فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله، یک چارچوب جامع برای تحلیل و طبقه‌بندی محتوای بصری چندکلاسه مبتنی بر سیگنال‌های الکتروانسفالوگرافی تحریک‌شده ارائه شده است. با توجه به چالش‌های متعدد در استخراج ویژگی‌های معنادار از سیگنال‌های مغزی، رویکرد پیشنهادی بر تحلیل ترکیبی استخراج ویژگی در حوزه‌های زمانی، فرکانسی، زمان‌ـ‌فرکانس و محلی تمرکز دارد. ویژگی‌های استخراج‌شده با استفاده از روش‌های کلاسیک و ساختاری از سیگنال‌های الکتروانسفالوگرافی در کنار آزمون آماری Kruskal-Wallis انتخاب شده‌اند. سپس با بهره‌گیری از مدل‌های طبقه‌بندی متنوع، از جمله ماشین بردار پشتیبان، K-نزدیک‌ترین همسایه، پرسپترون چندلایه، درخت تصمیم و شبکه‌های عصبی کانولوشنی، عملکرد مدل‌ها ارزیابی گردید. نتایج نشان می‌دهد که ویژگی‌های حوزه زمان‌ـ‌فرکانس و سیگنال ثبت‌شده از کانال Fz، میانگین دقت 92/84٪ را در طبقه‌بندی چهارکلاسه بصری ارائه می‌دهند و بالاترین عملکرد را در میان سایر ترکیب‌ها دارد که نسبت به مراجع گذشته بین 2 تا 8 درصد بهبود داشته است. (با توجه به تعداد کلاس این افزایش مطلوب است) همچنین، روش‌های استخراج ویژگی 1D-LGP و LNDP نیز با دقت‌های بالا (83%) و مقاومت در برابر تغییرات کلاس‌ها، عملکرد قابل‌توجهی نشان دادند. این چارچوب پیشنهادی علاوه بر افزایش دقت طبقه‌بندی، از نظر محاسباتی نیز کارآمد بوده و قابلیت به‌کارگیری در سیستم‌های زمان واقعی را دارد.