fa بهبود کارایی طبقه‌بندی‌کننده مبتنی بر نمایش تنک برای طبقه‌بندی سیگنالهای مغزی مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <p>در این مقاله مسئله طبقه‌بندی سیگنالهای EEG مبتنی بر تصور حرکتی برای یک سیستم واسط مغز-کامپیوتر (BCI)، توسط طبقه‌بندی‌کننده مبتنی بر نمایش تنک (SRC) مورد توجه واقع شده است. این طبقه‌بندی‌کننده برای کارایی بالا نیاز به طراحی ماتریس دیکشنری قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (CSP) در سیستمهای BCI، از این روش برای طراحی ماتریس دیکشنری استفاده شده است. از معایب CSPحساس به نویز بودن و مسئله فرایادگیری در مجموعه‌های آموزشی کم می‌باشد. برای رفع این معایب از دو نوع الگوریتم بهبود CSP با نامهای GLRCSP و DLRCSP استفاده شده است. استفاده از این روش‌ها منجر به افزایش میانگین درصد صحت تشخیص ‌به میزان حدود 7/78 % نسبت به گونه استاندارد CSP شده است. از سوی دیگر یکی از معایب طبقه‌بندی‌کننده SRC که از الگوریتم پایه BP استفاده می‌کند، زمان‌بر بودن آن می‌باشد. برای رفع این عیب، از الگوریتم جدید SL0 به عنوان جایگزین الگوریتم BP استفاده نمودیم. نتایج نشان داد که نه تنها زمان مرحله آزمون بسیار کاهش می‌یابد، بلکه این تغییر منجر به افزایش میانگین درصد صحت تشخیص به میزان 1/16 % نسبت به الگوریتم استاندارد پایه می‌شود.</p> <p>In this paper, the problem of classification of motor imagery EEG signals using a sparse representation-based classifier is considered. Designing a powerful dictionary matrix, i.e. extracting proper features, is an important issue in such a classifier. Due to its high performance, the Common Spatial Patterns (CSP) algorithm is widely used for this purpose in the BCI systems. The main disadvantages of the CSP algorithm are its sensibility to noise and the over learning phenomena when the number of training samples is limited. In this study, to overcome these problems, two modified form of the CSP algorithms, namely the DLRCSP and GLRCSP have been used. Using the adopted methods, the average detection rate is increased by a factor of about 7.78 %. Also, a problem of the SRC classifier which uses the standard BP algorithm is the computational complexity of the BP algorithm. To overcome this weakness, we used a new algorithm which is called the SL0 algorithm. Our classification results show that using the SL0 algorithm, the classification process is highly speeded up. Moreover, it leads to an increase of about 1.61% in average correct detection compared to the basic standard algorithm.</p> :سیگنال‌های مغزی, طبقه‌بندی مبتنی بر نمایش تنک, الگوهای مکانی مشترک تنظیم شده, الگوریتم نرم صفر هموار شده(SL0) Electroencephalogram, sparse representation-based classifier, regularized common spatial patterns, Smoothed L0-norm 43 55 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-421-1&slc_lang=fa&sid=1 Alireza Mirjalili علیرضا میرجلیلی alireza.mirjalili@stu.yazd.ac.ir 10031947532846002161 10031947532846002161 Yes Yazd University دانشگاه یزد Vahid Abootalebi وحید ابوطالبی abootalebi@yazd.ac.ir 10031947532846002162 10031947532846002162 No Yazd University دانشگاه یزد Mohammad Taghi Sadeghi محمد تقی صادقی m.sadeghi@yazd.ac.ir 10031947532846002163 10031947532846002163 No Yazd University دانشگاه یزد