طراحي هم‌زمان فيلترهاي طيفي و فضايي براي واسط‌هاي مغز-كامپيوتر، بر‌اساس اطلاعات متقابل و بهينه‌سازي ازدحام ذرات

Designing Spectral and Spatial Filters Simultaneously for Brain-Computer Interface Based on Mutual Information and Particle Swarm Optimization

استخراج ويژگي‌هاي تفكيك‌پذير، بخشي مهم در سيستم‌هاي واسط مغز-كامپيوتر (BCI) است، كه مي‌تواند بر كارايي طبقه‌بندي، تاثير‌گذار باشد. براي رسيدن به اين هدف، الگوهاي فضايي مشترك (CSP)، روشي متداول است كه در سيستم‌هاي BCI مبتني‌بر تصورات حركتي، استفاده مي‌شود. CSP سعي مي‌كند تا مناسب‌ترين الگوهاي فضايي در سيگنال الكتروانسفالوگرام (EEG) را براي تفكيك گروه?هاي مختلف تصور حركتي، استخراج كند. به‌طور معمول پيش از اعمال CSP، سيگنال‌هاي EEG در باند فركانسي 30-8 هرتز، فيلتر مي‌شوند تا ريتم‌هاي مربوط به ناهمگامي وابسته به رويداد (ERD)، كه ميو و بتا نام دارند، استخراج شوند. با اين حال، اين باند فركانسي ممكن است در افراد مختلف، يكسان نباشد؛ به همين دليل، بهينه?سازي فيلترهاي طيفي در كنار فيلترهاي فضايي، مي‌تواند تاثير بسزايي در بهبود صحت طبقه‌بندي داشته ?باشد. در اين مقاله، با استفاده از الگوريتم تكاملي بهينه?سازي ازدحام ذرات (PSO)، روش يادگيري نويني را براي به?دست?آوردن هم‌زمان فيلترهاي طيفي و فضايي ارايه مي‌دهيم. همچنين، از معيار اطلاعات متقابل بين ويژگي‌هاي استخراج‌شده و برچسب گروه‌ها، به‌عنوان تابع هزينه استفاده مي‌شود. شبيه‌سازي‌هاي انجام‌شده روي مجموعه داده يك از رقابت BCI، نشان مي‌دهد كه صحت طبقه‌بندي روش پيشنهادي، به‌طور معناداري بيشتر از روش‌هاي CSP و بانك فيلتر CSP (FBCSP)، با دو نوع بانك فيلتر متفاوت، است.

Extracting discriminative features is a crucial step in brain-computer interfaces (BCIs) that could affect directly on the classification performance. Common spatial patterns (CSP) is a commonly used algorithm for such propose in motor imagery based BCI systems. CPS tries to extract the most appropriate spatial patterns in the electroencephalogram (EEG) signals to discriminate different motor imagery classes. Before applying CSP, Usually EEG signals are filtered out in 8-30 Hz to capture event related desynchronization (ERD) specific frequency rhythms called mu and beta bands. However, this frequency band could be highly subject specific. Therefore, optimizing spectral and spatial filters jointly could improve the classification accuracy. In this paper, we proposed a novel learning algorithm to derive spatial and spectral filters simultaneously using an evolutionary learning algorithm called particle swarm optimization (PSO). Furthermore, we utilized mutual information between extracted features and class labels as a cost function in the learning algorithm. Our simulations on BCI competition IV, dataset 1 reveals that the proposed method significantly outperforms the conventional CSP and filter bank CSP (FBCSP) with two different filter bank architectures.