فهرست نشریات علمی دسترسی آزاد ایران

امروزه استفاده از سیستم‌ رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته‌ی بینایی حالت ماندگار (SSVEP) به دلایلی هم‌چون صحت قابل قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI بوده که در ناحیه‌ی پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می‌شود. یکی از  روش‌های کارآمد برای استخراج فرکانس SSVEP در سیستم‌های BCI، روش تجزیه‌ و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که نسخه‌ی تانسوری شده‌ی روش کلاسیک تجزیه‌ و تحلیل ضرایب همبستگی (CCA) بوده و مبتنی بر داده‌های چندبعدی است. در این مقاله با الهام گرفتن از روش MCCA، دو الگوریتم جدید PARAFAC-CCA و C-PARAFAC-CCA با استفاده از ترکیب روش CCA و تجزیه‌ی تانسوری PARAFAC معرفی شده که  هدف این الگوریتم‌ها بهبود سیگنال مرجع اولیه و دست‌یابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستم‌های BCI است. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه‌ی PARAFAC روی داده‌های چندبعدی آموزش و به دست آوردن مولفه‌ی زمانی، روش CCA بین مولفه‌ی زمانی به دست آمده و سیگنال مرجع سینوسی کسینوسی پیاده‌سازی شده و از خروجی آن، سیگنال مرجع بهینه ساخته شده است. در نهایت از الگوریتم MLR بین داده‌ی تست EEG و سیگنال مرجع بهینه به منظور دست‌یابی به فرکانس هدف استفاده شده است. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده با این تفاوت که در محاسبه‌ی مولفه‌ی زمانی از PARAFAC مقید استفاده شده به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمال شده و مولفه‌ی زمانی بهبود داده شده است. کارایی الگوریتم‌های ارائه شده روی مجموعه‌ی دادگان واقعی مورد بررسی قرار گرفته و نشان داده شده که به طور میانگین صحت تشخیصی الگوریتم‌های پیشنهادی در مقایسه با روش MCCA بالاتر است.