آشكارسازي مولفه P300 سيگنال مغزي با استفاده از الگوي زماني مشترك وزن‌دار

P300 Component Detection by using Weighted Common Temporal Pattern

آشكارسازي پتانسيل‌هاي وابسته به رخداد، يك پيش‌نياز مهم در سيستم‌هاي واسط مغز و كامپيوتر (BCI) مبتني بر ERP است. براي افزايش درصد صحت طبقه‌بندي در اين سيستم‌ها، از روش‌هاي فيلتر‌ينگ مختلفي استفاده مي‌شود تا نرخ سيگنال به نويز بهبود يابد و در نتيجه تشخيص و طبقه‌بندي پتانسيل‌هاي وابسته به رخداد آسان شود. پيش از اين، عملكرد فيلترهاي الگوي مكاني مشترك (CSP) و الگوي زماني مشترك (CTP) كه به‌ترتيب فيلتر‌هاي مكاني و زماني هستند، در آشكارسازي مولفه P300 بررسي شده ‌است. در اين روش‌ها، فيلترها به صورتي آموزش داده مي‌شوند كه واريانس يك كلاس، بيشينه شده و واريانس كلاس ديگر به‌طور همزمان كمينه شود. نتايج نشان داده است كه در سيستم‌ P300Speller، عملكرد فيلترهاي زماني CTP بهتر از فيلترهاي مكاني CSP است. در اين مطالعه براي بهبود عملكرد روش CTP، الگوريتم تركيبي الگوي زماني مشترك وزن‌دار (WCTP) پيشنهاد شده است. در اين روش به هر دسته ويژگي، وزني متناسب با اهميت مقادير ويژه مربوطه داده مي‌شود. در واقع در اين روش، ويژگي‌هاي توليدي توسط فيلترهاي ابتدايي و انتهايي CTP وزن بيشتري در تصميم‌گيري دارند. در روش تركيبي به‌كار رفته در اين الگوريتم، از طبقه‌بندي‌ كننده‌هاي LDA استفاده شده است. با توجه به آزمايش‌هاي انجام شده روي دو نمونه مورد بررسي و با 5 ثبت ميانگين‌گيري شده، دسته ويژگي به‌دست آمده توسط WCTP با ميانگين درصد صحت طبقه‌بندي 2/90 بهترين عملكرد را از خود نشان داد كه نشانگر بهبود تقريباً 4 درصدي نسبت به CTP است.

Detection of Event Related Potentials (ERP) is an important prerequisite in the ERP-based Brain-Computer Interface (BCI) systems. In order to increase the classification accuracy in these systems, different filtering methods are used for improving the signal to noise ratio. This improvement facilitates the diagnosis and classification of the ERPs. In a number of studies, the performance of P300 detection systems which are based on common spatial pattern (CSP) and common temporal pattern (CTP) has been investigated. The former uses spatial filters while the latter is based on temporal filters. In these methods the filters are trained such that they maximize variance of one class and simultaneously minimize the other class variance. The associated results show that in P300 speller systems, the temporal filters outperform the spatial filters. In this study, in order to improve the performance of the CTP based systems, a Weighted Common Temporal Pattern (WCTP) algorithm which is a combined method is proposed. In this algorithm, each category of features has a weight based on the importance of its eigenvalues. In fact, the features produced by the initial and final CTP filters have more weight in the decision making process. In the combined method used in this algorithm, the LDA classifiers are used. It is shown that the set of features obtained by the WCTP method leads to an average classification accuracy of 90.2 percent which is about 4 percent better than the CTP method. The experiments are performed considering two different subjects on 5 trials.