فهرست نشریات علمی دسترسی آزاد ایران

مغز انسان جزو شبکه‌های پیچیده و ناهمگن محسوب می‌شود و سیگنال‌های مغز حاوی اطلاعات زیادی هستند، از این رو محققان این حوزه همواره در صدد یافتن راه حل‌هایی مناسب برای انتخاب ویژگی‌های معنادار و کاهش بعد مناسب این اطلاعات بوده تا به طبقه‌بندی بهتری دست یابند. دو مورد از ابزارهای نوین برای پردازش سیگنال‌های مغزی، پردازش سیگنال روی گراف (GSP) و روش‌های فراابتکاری و تکاملی هستند. در روش پیشنهادی این مقاله، دو ساختار هندسی و ترکیبی برای گراف مغز در نظر گرفته شده که در ساختار ترکیبی، وزن یال‌ها، ترکیب وزن‌دار دو معیار فاصله‌ی هندسی و همبستگی است. به منظور کاهش بعد گرافی، از معیار درجه‌ی وزن‌دار و ترکیب روش کاهش کرون با تبدیل فوریه‌ روی گراف (KG) استفاده شده است تا به نحو مناسبی اطلاعات تمام راس‌های گراف در رئوس منتخب حفظ شود. استخراج ویژگی توسط تخمین لدویت-وولف و روش نگاشت فضای مماسی انجام شده و برای کاهش بعد ویژگی‌های مستخرج، از روش تحلیل مولفه‌های اصلی (PCA) و انتخاب ویژگی بر اساس تکامل تفاضلی (DE) استفاده شده است. ویژگی‌های منتخب به چندین طبقه‌بند معروف حوزه‌ی یادگیری ماشین داده شده است. برای ارزیابی عمل‌کرد روش پیشنهادی از دادگان IV-a مسابقات BCI-III بهره گرفته شده است. نتایج نشان می‌دهد که میانگین صحت طبقه‌بندی روش پیشنهادی KG-PCA با طبقه‌بندهای ماشین بردار پشتیبان با تابع پایه‌ی شعاعی (SVM-RBF) و درخت تصمیم (DT) در گراف ساختاری و گراف ساختاری-عمل‌کردی نسبت به روش TSM-GFT در مطالعات پیشین بالاتر بوده و طبقه‌بند DT به میانگین درصد صحت 17/1±15/91 دست یافته است. هم‌چنین طبق نتایج به‌ دست آمده، عمل‌کرد روش پیشنهادی KG-DE در مقایسه با KG-PCA نیز بهتر بوده و در بهترین حالت، متوسط درصد صحت طبقه‌بند SVM-RBF برابر با 27/1±50/95 به دست آمده است.