تحسين أداء أنظمة التصور الحركي باستخدام مصنفات هجينة
الملخص
تلقى أنظمة التصور الحركي في واجهة الدماغ والحاسوب BCI-MI (Brain Computer Interface- Motor Imagery) اهتماماً كبيراً من الباحثين في الفترة الأخيرة, وخاصةً تلك المبنية على مخطط كهربائية الدماغ EEG (Electroencephalography), حيث يتم تسجيل إشارات الدماغ EEG أثناء تخيل حركة معينة كتخيل تحريك اليد اليمنى, والتعرف عليها باستخدام أحد المصنفات, وقد تنوعت عمليات المعالجة الأولية والمصنفات المستخدمة في عملية التعرف هذه, ولكن حتى يومنا هذا لم ترق هذه الأنظمة إلى الدقة الكافية لتنفيذها عملياً, حيث تختلف دقة الأنظمة المتوفرة عند تجريبها على مجموعات بيانات مختلفة, إضافة إلى مجال خطأ كبير نسبياً.
نقترح في هذه البحث نظام هجين للتعرف على التصورات الحركية باستخدام مخطط كهربائية الدماغ EEG, وبالاعتماد على مصنفات تكديس هجينة كل منها مكون من عدة مصنفات فرعية, مع استخدام النمط المكاني المشترك متعدد المرشحات FBCSP (Filter Bank Common Spatial Pattern) في المعالجة الأولية للإشارة, حيث تم الوصول لنسب تعرف 83.03%, 88.70%, 89.37% على مجموعات البيانات IV2b, IV2a, AlexMI على التوالي باستخدام المصنفات المقترحة.
المراجع
[2]A. SUBASI; S. M. CAISAR; (2021): The Ensemble Machine Learning-Based Classification of Motor Imagery Tasks in Brain-Computer Interface. Journal of Healthcare Engineering, Vol. 2021, Article ID 1970769, 12 pages.
[3]D. H. KRISHNA; I. A. PASHA; T. S. SAVITHRI; (2018): Multiclass classification of motor imagery EEG signals using ensemble classifiers & cross-correlation. International Journal of Engineering & Technology, vol. 7, NO. 2.6, 2018.
[4]X. WANG; X. DAI; Y. LIU; X. CHEN; Q. HU; R. HU; M. LI; (2023): Motor imagery electroencephalogram classification algorithm based on joint features in the spatial and frequency domains and instance transfer. Neurosci, vol. 17:1175399.
[5]M. TANGERMANN; K.R. MÜLLER; A. AERTSEN; N. BIRBAUMER; C. BRAUN; C. BRUNNER; R. LEEB; C. MEHRING; K.J. MILLER; G. MUELLER-PUTZ; G. NOLTE; (2012): Review of the BCI competition IV. Frontiers in Neuroscience, vol. 6, p.55.
[6] R. LEEB; F. LEE; C. KEINRATH; R. SCHERER; H. BISCHOF; G. PFURTSCHELLER; (2007): Brain-computer communication: motivation, aim, and impact of exploring a virtual apartment. IEEE Transactions on Neural Systems and Rehabilitation Engineering 15, 473–482.
[7]A. BARACHANT;(2012): Commande robuste d’un effecteur par une interface cerveau machine EEG asynchrone . SEMANTIC SCHOLAR, Corpus ID: 170981156.
[8] C. SWEENEY; E. ENNIS; M. MULVENNA; R. BOND; S. O'NEILL;(2022): How Machine Learning Classification Accuracy Changes in a Happiness Dataset with Different Demographic Groups. Computers, VOL.11, NO.5.
[9] J. CHO; J. JEONG; O. KIM; S. LEE; (2020): A Novel Approach to Classify Natural Grasp Actions by Estimating Muscle Activity Patterns from EEG Signals. arXiv:00556v1.
[10]E. KAYA; I. SARITAS; (2023): Feature Analysis For Motor Imagery EEG Signals With Different Classification Schemes. Sakarya University Journal of Science, vol. 27, Issue. 2.
[11]J. LUO; X. GAO; X. ZHO; B. WANG; N.LU; J. WANG; (2020): Motor imagery EEG classification based on ensemble support vector learning. ELSEVIER, Computer Methods and Programs in Biomedicine, vol. 193.
[12]R. CHATTERJEE; A. DATTA; D. K. SANYAL; ( 2019): Ensemble Learning Approach to Motor-Imagery EEG Signal Classification. Science Direct, Pages: 183-208.
