سیدعابد حسینی - مربی و دانشجوی دکترای کنترل، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات دانشکده مهندسی دانشگاه فردوسی مشهد مشهد ایران
محمدباقر نقیبی سیستانی - استادیار، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات دانشکده مهندسی دانشگاه فردوسی مشهد مشهد ایران
محمدرضا اکبرزاده توتونچی - استاد، قطب علمی رایانش نرم و پردازش هوشمند اطلاعات دانشکده مهندسی دانشگاه فردوسی مشهد مشهد ایران

شناخت حالت به عنوان یکی از بارزترین فعالیت توجه های مغزی انسان خصوصا پدیده های شناختی مغز، در بسیاری از بیماری ها مانندنقص توجه پر تحرکی، درخودماندگی، نقص عصب، نقص عضو و همچنین در بسیاری از زمینه - ها نظیر تصمیم گیری، درمان اعتیاد، یادگیری،دروغ سنجی، ارتباط مغز- رایانه، رانندگی، نگاهبانی اماکن حفاظتی، سوزنبانی قطار و خلبانی کاربرد دارد. هدف اصلی این مقاله، ارایه روشی کارا برای ارتباط مغز- رایانه (BCI) دوبعدی مبتنی بر توجه انتخابی دیداری با استفاده از سیگنال های MEG است. توجه انتخابی، یک فرآیند شناختیاست که در آن شخص تمرکز خود را به طور انتخابی روی یک وجه قرار داده و وجوه دیگر و نیز برخی عوامل منحرف کننده را نادیده می گیرد. دراین مقاله، به علت خواص خوب سیگنال مغزی MEG ، از آن به عنوان سیگنال کنترلی در BCI استفاده می شود. پس از پیش پردازش داده،ویژگی هایی نظیر ضرایب موجک دابشیز و آنتروپی تقریبی از سیگنال MEG استخراج می شوند. معمولا تمام ویژگی های استخراجی برایدسته بندی مفید نیستند، بنابراین از الگوریتم تحلیل مولفه های اصلی (PCA)، برای انتخاب مناسب ترین دسته ویژگی ها استفاده می شود.ویژگی های بهینه استخراج شده، به یک ماشین بردار پشتیبان با هسته های چندجمله ای، تابع پایه شعاعی و همچنین ماشین بردار پشتیبان موجک(WSVM) با هسته های مورلت و کلاه مکزیکی برای طبقه بندی داده می شوند. درنهایت این مقاله می تواند محل حضور محرک را با درصد صحتمتوسط 92/26% به کمک دسته بندی کننده با هسته مورلت از روی سیگنال MEG تشخیص دهد. از مطالعه نواحی مختلف مغزی مشاهده می شود،بیشترین درصد صحت، مربوط به نواحی پیشانی و گیجگاهی است. از نتایج تحقیق می توان برای شناسایی بهتر نواحی مختلف مغز در حالت توجهانتخابی دیداری استفاده کرد. نتایج شبیه سازی بیانگر موثر بودن این روش در کاربردهای BCI با صحت 92/26% است.

ارتباط مغز رایانه، توجه انتخابی دیداری، سیستم شناخت، سیگنال MEG