ارائه مدلی به منظور تشخیص تصور حرکتی و بهینه سازی الکترودهای الکتروانسفالوگرام ، با استفاده از ضرایب پیشگوی خطی ( LPC ) و ضرایب Mel-Frequency cepstral

همه روزه افراد زیادی دچار معلولیت های گوناگون می شوند که امکان حرکت و فعالیت ها روزمره را از آنها می گیرد و سبب مشکلات فردی و اجتماعی می شوند و فرد معلول به مرور زمان دچار آسیب های روحی می گردد و با صنعتی شدن جوامع تعداد این معلولیت ها رو به افزایش است. در این مطالعه ما به بررسی طبقه بندی تصور حرکتی با استفاده از سیگنال الکتروانسفالوگرام می پردازیم. در صورتی که بتوانیم با استفاده از تکنیک هایی توصرات حرکتی فرد را آشکارسازی نماییم و برای فرمان به پروتزها و سایر ماشین ها استفاده کنیم، می توانیم مشکلاتی که ذکر شد را به صورت معناداری کاهش دهیم. با استفاده از دیتای EEG که از 9 نفر گرفته شده است به بررسی تصورات حرکتی پا راست و پا چپ با استفاده از ویژگی های ضرایب پیشگوی خطی و ضرایب کپسترال مقیاس مل پرداختیم. پس از استخراج ضرایب ویژگی های Activity و Mobility و Complex به ترتیب در شبکه های عصبی ماشین بردار پشتیبان دارای دقت های 82.5% و 64.45% و 62.18% و در شبکه عصبی پرسپترون چند لایه دارای دقت 78% و 63.59 و 62.17% بود. همچنین ضرایب پیشگوی خطی دارای دقت های 82.71% در شبکه عصبی ماشین بردار پشتیبان و 77 درصد در شبکه عصبی پرسپترون چند لایه بود.

کلیدواژه ها:

تصور حرکتی ، پارامترهای جورث ، ماشین بردار پشتیبان ، شبکه های عصبی ، سیگنال EEG