استفاده از تکنیکهای یادگیری ماشین برای دسته بندی حالتهای چشمی الکتروانسفالوگرام

سیگنال های مغزی مورد نیاز برای رابط مغز و کامپیوتر از طریق روش الکتروانسفالوگرافی (EEG) به دست می آید. داده هایEEG در تجزیه و تحلیل بسیاری از مشکلات مانند تشخیص تشنج صرع، اختلال خلقی دوقطبی، کمبود توجه و تشخیص وضعیت خواب راننده وسیله نقلیه استفاده می شود. تعیین باز یا بسته بودن چشم بسیار مهم است که اندام مهمی برای تعیین وضعیت شناختی فرد است. در این زمینه، روشهای مرسوم و ویژگیهای مشتق شده دستی در موارد متعددی اعمال میشوند. استخراج ویژگیهای مفید و انتخاب طبقه بندی کننده های مناسب، مشکلات دشواری هستند. این کار یک سیستم مجموعه ای به نام " EEGEye" را پیشنهاد می کند که یک مرحله پیش پردازش جدید را به کار می گیرد.و عملکرد چندین طبقهبندی گروه روی مجموعه داده های Neur oheadset EEGEmot i v، که دارای ۱۴ ویژگی به استثنای متغیر هدف، ۱۴۹۸۰ رکورد است که دارای ۸۲۲۵ حالت چشم باز و ۶۷۵۵ حالت چشم بسته است، مورد بررسی قرار گرفت.در آزمایشها، ابتدا فرآیندها کشف داده های پرت و مفقود بر روی مجموعه داده اعمال شد، سپس استفاده از بهینه سازی ازدجام ذرات برای انتخاب ویژگیها به منظور شناسایی مرتبط ترین ویژگیها برای تشخیص حرکت چشم و در نهایت عملکرد طبقهبندی این طبقهبندیکننده ها از طریق یک تکنیک مورد ارزیابی قرار گرفت. عملکرد هر مدل با استفاده از معیارهای دقت، حساسیت و ویژگی اندازهگیری شد. نتایج به دست آمده نشان میدهد که الگوریتم بسته بندی با ۹۹.۸ درصد دقت ویژگی برای تشخیص حالت چشم سطح قابل قبولی است.

Keywords:

پیش پردازش , مجموعه داده وضعیت چشم EEG , روش مجموعه , تکنیک یادگیری ماشین