طبقه‌بندي تك ثبت سيگنال‌هاي ERP به منظور آشكارسازي تحريك هدف

Single trial classification of event related potential for detection of target stimulus

هدف از اين تحقيق، طراحي و ارزيابي يك آشكارساز تحريك هدف، بر اساس تشخيص مولّفه‌ي شناختي P300 آن‌ها بوده است. بدين منظور ابتدا آزمايشي مناسب بر اساس الگوي oddball طراحي شد. مولّفه‌ي شناخي P300 در هنگام مواجه‌ي افراد با تحريك هدف در سيگنال مغزي آن‌ها ظاهر مي شود. سيگنال‌هاي مغزي از 20 نفر مرد سالم در حين انجام آزمايش طراحي شده، ثبت گرديد. جهت پردازش، چندين روش بر روي دادگان ثبت شده پياده‌سازي و مورد ارزيابي قرار گرفتند تا بهترين آن‌ها انتخاب شوند. در بلوك اصلي پردازش كه به تحليل هر تك ثبت و تصميم در رابطه با هدف و غير هدف بودن آن تحريك مي پردازد، طبقه‌بندي كننده هاي مورد بررسي، طبقه بندي كننده‌ي تحليل تفكيك خطي و درخت تصميم بودند. پس از استخراج مجموعه ويژگي‌هايي چون فركانس بيشينه، فركانس ميانگين، فركانس ميانه، ضرايب تبديل موجك گسسته و چندين مشخّصه‌ي ريخت‌شناسي، مجموعه‌ي بهينه اي از ويژگي‌ها با استفاده از جستجوي ژنتيك انتخاب شد. دقّت نهايي تشخيص تحريك هدف بر اساس روش LOO برابر 95% و نرخ طبقه بندي صحيح تك‌ثبت‌هاي P300 دار و بدون P300 در دادگان آموزش و آزمايش به ترتيب 71% و 70% بوده است. اين نتيجه با استفاده از 18 ويژگي انتخابي الگوريتم ژنتيك و طبقه‌بندي كننده‌ي تفكيك‌پذير خطّي به‌دست آمده است.

The purpose of this study was to design and evaluate a target stimulus detector based on detecting P300 component. First, a suitable experiment was designed base on the oddball paradigm, so that a P300 wave is generated when subjects were confronted with Target stimulus. 20 subjects went through the designed paradigm and their respective brain signals were recorded. The best detection method was selected through the implementation and evaluation of some proposed approaches on the recorded data. For the main processing block, which analyses the signal and makes a decision regarding the target or non target stimuli for each subject, the proposed classifiers were LDA(linear Discriminant analysis) and decision tree. Also the optimal feature set was selected using a genetic algorithm method from a primary feature set including Mode frequency, Mean frequency, Median frequency, Discrete Wavelet transform coefficients and some Morphologic Parameters. Finally the LDA was found as the best classifier. The final rate of correct detection of targets was 95% in the Loo (Leave One Out) method. Also the rates of correct classification of single trials were 71% for train data and 70% for test data. The best result was obtained using 18 selected features and the LDA classifier.