دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 3 ۷ 2023 08 31 Increasing the accuracy of classification of brain signals based on lower limb motor imagery by combining optimal channel selection methods and common spatial pattern افزایش دقت طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکتی اندام حرکتی تحتانی با ترکیب روش‌های انتخاب کانال‌های بهینه و الگوی فضایی مشترک 54 70 10.22051/jera.2021.31891.2698 FA حسین دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران. محمدعلی استادیار، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران. ایمان پژوهشگر، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران. 2023 08 11 The brain-computer interface system provides a communication path between the brain and the computer and has recently received increasing attention. One of the most common paradigms of brain-computer interface systems is motor imagery. The brain-computer interface system based on motor imagery using electroencephalogram signals uses a large number of channels when receiving signals. Channels not related to the intended task cause unwanted interference and increase the noise level. In this paper, we present two optimal channel selection methods to improve common spatial pattern (CSP)-related features for classification of motor imagery tasks. Since the brain activities of motor imagery are located in a specific area of the brain, how to choose the right channels is important to improve the performance of the brain-computer interface. In this paper, analysis of variance (ANOVA) feature selection and sequential forward feature selection (SFFS) combined with common spatial pattern (CSP) are used to select optimal electrode channels. The results show that the accuracy of KNN, SVM and LDA classifications when using ANOVA+CSP method is 74, 72 and 71% respectively, when using SFFS+CSP method is 74, 73 and 68% respectively, when using CSP alone, 65, 62 and 60%, respectively, when not using the methods of selecting optimal channels and common spatial pattern, it is 58, 64 and 57%, respectively; Therefore, the combination of optimal channel selection methods and common spatial pattern has increased the accuracy of the classifiers. سیستم رابط مغز و رایانه یک مسیر ارتباطی بین مغز و رایانه فراهم می‌کند و اخیراً مورد توجه روزافزون قرار گرفته است. یکی از رایج‌ترین پارادایم‌های سیستم‌های رابط مغز و رایانه، تصور حرکتی است. سیستم رابط مغز و رایانه مبتنی بر تصور حرکتی با بهره‌گیری از سیگنال‌های الکتروانسفالوگرام در هنگام اخذ سیگنال از تعداد زیادی کانال استفاده می‌کنند. کانال‌های غیرمرتبط با کار مورد نظر، سبب ایجاد تداخل نامطلوب و افزایش سطح نویز می‌گردد. در این مقاله، ما دو روش انتخاب کانال بهینه را برای بهبود ویژگی‌های مرتبط با الگوی فضایی مشترک (CSP) جهت طبقه‌بندی وظایف تصور حرکتی ارائه می‌کنیم. از آنجایی که فعالیت‌های مغزی تصور حرکتی در ناحیه خاصی از مغز قرار دارد، نحوه انتخاب کانال‌های مناسب برای بهبود عملکرد رابط مغز و رایانه مهم است. در این مقاله، انتخاب ویژگی تحلیل واریانس (ANOVA) و انتخاب ویژگی روبه‌جلو ترکیبی (SFFS) با الگوی فضایی مشترک (CSP) برای انتخاب کانال‌های الکترود بهینه ترکیب شده است. نتایج نشان می‌دهد که دقت طبقه‌بندهای KNN، SVM و LDA در هنگام استفاده از روش ANOVA+CSP به ترتیب 74، 72 و 71 درصد، در هنگام استفاده از روش SFFS+CSP به ترتیب 74، 73 و 68 درصد، در هنگام استفاده از CSP به تنهایی به ترتیب 65، 62 و 60 درصد، در هنگام عدم استفاده از روش‌های انتخاب کانال‌های بهینه و الگوی فضایی مشترک به ترتیب 58، 64 و 57 درصد می‌باشد؛ بنابراین ترکیب روش‌های انتخاب کانال‌های بهینه و الگوی فضایی مشترک باعث افزایش دقت طبقه‌بندها شده است. /downloadfilepdf/723235