افزایش صحت طبقه بندی سیگنال های EEG تصور حرکتی با ترکیب منطقی طبقه بندها و با به کارگیری الگوریتم ژنتیک و درختان تصمیم کوچک

در این مقاله به ارائه روشی دومرحله ای برای بهبود دقت طبقه بندی سیگنال EEG می پردازیم. هدف اصلی این مقاله، بهبود طبقه بندی تصورات حرکتی نشات گرفته از سیگنال مغز است. در این راستا یک طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنال EEG، از ویژگی های حوزه زمان-فرکانس استفاده می کند که شامل شاخص های آماری و غیرآماری به دست آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه بندی، در مرحله اول یک مجموعه از درخت های تصمیم با خطاهای متفاوت ایجاد می شوند سپس با استفاده از الگوریتم ژنتیک این درخت ها هرس شده و ارتفاع آن ها کاهش می یابد و ویژگی های استخراج شده به طبقه بند درخت تصمیم به عنوان طبقه بند پایه داده می شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه بندها به دست می آید. قاعده ترکیب بر اساس قوانین جبر بول ارائه شده است. برای داده های موردنیاز از نسخه دوم مجموعه داده های BCI Competition و مجموعه داده سوم استفاده شده است. نتایج پیاده سازی روش پیشنهادی دقت 96.43% را به همراه داشته است که به نسبت روش های موجود در طبقه بندی سیگنال EEG، 6.43% عملکرد بهتری را داشته است.