fa طبقه‌بندی تصورات حرکات اندام فوقانی مبتنی بر یک روش هایبرید از تبدیل موجک و آنالیز مولفه‌های اصلی برای کاربردهای واسط مغز و کامپیوتر تخصصي Special كاربردي Applicable <div style="text-align: justify;"><strong><span style="font-size:14px;"><span style="font-family:B Nazanin;">واسط مغز و رایانه در دهه اخیر سیر علمی، به شکل فزآینده‌ای مورد توجه قرار گرفته است و برگزاری چند دوره مسابقات بین المللی و چالش‌های علمی در سطح جهان شاهد این مدعاست. در این مقاله، یک الگوریتم شش مرحله‌ای در طبقه &shy;بندی تصورات حرکات اندام مورد استفاده قرار گرفته است. در گام اول مجموعه 288 داده الکتروانسفالوگرام از پایگاه داده‌ی مسابقات </span><span dir="LTR" style="font-weight:normal;">BCI</span><span style="font-family:B Nazanin;"> سال 2005 جمع‌آوری شد.</span> <span style="font-family:B Nazanin;">در گام دوم با استفاده از فیلتر بانک تبدیل موجک کاهش نویز داده‌ها صورت گرفت. در گام سوم، ریتم میو و بتای سیگنال در ناحیه‌ی سنترال با استفاده از یک نمایش حوزه‌ی زمان فرکانس تبدیل موجک استحصال شد. در گام چهارم، مجموعه‌ای از ویژگی‌های زمانی، فرکانسی و غیر‌خطی از هر زیر باند استخراج شد و در گام پنجم فضای ویژگی از با استفاده آنالیز مولفه‌های اصلی کاهش یافت. در گام ششم مجموعه‌ ویژگی‌ها به عنوان ورودی دو طبقه‌بندی کننده نزدیک‌ترین همسایه، ماشین بردار پشتیبان و درخت تصمیم درنظر گرفته شد.</span> <span style="font-family:B Nazanin;">تمامی شبیه‌سازی‌ها تحت نرم افزار متلب اجرا و پیاده‌سازی گردیده است. نتایج نشان می&shy; دهد که طبقه‌بند&nbsp;ماشین بردار پشتیبان با کرنل غیرخطی و طبقه‌بندی کننده‌ نزدیک&shy;ترین همسایه بازدهی بالاتر از 80 درصد را به همراه دارد.</span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"></span></span></div> <div style="text-align: justify;"><strong>The Brain-Computer Interface in the last decade, the scientific journey has received increasing attention, and the holding of several international competitions and scientific challenges around the world is proof of this claim. In this paper, a six-step algorithm is used to classify the perceptions of limb movements. In the first step, a collection of 288 electroencephalogram data was collected from the BCI Competition Database of 2005. In the second step, data noise reduction was performed using a wavelet bank filter. In the third step, the meow and beta rhythms of the signal in the central region were extracted using a wavelet frequency domain time domain display. In the fourth step, a set of temporal, frequency, and nonlinear properties were extracted from each sub-band, and in the fifth step, the feature space was reduced using principal component analysis. In the sixth step, the feature set was considered as the input of the two nearest neighbor classifiers, the backup vector machine, and the decision tree. All simulations have been executed and implemented under MATLAB software. The results show that the support vector machine classifier with nonlinear kernel and nearest neighbor classifier has an efficiency of more than 80%.</strong></div> واسط مغز و کامپیوتر, الکتروانسفالوگرام , ریتم میو, ریتم بتا, تبدیل موجک Brain and computer interface, electroencephalogram, Mayo rhythm, beta rhythm, wavelet transform 35 42 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-179-4&slc_lang=fa&sid=1 Maryam Iyzadpanahi مریم ایزدپناهی 10031947532846001163 10031947532846001163 No Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran Mohammad Reza Yousefi محمدرضا یوسفی mr_yousefi@iaun.ac.ir 10031947532846001164 10031947532846001164 Yes Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran, ACECR Institute of Higher Education, Isfahan Neda Behzadfar ندا بهزادفر n.behzadfar@pel.iaun.ac.ir 10031947532846001165 10031947532846001165 No Department of Electrical Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran, ACECR Institute of Higher Education, Isfahan