طبقه‌ بندي سيگنال‌هاي مغزي تصور حركت دست چپ و راست در سامانه‌هاي واسط مغز و رايانه با استفاده از انتخاب ويژگي به كمك الگوريتم‌هاي فرا ‌ابتكاري

Classification of L/R Hand Motor Imagery in Brain Computer Interfaces Using Feature Selection by Metaheuristic Algorithms

بازشناسي فعاليت هاي مختلف حسي حركتي در سامانه هاي واسط مغز و رايانه با مباحث بازشناسي الگو در ارتباط است. يكي از مسائل مهم در طراحي يك سامانه موثر واسط مغز و رايانه، چگونگي كاهش تعداد ويژگي هاي استخراج شده از سيگنال هاي مغزي است. استفاده از الگوريتم هاي انتخاب ويژگي يكي از مهم ترين مراحل در زمينه بازشناسي الگو مي باشد. كاهش تعداد ويژگي ها مي تواند در بهبود دقت و كارايي طبقه بند ها و در نتيجه كاهش هزينه ها موثر واقع شود. روش: در اين مقاله انتخاب ويژگي با استفاده از دو الگوريتم جستجوي گرانشي باينري بهبود يافته و بهينه ساز جمعيت مورچگان باينري پيشرفته بر روي مجموعه داده هاي مربوط به سيگنال هاي مغزي 9 فرد سالم جهت تفكيك تصور حركت دست چپ و راست، صورت گرفت. ويژگي ها در 6 زير باند مختلف استخراج شده اند. دو طبقه بند ماشين بردار پشتيبان و k نزديك ترين همسايه با استفاده از ويژگي هاي انتخاب شده بر روي نمونه ها اعمال شد. داده ها در محيط متلب و توسط جعبه ابزار eeglab پردازش شده است.نتايج: نرخ طبقه بندي در سيستم پيشنهادي بالاي 80 درصد است. با استفاده از روش هاي انتخاب ويژگي، باندهاي فركانسي و ويژگي هاي موثر جهت طبقه بندي حركت دست چپ و راست استخراج شده اند.نتيجه گيري: نتايج نشان دهنده بهبود نتايج پس از اعمال الگوريتم جستجوي گرانشي باينري بهبود يافته و طبقه بند نزديك ترين همسايه مي باشد.

Introduction: Pattern recognition field is necessary for the recognition of different sensorimotor tasks in Brain Computer Interface systems. Reducing the number of features is an important step in Brain Computer Interface systems and it can improve the accuracy and efficiency of the classification and reduce the costs. Methods: In this paper, features selection was performed through using Improved Binary Gravitational search algorithm and Advanced Binary Ant Colony Optimization on data related to brain signals of nine normal subjects for imagination of left and right hand movements. Features were extracted from six different frequency bands. Two classifiers including support vector machine and k- nearest neighbor were applied to separate the classes. Data were processed by EEGLAB toolbox and through matlab software. Results: The classification rate of the proposed method is 84.21%. Using feature selection methods, effective frequency bands and features for left and right hand movement classification were extracted. Conclusion: The results show the improvement in the classification rate by using Improved Binary Gravitational search algorithm and nearest neighbor classification.