Numer: 08/2024 Str. 273
Autorzy: Deepa Thiyam , Shelishiyah Raymond , Padmanabha Avasarala :
Tytuł: Klasyfikacja sygnału EEG z obrazowania ruchu przy użyciu zoptymalizowanej sieci neuronowej splotowej
Streszczenie: Sygnały obrazu motorycznego (MI) pomagają strukturze interfejsu mózg-komputer (BCI) umożliwić wiązanie ludzkiego mózgu z urządzeniami zewnętrznymi. Zatem zarówno BCI, jak i MI razem odgrywają zasadniczą rolę w poprawie życia pacjentów dotkniętych zaburzeniami neuronu ruchowego. W tej pracy zaproponowano nowatorskie podejście do identyfikacji i klasyfikacji sygnałów MI-Elektroencefalografii (EEG). Do pomyślnego wyodrębnienia i sklasyfikowania cech czasowych i przestrzennych wymagany jest bezbłędny algorytm ekstrakcji. W artykule zaproponowano transformatę Hilberta (HT) do analizy energii pasma oraz filtr Gabora do wyboru optymalnego pasma częstotliwości. W tej pracy do ekstrakcji cech wykorzystano algorytm Wavelet Packet Decomposition (WPD), który rozkłada sygnał na składowe o wysokiej i niskiej częstotliwości przed wyodrębnieniem współczynników pasma. Ponadto do klasyfikacji zadań MI-EEG wykorzystuje się klasyfikator Convolution Neural Network (CNN). Dokładność klasyfikacji klasyfikatora CNN jest zwiększona dzięki zastosowaniu algorytmu Sea Lion Optimization (SLno). Podejście to jest weryfikowane przy użyciu MATLAB-a, a wyniki są znacznie lepsze niż w bieżących badaniach, ze średnim współczynnikiem dokładności klasyfikacji wynoszącym 96.44% przy zastosowaniu mniejszej liczby kryteriów, mniejszym zużyciu zasobów i wyeliminowaniu wpływu różnic indywidualnych. Zalecana metoda minimalizuje czas obliczeń klasyfikacyjnych, jednocześnie zwiększając dokładność klasyfikacji.
Słowa kluczowe: Transformata Hilberta, filtr Gabora, optymalizacja lwa morskiego, konwolucyjna sieć neuronowa, dekompozycja pakietów falkowych.