Abstract
In the study of brain computer interfaces, a novel method was proposed in this paper for the feature extraction of electroencephalogram (EEG). It was based on wavelet packet decomposition (WPD). The energy of special sub-bands and corresponding coefficients of wavelet packet decomposition were selected as features which have maximal separability according to the Fisher distance criterion. The eigenvector was obtained for classification by combining the effective features from different channels; its performance was evaluated by separability and pattern recognition accuracy using the datasets of BCI 2003 Competition. The classification results have proved the effectiveness of the proposed method. This technology provides another useful way to EEG feature extraction in BCIs
چکیده
در مطالعه ی رابط های مغز-کامپیوتر، روشی برای استخراج ویژگی های EEG مطرح گردیده است. این روش بر اساس تجزیه بسته موجک است. انرژی زیر-باندهای ویژه ای و ضرایب WPD متناظر با آنها، به عنوان ویژگی های انتخاب شده اند که جداکثر تفکیک پذیری بر اساس معیار فاصله ی Fisher را دارند. بردار ویژه برای دسته بندی به وسیله ی ترکیب ویژگی های موثر از کانال های مختلف بدست آمده است. کارایی این بردار ویژه به وسیله ی دقت تفکیک پذیری و دقت شناسایی الگو با استفاده از مجموعه اطلاعات BCI 2003 Competition ارزیابی شده است. نتایج دسته بندی، موثر بودن روش مذکور را اثبات کرده است. این تکنولوژی یک راه موثر دیگر برای استخراج ویژگی های EEG در BCI ها را ایجاد کرده است.
1- مقدمه
رابط های مغز-کامپیوتر(BCIs) وسیله هایی هستند که برای کمک به افراد ناتوان، برای برقراری ارتباط با کامپیوتر با استفادعه از فعالیت های الکتریکی مغز، ایجاد شده اند. فعالیت های الکتریکی مغز به وسیله ی EEG اندازه گیری می شوند. BCIها دو دسته هستند، یک دسته بر اساس Spontaneous EEG و دسته دیگر بر اساس Evoked EEG. Evoked EEG بر اساس شبیه سازی عصبی درون و بیرون تولید شده است...