سیده زهره سیدصالحی - دانشگاه شاهد، پژوهشکده پردازش هوشمند علائم.
علی مطیع نصرآبادی - دانشگاه شاهد
وحید ابوطالبی - دانشگاه یزد، پژوهشکده پردازش هوشمند علائم.

در این تحقیق مدل مخفی مارکوف که یک مدل آماری با پایه ریاضی قوی می باشد، برای نخستین بار در تشخیص مؤلفه P300 بکار گرفته شده است. CDHMMها که از نوع پیوسته مدلهای مارکوف هستند با استفاده از روش یادگیری مدولار برای تفکیک دادگان حاوی P300 و فاقد آن در دادگان BCI2005- II، ا ستفاده شده اند. ضرایب استخراج شده توسط تبدیل موجک Quadratic B-spline به عنوان زنجیره ویژگی برای مدلها استفاده شد. این ضرایب برای 64 کانال استخراج و با اعمال PCA در فضای ویژگیها کاهش بعد صورت گرفت. بعد از آموزش دو مدل CDHMM برای سیگنالهای حاوی P300 و فاقد آن، میزان شباهت به هر مدل توسط SVM بررسی و تصمیم گیری نهایی انجام شد. با روش ارزیابی 10 بار 10 دسته دادگان، 95,8 % صحت تشخیص مؤلفه P300 برای داده آموزش و 87.3% برای داده آزمون بدست آمده، در حالیکه برای ساختار مشابه، اما با جایگزین شدن CDHMM با LDA، نتایج 85.2% صحت تشخیص مولفه P300 برای داده آموزش و 84.2% برای داده آزمون بدست آمد.

مولفه P300، مدل مخفی مارکوف، روش یادگیری مدولار،ضرایب تبدیل موجک