آرمین قسیمی - دانشجوی کارشناسی ارشد مهندسی پزشکی، گرایش بیوالکتریک، دانشگاه صنعتی سهند تبریز
سینا شامخی - دانشیارگروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعت ی سهند تبر یز

بارکاری شناختی (CW) از مهمترین توانایی های فعالیت شناختی است که یک عامل کلیدی در زمینه یادگیری انسان است. دانستنمقدار بهینه بارکاری شناختی برای به حداکثر رساندن عملکرد شناختی ضروری است. بارکاری به عنوان یک متغیر مهم در برنامه هایکاربردی رابط مغز -کامپیوتر(BCI) ظاهر می شود. رابط های مغز-کامپیوتر با ردیابی وضعیت شناختی کاربر, برای سیستم هایآموزشی مناسب هستند. از این رو در این مقاله، روشی کارآمد برای طبقه بندی سطوح مختلف بارکاری شناختی ارائه شده است. تا ضمنبکارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روش های آموزش به دست آید. در روش پیشنهادی، ویژگی های میانگین،واریانس، توان باند. جذر میانگین مربعات، کشیدگی و چولگی از ۴ مولفه تجزیه شده روش تجزیه حالت تجربی (EMD) سیگنالEEG استخراج گردیده است. جهت بهینه سازی و کاهش ابعاد بردار ویژگی، از روش ReliefF و mRMR استفاده شده. سپسبرای طبقه بندی بارکاری شناختی انواع هسته های مختلف ماشین بردار پشتیبان بکار گرفته شد. نتایج نهایی به این صورت بوده استکه، طبقه بند SVM با هسته چندجمله ای مرتبه اول(خطی) با روش انتخاب ویژگی ReliefF با تعداد ۵۰ ویژگی برتر در طبقه بندیحالت دو کلاسه back/۳=back=۰، back/۲=back=۰ و back/۳=back=۲به ترتیب ۹۳/۸۰، ‎۹۳/۱۶ و ۸۷/۳۹ درصد و درحالت سه کلاسه back/۲=back/۳=back=۰ به ۷۲/۲۲ درصد صحت دست یافته است.

بارکاری شناختی، رابط مغز -کامپیوتر، تجزیه حالت تجربی، ماشین بردارپشتیبان