طبقه‌بندي سيگنال‌هاي تركيبي EEG-fNIRS با استفاده از ويژگي‌هاي عميق كاهش‌يافته براي كاربردهاي BCI BCI

رابط مغز و كامپيوتر (BCI) مبتني بر تخيل حركتي (MI) به‌عنوان يك روش مؤثر براي برقراري ارتباط مستقيم بين مغز و دستگاه‌هاي الكترونيكي خارجي ارائه شده است. مسئله اصلي در سيستم هاي BCI تبديل سيگنال هاي توليد شده در مغز به دستورات قابل‌اعتماد براي كنترل دستگاه هاي الكترونيكي است. سيگنال الكتروانسفالوگرافي (EEG) پركاربردترين سيگنال در پژوهش هاي مرتبط با BCI است. اخيراً تركيب با برخي سيگنال هاي حياتي ديگر نظير طيف سنجي نزديك مادون‌قرمز (NIRS) براي افزايش كار آيي سيستم هاي BCI مورد توجه قرار گرفته است. مهم ترين چالش در سيستم هاي BCI با چندين سيگنال حياتي، استخراج ويژگي و تركيب ويژگي هاي سيگنال هاي مختلف است. براي اين منظور، در اين مقاله ابتدا سيگنال هاي EEG و اجزاي NIRS، شامل HbO و HbR، به باندهاي فركانسي مختلف تجزيه شدند. در ادامه با استفاده از شبكه هاي عصبي كانولوشني يك بعدي، ويژگي هاي عميق از هر زيرباند استخراج شده و با هم ادغام مي شوند. با توجه به ابعاد بالاي بردار ويژگي نهايي، با استفاده از تجزيه‌وتحليل اجزاي اصلي با هسته (KPCA)، ويژگي هاي غيرمفيد را حذف كرده و ويژگي هاي باقيمانده با استفاده از بردار پشتيبان ماشين طبقه بندي مي شوند. نتايج نشان مي دهند روش پيشنهادي دقت بالايي دارد و روش هاي ارائه شده اخير را بهبود مي دهد.