چکیده:
سیستم رابط رایانه ای مغز (BCI) بخشی از فناوری عصبی است که فرمان را از مغز انسان به رایانه منتقل می کند. BCI در حال حاضر بیشترین رشد را در زمینه تحقیق دارد. برنامه های BCI دارای زمینه های مختلفی از جمله پزشکی، آموزش، خودتنظیمی، بازی ها و سرگرمی ها، تولید، امنیت و همچنین بازاریابی هستند. دستگاه های الکترونیکی را می توان با استفاده از سیگنال مغزی به نام الکتروانسفالوگرافی (EEG ) برای ثبت فعالیت الکتریکی مغز کنترل کرد. موج P300 اوج مثبت یک پتانسیل مرتبط با رویداد (ERP ) است که 300 میلی ثانیه رخ می دهد توسط EEG ضبط شده است. یک روش عمده در زمینه تحقیق BCI الگوی خاص مبتنی بر P300 است، محرک های که احتمال وقوع کمتری نسبت به سایر محرک ها دارند و در نتیجه فرد مورد آزمایش به وقوع غیر منتظره این محرک ها واکنش نشان می دهد را با توجه به یک سری محرک های استاندارد سریع ارائه شده شناسایی می کنند. در این مقاله ما الگوریتم های یادگیری ماشین از جمله الگوریت های DCPM ،LDA ، SWLDA ،SVM و ... را در زمینه استخراج ویژگی و طبقه بندی مورد استفاده برای طراحی سیستمهای رابط مغز و کامپیوتر (BCI) مبتنی بر P300-spell را مرور می کنیم. و بعد از اینکه روش های طبقه بندی را مرور و مقایسه کردیم در آخر به جمع بندی نهایی از مقاله مان داریم می پردازیم که نتایج تحقیق مروری مورد بررسی نشان می دهد، روش طبقه بندی تطبیقی برای نظارت شده و بدون نظارت عملکرد بهتری از طبقه بند استاتیک دارد.
The Brain Computer Interface (BCI) System is part of the neural technology that transmits command from the human brain to the computer. BCI is currently one of the fastest growing area of research. BCI programs are applicable in a variety of fields, including medicine, education, self-regulation, games and entertainment, manufacturing, security, and marketing. Electronic devices can be controlled using a brain signal called electroencephalography (EEG) to record the brain's electrical activity. In EEG, the P300 wave is a positive peak of an event-related potential (ERP) that occurs 300 milliseconds recorded by the EEG. A major method of BCI research is hence the specific pattern based on P300, stimuli that are less likely to occur than other stimuli and thus the subject responds to the unexpected occurrence of these stimuli with respect to a series of stimuli. Identify the standard provided quickly. In this paper, machine learning algorithms including DCPM, LDA, SWLDA, SVM and etc, that are used for feature extraction and classification in the design OF P300-spell based BI-PC interface systems (BCI), are reviewed. And after reviewing and comparing the classification methods, we finally have the final summary of our article, which shows the results of the review research, the adaptive classification method for supervised and unsupervised, better performance than the classification it is static.