طبقه بندی سیگنالهای چندوجهی EEG + fNIRS با استفاده از کشیدگی طیفی و ماشین بردار پشتیبان

واسط مغز و کامپیوتر (BCI) ارتباطی بین مغز انسان و دنیای واقعی ایجاد میکند که فرد از طریق آن میتواند با استفاده از فعالیت مغزی خود با دستگاههایی خارج از سیستم حرکتی فیزیولوژیکی خود ارتباط برقرار کرده و آنها را کنترل کند. این رابطها در حال حاضر در حوزههای مختلفی از جمله ،پزشکی ،آموزش ،سرگرمی بازی بازاریابی و خودکنترلی استفاده میشوند. در سالهای اخیر استفاده از سیگنالهای چندوجهی در کاربردهای BCI گسترش یافته است که میتوان به استفاده همزمان از سیگنالهای الکتروانسفالوگرافی (EEG) و طیف سنجی عملکردی مادون قرمز نزدیک (fNIRS) اشاره کرد با توجه به نتایج امیدوار کننده استفاده همزمان از EEG و INIRS، در این پژوهش روشی چندوجهی با استفاده از سیگنالهای EEG و NIRS ارائه میشود. برای این منظور ابتدا سیگنال fNIRS به سیگنالهای HbO و HbR تجزیه میشود در ادامه این دو سیگنال و سیگنال EEG با استفاده از فیلترهای دیجیتال به چندین زیرباند تجزیه می.شوند در ،ادامه کشیدگی طیفی هر زیرباند به عنوان ویژگی استخراج شده و پس از ترکیب، به عنوان بردار ویژگی نهایی به طبقه بند بردار پشتیبان ماشین اعمال می.شوند نتایج به دست آمده نشان میدهند که روش پیشنهادی نسبت به سایر روشها دقت تشخیص بالاتری دارد همچنین استفاده از سیگنال ترکیبی EEG + fNIRS دقت طبقه بندی بالاتری نسبت به استفاده منفرد از هر کدام از سیگنالهای EEG و fNIRS دارد.