دوره 4، شماره 2 - ( تابستان 1396 )
جلد 4 شماره 2 صفحات 153-142 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nekoei M, Nezamabadi-pour H, Rashedi E. Classification of L/R Hand Motor Imagery in Brain Computer Interfaces Using Feature Selection by Metaheuristic Algorithms. jhbmi 2017; 4 (2) :142-153
URL: http://jhbmi.ir/article-1-188-fa.html
URL: http://jhbmi.ir/article-1-188-fa.html
نکوئی منصوره، نظام ابادی پور حسین، راشدی عصمت. طبقه‌بندی سیگنال‌های مغزی تصور حرکت دست چپ و راست در سامانه‌های واسط مغز و رایانه با استفاده از انتخاب ویژگی به کمک الگوریتم‌های فرا ابتکاری. مجله انفورماتیک سلامت و زیست پزشکی. 1396; 4 (2) :142-153
دکترای برق، استادیار گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.
چکیده: (5974 مشاهده)
مقدمه: بازشناسی فعالیت‌های مختلف حسی- حرکتی در سامانه‌های واسط مغز و رایانه با مباحث بازشناسی الگو در ارتباط است. یکی از مسائل مهم در طراحی یک سامانه مؤثر واسط مغز و رایانه، چگونگی کاهش تعداد ویژگی‌های استخراج شده از سیگنال‌های مغزی است. استفاده از الگوریتم‌های انتخاب ویژگی یکی از مهم‌ترین مراحل در زمینه بازشناسی الگو می‌باشد. کاهش تعداد ویژگی‌ها می‌تواند در بهبود دقت و کارایی طبقه‌بند‌ها و در نتیجه کاهش هزینه‌ها مؤثر واقع شود.
روش: در این مقاله انتخاب ویژگی با استفاده از دو الگوریتم جستجوی گرانشی باینری بهبود یافته و بهینه‌ساز جمعیت مورچگان باینری پیشرفته بر روی مجموعه داده‌های مربوط به سیگنال‌های مغزی 9 فرد سالم جهت تفکیک تصور حرکت دست چپ و راست، صورت گرفت. ویژگی‌ها در 6 زیر باند مختلف استخراج شدهاند. دو طبقه‌بند ماشین بردار پشتیبان و k نزدیک‌ترین همسایه با استفاده از ویژگی‌های انتخاب شده بر روی نمونه‌ها اعمال شد. دادهها در محیط متلب و توسط جعبه ابزار EEGLAB پردازش شده است.
نتایج: نرخ طبقه‌بندی در سیستم پیشنهادی بالای 80 درصد است. با استفاده از روش‌های انتخاب ویژگی، باندهای فرکانسی و ویژگی های مؤثر جهت طبقه‌بندی حرکت دست چپ و راست استخراج شدهاند.
نتیجه‌گیری: نتایج نشان دهنده بهبود نتایج پس از اعمال الگوریتم جستجوی گرانشی باینری بهبود یافته و طبقه‌بند نزدیک‌ترین همسایه می‌باشد.
روش: در این مقاله انتخاب ویژگی با استفاده از دو الگوریتم جستجوی گرانشی باینری بهبود یافته و بهینه‌ساز جمعیت مورچگان باینری پیشرفته بر روی مجموعه داده‌های مربوط به سیگنال‌های مغزی 9 فرد سالم جهت تفکیک تصور حرکت دست چپ و راست، صورت گرفت. ویژگی‌ها در 6 زیر باند مختلف استخراج شدهاند. دو طبقه‌بند ماشین بردار پشتیبان و k نزدیک‌ترین همسایه با استفاده از ویژگی‌های انتخاب شده بر روی نمونه‌ها اعمال شد. دادهها در محیط متلب و توسط جعبه ابزار EEGLAB پردازش شده است.
نتایج: نرخ طبقه‌بندی در سیستم پیشنهادی بالای 80 درصد است. با استفاده از روش‌های انتخاب ویژگی، باندهای فرکانسی و ویژگی های مؤثر جهت طبقه‌بندی حرکت دست چپ و راست استخراج شدهاند.
نتیجه‌گیری: نتایج نشان دهنده بهبود نتایج پس از اعمال الگوریتم جستجوی گرانشی باینری بهبود یافته و طبقه‌بند نزدیک‌ترین همسایه می‌باشد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
