آشکارسازی مولفه P300 سیگنال مغزی با استفاده از الگوی زمانی مشترک وزن دار

آشکارسازی پتانسیل های وابسته به رخداد یک پیش نیاز مهم در سیستم های واسط مغز و کامپیوتر (BCI)) مبتنی بر ERP است. در این سیستم ها به منظور افزایش درصد صحت طبقه بندی، ازروش های فیلتر ینگ مختلف استفاده می شود تا نرخ سیگنال به نویز بهبود یابد و در نتیجه تشخیص و طبقه بندی پتانسیل های وابسته به رخداد تسهیل گردد. پیش از این عملکرد فیلترهای الگوی مکانی مشترک (CSP) و الگوی زمانی مشترک (CTP) که به ترتیب فیلتر های مکانی و زمانی هستند، در آشکار سازی مولفه P300 مورد بررسی قرار گرفته است. در این روش ها فیلترها به صورتی آموزش داده می شوند که واریانس یک کلاس حداکثر و به صورت همزمان واریانس کلاس دیگر حداقل شود. نتایج نشان داده است که در سیستم P300 Speller عملکرد فیلترهای زمانی CTP بهتر از فیلترهای مکانی CSP است. در این مطالعه به منظور بهبود عملکرد روش CTP، الگوریتم ترکیبی الگوی زمانی مشترک وزن دار (WCTP) پیشنهاد شده است. در این روش به هر دسته ویژگی وزنی متناسب با اهمیت مقادیر ویژه مربوطه داده می شود. در واقع در این روش ویژگی های تولیدی توسط فیلترهای ابتدایی و انتهایی CTP وزن بیشتری در تصمیم گیری دارند. در روش ترکیبی به کار رفته در این الگوریتم از طبقه بندی کننده های LDA استفاده شده است. با توجه به آزمایش های انجام شده بر روی دو سوژه مورد بررسی و در حالت 5 ثبت میانگین گیری شده، دسته ویژگی بدست آمده توسط WCTP با میانگین درصد صحت طبقه بندی 2/90 بهترین عملکرد را از خود نشان داد که نشانگر بهبود تقریبا 4 درصدی نسبت به CTP است.