fa بررسی عملکرد تفکیک کننده‌ها و ویژگی‌های استخراجی جهت تفکیک الگوهای مغزی مربوط به فعالیت‌های ذهنی وابسته به چهار جهت اصلی علوم پایه Basic Sciences پژوهشي اصیل Original Atricle <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>زمینه و هدف:</strong> هدف از پژوهش حاضر طراحی رابط مغز-رایانه جهت تفکیک سیگنال‌های مغزی در حین تصور چهار جهت اصلی می‌باشد. به منظور نوآوری، افراد جهت‌های مورد نظر را با کمک قدرت تخیل در ذهن تصویرسازی کردند. الگوریتم آنالیز اجزاء مستقل برای نخستین بار هم در جهت استخراج آرتیفکت‌ها و هم در جهت تعیین سیگنال هدف استفاده گردید.</p> <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>مواد و روش‌ها:</strong> در این مطالعه توصیفی- تحلیلی، ثبت سیگنال‌ها با دستگاه میکرومد و کلاه 19 کاناله به صورت تک قطبی انجام شده است. جامعه آماری شامل 3 فرد در بازه سنی 25 تا 30 سال و تکلیف طراحی شده شامل 24 نمایش از چهار جهت اصلی بوده است.</p> <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>یافته‌ها:</strong> شبیه‌سازی‌ها نشان داده‌اند که بهترین صحت‌های تفکیک به پنجره زمانی با طول 5/2 ثانیه مربوط بوده است و ویژگی ضرایب مدل خودبازگشتی مرتبه 15 بهترین انتخاب برای ویژگی استخراجی است. برای تمامی حالت‌های شبکه عصبی با تعداد لایه‌ها و نورون‌ها و توابع جداساز مختلف، صحت‌های تفکیک، تفاوت قابل مقایسه‌ای نداشتند. در مقایسه با شبکه عصبی، آنالیز جداکننده خطی <span dir="ltr">(LDA)</span> صحت‌های طبقه‌بندی بهتری را نشان داد.</p> <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>نتیجه گیری:</strong> نتایج پژوهش حاضر با نتایج حاصل از روش‌هایی هم‌چون تصویرسازی تشدید مغناطیسی کارکردی <span dir="ltr">(fMRI)</span> و روش‌های مبتنی بر سیگنال‌های مغزی در تصور واکه‌ای هم پوشانی دارد. در این پژوهش با استخراج سیگنال هدف از خروجی الگوریتم آنالیز اجزای مستقل و استخراج ویژگی ضرایب خودبازگشتی و پنجره گذاری با طول 5/2 ثانیه بهترین صحت تفکیک از تفکیک کننده آنالیز جداساز خطی حاصل گشت.</p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Background:</em></strong> The purpose of this research is to design a Brain-Computer Interface to discriminate the brain signals while the brain images four main directions. To be innovative, the subjects have imaged the aimed directions by power of imagination, and for the first time, the ICA algorithm has been used to detect the aimed signal and to eliminate the artifacts.</span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Materials and Methods:</em></strong> In this descriptive-ana alytic study, signals are recorded by using a Micromed device and a 19-channel helmet in unipolar mode. The statistical population included three persons in the age range of 25 to 30 and the designed task consisted of 24 slides of four main directions<strong>.</strong></span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Results:</em></strong> Simulations have shown that the best classification accuracy was the outcome of the 2.5-second time windowing and the best choice for extracting features was the AR coefficients of 15 order. There was no significant difference between the classification accuracy of different implementation of the Artificial Neural Network classifier with different number of layers and neurons and different classification functions. In comparison with the Neural Network, the Linear Discriminant Analysis (LDA) showed better classification accuracies.</span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Conclusion:</em></strong> The results of this research are in accordance with the results of the methods such as FMRI and methods based on the brain signals in vowel imagination. In this research, the best classification accuracy was obtained from the Linear Discriminant Analysis classifier by extracting the target signal from the output of the ICA algorithm and extracting the AR coefficients as feature and the 2.5-second time windowing. The Linear Discriminant Analysis classifier result the best classification accuracies.</span></span></p> رابط مغز – رایانه, سیگنال‌های مغزی, آنالیز اجزاء مستقل, آنالیز جداساز خطی, شبکه عصبی Brain-computer interfaces (BCI), Electroencephalograph (EEG), Independent component analysis (ICA), Linear discriminant analysis (LDA), Neural network 11 23 http://jams.arakmu.ac.ir/browse.php?a_code=A-10-3780-1&slc_lang=fa&sid=1 Mahsa Bagheri مهسا باقری mahsa.bagheri89@yahoo.com 4600319475328460068184 4600319475328460068184 Yes Department of Telecommunication, Malek Ashtar Industrial University, Tehran, Iran. گروه مخابرات، دانشگاه صنعتی مالک اشتر، تهران، ایران. Ali Pourmohammad علی پور محمد 4600319475328460068185 4600319475328460068185 No Department of Electronic, Amir Kabir University, Tehran, Iran. گروه برق، دانشگاه امیرکبیر، تهران، ایران . Ehsan Imani احسان ایمانی 4600319475328460068186 4600319475328460068186 No Department of Telecommunication, Malek Ashtar Industrial University, Tehran, Iran. گروه مخابرات، دانشگاه صنعتی مالک اشتر، تهران، ایران.