رابط مغز و کامپیوتر (BCI) مبتنی بر تخیل حرکتی (MI) به‌عنوان یک روش مؤثر برای برقراری ارتباط مستقیم بین مغز و دستگاههای الکترونیکی خارجی ارائه شده است. مسئله اصلی در سیستمهای BCI تبدیل سیگنالهای تولید شده در مغز به دستورات قابل‌اعتماد برای کنترل دستگاههای الکترونیکی است. سیگنال الکتروانسفالوگرافی (EEG) پرکاربردترین سیگنال در پژوهشهای مرتبط با BCI است. اخیراً ترکیب با برخی سیگنالهای حیاتی دیگر نظیر طیفسنجی نزدیک مادون‌قرمز (NIRS) برای افزایش کار آیی سیستمهای BCI مورد توجه قرار گرفته است. مهمترین چالش در سیستمهای BCI با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگیهای سیگنالهای مختلف است. برای این منظور، در این مقاله ابتدا سیگنالهای EEG و اجزای NIRS، شامل HbO و HbR، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکههای عصبی کانولوشنی یکبعدی، ویژگیهای عمیق از هر زیرباند استخراج شده و با هم ادغام میشوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه‌وتحلیل اجزای اصلی با هسته (KPCA)، ویژگیهای غیرمفید را حذف کرده و ویژگیهای باقیمانده با استفاده از بردار پشتیبان ماشین طبقهبندی میشوند. نتایج نشان میدهند روش پیشنهادی دقت بالایی دارد و روشهای ارائهشده اخیر را بهبود میدهد.
اصغرزاده بناب, اکبر, & حاتمیان, امیر. (1402). طبقهبندی سیگنالهای ترکیبی EEG-fNIRS با استفاده از ویژگیهای عمیق کاهش‌یافته برای کاربردهای BCI. علوم و فناوریهای پدافند نوین, (), 143-153.
MLA
اکبر اصغرزاده بناب; امیر حاتمیان. "طبقهبندی سیگنالهای ترکیبی EEG-fNIRS با استفاده از ویژگیهای عمیق کاهش‌یافته برای کاربردهای BCI". علوم و فناوریهای پدافند نوین, , , 1402, 143-153.
HARVARD
اصغرزاده بناب, اکبر, حاتمیان, امیر. (1402). 'طبقهبندی سیگنالهای ترکیبی EEG-fNIRS با استفاده از ویژگیهای عمیق کاهش‌یافته برای کاربردهای BCI', علوم و فناوریهای پدافند نوین, (), pp. 143-153.
VANCOUVER
اصغرزاده بناب, اکبر, حاتمیان, امیر. طبقهبندی سیگنالهای ترکیبی EEG-fNIRS با استفاده از ویژگیهای عمیق کاهش‌یافته برای کاربردهای BCI. علوم و فناوریهای پدافند نوین, 1402; (): 143-153.
)