fa طبقه‌‎بندی سیگنال‎های مغزی EEG برای تشخیص بین دو واژه در گفتار خاموش مقالات پردازش داده‌های رقمی Paper پژوهشي Research <p dir="RTL" style="margin: 0px; text-align: justify;"><strong><span style="color:black;"><span style="font-family:B Nazanin;">در این پژوهش، یک رابط مغز-رایانه در کاربرد مکالمه خاموش برای شناسایی و تفکیک بین دو واژه پیاده&lrm;سازی شده &lrm;است. در طی آزمایش، بر اساس یک زمان‌بندی مشخص، افراد یکی از دو واژه یا سکوت را&nbsp; که به‌صورت تصادفی انتخاب شده &lrm;است، بدون آن‌که برزبان آورند؛ در ذهن خود تکرار می&lrm;کنند و سیگنال&lrm;های مغزی آنان توسط یک دستگاه ثبت </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:8.0pt;">EEG</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> آزمایشگاهی چهارده کاناله ثبت می&lrm;شود. پس از پیش</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:B Nazanin;">&lrm;</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">پردازش و حذف داده&lrm;های مخدوش، ویژگی&lrm;های مناسب از این سیگنال&lrm;ها استخراج و برای شناسایی به یک رده&lrm;بند داده می</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:B Nazanin;">&lrm;</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">شود. دو ترکیب برای استخراج ویژگی و رده‌بندی انتخاب و بررسی شدند: استخراج ضرایب ویولت همراه با رده‌&lrm;بند </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"><span style="font-size:8.0pt;">SVM</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> و ویژگی حاصل از تحلیل مؤلفه&lrm;های اساسی همراه با رده‌&lrm;بند کمینه فاصله که ترکیب نخست عملکرد بهتری از خود نشان داد. تعداد کل رده‌&lrm;ها در این آزمایش سه عدد بوده که شامل دو واژه منتخب و سکوت می</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:B Nazanin;">&lrm;</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">باشد.</span></span></strong> <strong><span style="color:black;"><span style="font-family:B Nazanin;">نتایج حاصل، نشان‌دهنده امکان تفکیک واژگان با دقت متوسط 8/56 درصد (بیش از 7/1 برابر نرخ تصادف) است که در سازگاری با نتایج گزارش‌شده در فعالیت</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:B Nazanin;">&lrm;</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">های مشابه است؛ اما هنوز دقت کافی برای کاربردهای واقعی ندارد.</span></span></strong></p> <p style="margin: 0px; text-align: justify; unicode-bidi: embed; direction: ltr; text-justify: kashida; text-kashida: 0%;">In this study, a Brain-Computer Interface (BCI) in Silent-Talk application was implemented. The goal was an electroencephalograph (EEG) classifier for three different classes including two imagined words (Man and Red) and the silence. During the experiment, subjects were requested to silently repeat one of the two words or do nothing in a pre-selected random order. EEG signals were recorded by a 14 channel EMOTIV wireless headset. Two combinations of features and classifiers were used: Discrete Wavelet Transform (DWT) features with Support Vector Machine (SVM) classifier and Principle Component Analysis (PCA) features with a Minimum-Distance classifier. Both combinations were capable of discriminating between the three classes much better than the chance level (33.3%), none of them was reliable and accurate enough for a real application though. The first method (DWT+SVM) showed better results. In this case, feature set was D2, D3, D4 and A4 coefficients of 4-level DWT decomposition of the EEG signals, roughly corresponding to major frequency bands (Delta, Theta, Alpha and Beta) of these signals. Three binary SVM machines were used. Each machine was trained to classify between two of the three classes, namely Man/Red, Man/Silence or Red/Silence. Majority Selection Rule was used to determine final class. Once two of these classifiers presented the true class, a win (correct classification) was counted, otherwise a loss (false classification) was considered. Finally, Monte-Carlo Cross Validation showed an overall performance of about 56.8% correct classification which is comparable with the results reported for similar experiments.</p> مکالمه خاموش, رابط‌ ‎مغز-رایانه, تصور گفتار, سیگنال‎های مغزی Silent Talk, Imagined Speech, EEG signals, Classification, Brain-Computer interface 120 113 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-239-1&slc_lang=fa&sid=1 Mohammad Reza Asghari Bejestani محمدرضا اصغری بجستانی bejestani@irost.ir 10031947532846009106 10031947532846009106 Yes Iranian Research Organization for Science and Technology (IROST) پژوهشکده برق و فناوری ‎اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران Gholam Reza Mohammadkhani غلامرضا محمدخانی mohammadkhani@irost.org 10031947532846009107 10031947532846009107 No Iranian Research Organization for Science and Technology (IROST) پژوهشکده برق و فناوری ‎اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران Saeed Gorgin سعید گرگین gorgin@irost.ir 10031947532846009108 10031947532846009108 No Iranian Research Organization for Science and Technology (IROST) پژوهشکده برق و فناوری ‎اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران Vahid Reza Nafisi وحیدرضا نفیسی vr_nafisi@irost.org 10031947532846009109 10031947532846009109 No Iranian Research Organization for Science and Technology (IROST) پژوهشکده برق و فناوری ‎اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران Ghaolam Reza Farahani غلامرضا فراهانی farahani.gh@irost.org 10031947532846009110 10031947532846009110 No Iranian Research Organization for Science and Technology (IROST) پژوهشکده برق و فناوری ‎اطلاعات، سازمان پژوهش‌های علمی و صنعتی ایران