طراحی هم زمان فیلترهای طیفی و فضایی برای واسط های مغز-کامپیوتر، بر اساس اطلاعات متقابل و بهینه سازی ازدحام ذرات

استخراج ویژگی های تفکیک پذیر، بخشی مهم در سیستم های واسط مغز-کامپیوتر (BCI) است، که می تواند بر کارایی طبقه بندی، تاثیر گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستم های BCI مبتنی بر تصورات حرکتی، استفاده می شود. CSP سعی می کند تا مناسب ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. به طور معمول پیش از اعمال CSP، سیگنال های EEG در باند فرکانسی 30-8 هرتز، فیلتر می شوند تا ریتم های مربوط به ناهمگامی وابسته به رویداد (ERD)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، می تواند تاثیر بسزایی در بهبود صحت طبقه بندی داشته باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO)، روش یادگیری نوینی را برای به دست آوردن هم زمان فیلترهای طیفی و فضایی ارایه می دهیم. همچنین، از معیار اطلاعات متقابل بین ویژگی های استخراج شده و برچسب گروه ها، به عنوان تابع هزینه استفاده می شود. شبیه سازی های انجام شده روی مجموعه داده یک از رقابت BCI، نشان می دهد که صحت طبقه بندی روش پیشنهادی، به طور معناداری بیشتر از روش های CSP و بانک فیلتر CSP (FBCSP)، با دو نوع بانک فیلتر متفاوت، است.