fa 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 عمومى General پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> 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.<br> &nbsp;<strong><span style="color: black;">روش:</span></strong> 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 <span dir="LTR">k</span> نزدیک‌ترین همسایه با استفاده از ویژگی‌های انتخاب شده بر روی نمونه‌ها اعمال شد. داده&shy;ها در محیط متلب و توسط جعبه ابزار <span dir="LTR">EEGLAB </span>&nbsp;پردازش شده است.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> 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.<br> <strong>نتیجه‌گیری:</strong> نتایج نشان دهنده‌ بهبود نتایج پس از اعمال الگوریتم جستجوی گرانشی باینری بهبود یافته و طبقه‌بند نزدیک‌ترین همسایه می‌باشد.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> Pattern recognition field is necessary for the recognition of different sensorimotor tasks in Brain Computer Interface systems. Reducing the number of features is an important step in Brain Computer Interface systems and it can improve the accuracy and efficiency of the classification and reduce the costs.<br> <strong>Methods:</strong> In this paper, features selection was performed through using Improved Binary Gravitational search algorithm and Advanced Binary Ant Colony Optimization on data related to brain signals of nine normal subjects for imagination of left and right hand movements.&nbsp; Features were extracted from six different frequency bands. Two classifiers including support vector machine and k- nearest neighbor were applied to separate the classes. Data were processed by EEGLAB toolbox and through matlab software.<br> <strong>Results:</strong> The classification rate of the proposed method is 84.21%. Using feature selection methods, effective frequency bands and features for left and right hand movement classification were extracted.<br> <strong>Conclusion</strong>: The results show the improvement in the classification rate by using Improved Binary Gravitational search algorithm and nearest neighbor classification.<br> &nbsp;</div> الگوریتم,گرانشی باینری بهبود یافته, ماشین بردار پشتیبان Algorithm, Advanced Binary Optimization, Support Vector Machine 142 153 http://jhbmi.ir/browse.php?a_code=A-10-165-1&slc_lang=fa&sid=1 Mansoureh Nekoei منصوره نکوئی m.nakoei92@gmail.com 10031947532846003626 10031947532846003626 No ارشناس ارشد برق، بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران. Hossein Nezamabadi-pour حسین نظام ابادی پور nezam@uk.ac.ir 10031947532846003627 10031947532846003627 No دکترای برق، استاد بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران. Esmat Rashedi عصمت راشدی rashedi_es@yahoo.com 10031947532846003628 10031947532846003628 Yes Ph.D. Communication Engineering, Assistant Professor, Electrical Engineering Dept., Graduate University of Advanced Technology, Kerman, Iran. دکترای برق، استادیار گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.