جلسه دفاع پایان نامه کارشناسی ارشد (آقای حیدری)
موضوع: استخراج ویژگی‌های مربوط به حرکت دست و کاربرد آن در رابط مغز - رایانه
ارائه دهنده: محمد حیدری
استادان راهنما: دکتر محمد دانش
استادان مشاور: دکتر عرفان نقش
استادان داور: دکتر مهدی کشمیری، دکتر سعید بهبهانی
BCI علمی جدید و نوظهور، برای راحتی بیشتر انسان در ارتباط با محیط اطراف خود میباشد. اینکه بشر بتواند بدون استفاده ازدست یا وسیلهای و تنها با فکر کردن، امور روزانه خود را انجام دهد، آرزوی همیشگی بشر بوده است که در سالهای گذشته به آن نزدیک شده است. در این پژوهش، روش sEEMD-ICA-CCA که روشی تلفیقی و سه مرحلهای برای پیشپردازش اطلاعات می باشد، استفاده می گردد. در این روش ابتدا داده ها تبدیل به توابع حالت ذات می شوند و سپس این توابع از الگوریتم ICA عبور می کنند و منابع کور موجود درآن شناسایی و منابع نامناسب حذف می شوند. در مرحله بعد وارد الگوریتم CCA میشود و به کمک این روش نیز دوباره توابع حالت ذات براساس ضریب خودهمبستگی دسته بندی می شود و دست های که دارای همبستگی کمتر نسبت به بقیه توابع حالت ذات را دارد، به عنوان آرتیفکت شناسایی و حذف می شوند. در نهایت داده های تمیز و بدون نوفه برای پردازش و استخراج ویژگی بدست می آید. برای ارزیابی میزان دقت این روش از 3 دسته داده مختلف استفاده می شود. دسته اول، داده های ساختگی با 31 کانال، دسته دوم داده های موجود در درگاه اینترنتی رقابت های BCI با 5 مخاطب و دادههای دو رده و دسته سوم 6 سری آزمون عملی با حرکت مختلف دست و پا از 40 نمونه (15زن و 25 مرد) میباشد. عملکرد الگوریتم پیش پردازش در داده های مصنوعی و داده های رقابت های BCI با معیار RRMSE ارزیابی شد. با افزایش مقدار SNR در انواع داده ها، RRMSE کاهش یافت و تا عدد 0/3 نیز رسید که عملکرد خوبی را از خود نشان داد. سپس داده های رقابت های BCI و دادههای تجربی بدست آمده بعد از پیش پردازش با روش موردنظر، در الگوریتم رده بندی و یادگیری ماشین قرار گرفتند و دستهبندی صورت گرفت و حرکت موردنظر در هنگام انجام آزمون برچسب گذاری و تخمین زده شد. این برچسب ها که نتیجه تخمین الگوریتم BCI کامل است، به عنوان یک دستور کنترلی از پیش تعریف شده برای ربات معرفی می شود و ربات حرکت مورد نظر را انجام می دهد. این الگوریتم نیز با وجود اضافه کردن نویز دقت حدود 70 درصد را در داده های آزمون ارائه داد.