مجتبی یاوندحسنی - آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران
فواد قادری - آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

ارتباط بین فعالیت های مغزی که با روش های مختلف مانند الکتروانسفالوگرافی (EEG) ثبت می شوند با مسائل دنیای واقعی اهمیت بررسی آنها را دوچندان کرده است. با این وجود سطح بالای نوفه (noise) در سیگنال های ثبت شده EEG و اختلافات موجود بین داده های ثبت شده کاربران مختلف کار طبقه بندی سیگنال های دریافتی را با چالش جدی مواجه می کند. در این مطالعه ظرفیت برخی از الگوریتم‎های معروف یادگیری ماشین برای یادگیری ویژگی‎های مهم و بارز از روی سیگنال‎های EEG که با روش تک ثبت از پاسخ‎های مغز به تصاویر محرک ضبط شده اند را ارزیابی کرده و ارایه می‎دهیم. علاوه بر بررسی و مطالعه‎ی روش‎های مختلف، نشان داده شده است که چگونه با نگاشت صحیح کل فضای داده‎ای به فضای ویژگی‎های بامعنی (IFS) کارایی تقریبا همه‎ی روش های دسته‎بندی‎ سیگنال‎های EEG که در این تحقیق استفاده شده اند را بهبود دهیم. نتایج بررسی‎های ما از تمامی نتایج مشابه روی مجموعه‎داده‎ی بررسی شده بهتر است و توانایی مناسب و موفق برخی از الگوریتم‎های یادگیری ماشین در به دست آوردن ساختار مجزا و تفکیک ‎شده‎ی دسته‎های اشیا در دسته‎بندی سیگنال‎های ذخیره شده ی تک ثبت را نشان می‎دهد.

سیگنال‎های EEG تک ثبت؛ دسته‎بندی؛ بازشناسی دیداری اشیاء؛ محرک.