بررسی اثر روش های حذف نویز بر عملکرد طبقه بندی کننده خودکار احساسات در سیگنال مغزی

وجود نویز در سیگنال مغزی (EEG) به هنگام پردازش در فرایند های پیچیده نظیر استخراج الگو و طبقه بندی می تواند عامل موثری در صحت و دقت نتایج نهایی باشد. این مقاله به دنبال بررسی و مقایسه اثر روش های حذف نویز بر عملکرد طبقه بندی کننده خودکار احساسات می باشد. بدین منظور سیگنال مغزی EEG افراد آزمون که تحت تاثیر نمایش تصویر چهره های احساسی قرار گرفته بودند ضبط شد. سپس از حذف نویز به روش آنالیز مولفه های مستقل سریع پیشرفته (IFICA) در مقایسه روش آنالیز همبستگی کانونی مبنای حذف گوسی (GECCA) و روش آنالیز همبستگی کانونی (CCA) در مرحله پیش پردازش بهره گرفته شد و نتیجه این مرحله پس از کاهش ابعاد داده ها به روش الگوهای مشترک فضایی (CSP) به طبقه بندی کننده خودکار ماشین بردار پشتیبانی (SVM) وارد شده و نتایج مورد ارزیابی قرار گرفت. یافته ها نشان دادند اگرچه روش های بر مبنای CCA خصوصا GECCA دارای سرعت بالاتری در مرحله پیش پردازش می باشد اما صحت نتایج نهایی الگوریتم IFICA در حضور نویز طبیعی بیشتر بوده لذا رجحان هر روش می تواند وابسته به نوع کاربرد و شرایط سیگنال باشد.

Keywords:

سیگنال مغزی , آنالیز همبستگی کانونی