چکيده

در این مقاله به ارائه روشی دومرحله‌ای برای بهبود دقت طبقه‌بندی سیگنالEEG می‌پردازیم. هدف اصلی این مقاله، بهبود طبقه‌بندی تصورات حرکتی نشأت گرفته از سیگنال مغز است. در این راستا یک طبقه‌بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنالEEG، از ویژگی‌های حوزه زمان-فرکانس استفاده می‌کند که شامل شاخص‌های آماری و غیر‌‌‌‌آماری به‌دست‌آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه‌بندی، در مرحله اول یک مجموعه از درخت‌های تصمیم با خطاهای متفاوت ایجاد می‌شوند سپس با استفاده از الگوریتم ژنتیک این درخت‌ها هرس شده و ارتفاع آن‌ها کاهش می‌یابد و ویژگی‌های استخراج‌شده به طبقه‌بند درخت تصمیم به‌عنوان طبقه‌بند پایه داده می‌شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه‌بندها به‌دست می‌آید. قاعده ترکیب بر اساس قوانین جبر بول ارائه‌شده است. برای داده‌های موردنیاز از نسخه دوم مجموعه داده‌هایBCI Competition و مجموعه داده‌ی سوم استفاده‌شده است. نتایج پیاده‌سازی روش پیشنهادی دقت 43/96% را به همراه داشته است که به‌نسبت روش‌های موجود در طبقه‌بندی سیگنالEEG، 43/6%عملکرد بهتری را داشته است.