kNN، عملكردهاي BCI طبقه بندي مي شوند. نتايج به دست آمده نشان ميدهند كه روش پيشنهادي نسبت به ساير روشها دقت تشخيص بالاتري دارد. همچنين استفاده از سيگنال تركيبي EEG + fNIRS دقت طبقه بندي بالاتري نسبت به استفاده منفرد از هركدام از سيگنال هاي EEG و fNIRS دارد.