بهبود آشکارسازی مولفه P300 با استفاده از تلفیق روش های مختلف زمانی، فرکانسی و مکانی استخراج ویژگی

دراین مقاله سیستمی مبتنی بر بازشناسی آماری الگو جهت تفکیک سیگنال های حاوی P300 و فاقد آن، ارایه می شود. این سیستم- که بر روی دادگان P300-Speller مسابقات BCI 2005 کار می کند- از چهار بخش اصلی پیش پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه‍بند تشکیل شده که تاکید اصلی این مقاله بر بخش استخراج ویژگی و بررسی کارایی ویژگی های مختلف است. در مرحله استخراج ویژگی، شش دسته ویژگی شامل قطعه بندی هوشمند، ضرایب موجک، الگوهای مکانی مشترک، ویژگی های شکلی- زمانی، ویژگی های فرکانسی و دسته ویژگی ترکیبی الگوهای مکانی مشترک و قطعه بندی، تعریف شدند که برخی از این ویژگی ها (مانند ویژگی های قطعه بندی هوشمند، الگوهای مکانی مشترک و ترکیبی) تا کنون یا مستقیما برای آشکارسازی P300 به کار نرفته بودند و یا در موارد بسیار معدودی از آنها استفاده شده بود. سپس ویژگی ها با معیارهای مختلفی  به صورت تک تک و گروهی ارزیابی شدند و در نهایت ترکیبی بهینه از مجموع این ویژگی ها به طبقه بند SWLDA داده شد. بدین ترتیب درصد صحت تشخیص مولفه P300 با این سیستم به 05/97% رسید که در قیاس با نتایج مطالعات قبلی در این حوزه، نتیجه برتری است.