کاهش ابعاد برای سامانه ی واسط مغز-رایانه ی مبتنی بر تصور حرکتی با استفاده از کاهش کرون، تبدیل فوریه روی گراف و تکامل تفاضلی

مغز انسان جزو شبکه های پیچیده و ناهمگن محسوب می شود و سیگنال های مغز حاوی اطلاعات زیادی هستند، از این رو محققان این حوزه همواره درصدد یافتن راه حل هایی مناسب برای انتخاب ویژگی های معنادار و کاهش بعد مناسب این اطلاعات هستند تا به طبقه بندی بهتر منجر گردد. دو مورد از ابزارهای نوین برای پردازش سیگنال های مغزی، پردازش سیگنال روی گراف (GSP) و روش های فراابتکاری و تکاملی هستند. در روش پیشنهادی این مقاله، دو ساختار هندسی و ترکیبی برای گراف مغز در نظر گرفته شده که در ساختار ترکیبی، وزن یال ها، ترکیب وزن دار دو معیار فاصله ی هندسی و همبستگی است. به منظور کاهش بعد گرافی، از معیار درجه ی وزن دار و ترکیب روش کاهش کرون با تبدیل فوریه روی گراف (KG) استفاده شده تا به نحو مناسبی اطلاعات تمام ریوس گراف در ریوس منتخب حفظ گردد. استخراج ویژگی توسط تخمین لدویت-وولف و روش نگاشت فضای مماسی انجام شده و برای کاهش بعد ویژگی های مستخرج، از روش تحلیل مولفه های اصلی (PCA) و انتخاب ویژگی بر اساس تکامل تفاضلی (DE) استفاده شده است. ویژگی های منتخب به چندین طبقه بندی کننده‎ی معروف حوزه ی یادگیری ماشین داده شده اند . برای ارزیابی عملکرد روش پیشنهادی، از دادگان IV-a مسابقات III-BCI بهره گیری شده است. نتایج نشان می دهد که میانگین صحت طبقه بندی روش پیشنهادی KG-PCA با طبقه بندهای ماشین بردار پشتیبان با تابع پایه شعاعی (SVM-RBF) و درخت تصمیم (DT)، در گراف ساختاری و گراف ساختاری-عملکردی، نسبت به روش G-PCA در مطالعات پیشین، بالاتر بوده و طبقه بند DT به میانگین درصد صحت 17/1 15 ±/91 دست یافته است. همچنین طبق نتایج به دست آمده، عملکرد روش پیشنهادی KG-DE در مقایسه با KG-PCA نیز بهتر بوده و در بهترین حالت، متوسط درصد صحت طبقه بند SVM-RBF برابر با 27/1 50 ±/95 به دست آمده است.