International Publishing House of Thought Umbrella موسسه انتشارات بین المللی چتر اندیشه Journal of Engineering Management and Digital Transformation فصلنامه مدیریت مهندسی و تحول دیجیتال 2 3 Classification of Brain Signals in BCI System Using Wavelet Transform طبقه بندی سیگنال های مغز در سیستم BCI با استفاده از تبدیل موجک 0 0 FA Hamideh Mousavi Master Student, Faculty of Electrical and Computer Engineering, Hakim Sabzevari University, Sabzevar, 9617976487, Iran حمیده موسوی دانشجوی کارشناسی ارشد، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران M.H. Shahrokh Abadi Faculty of Electrical and Computer Engineering, Hakim Sabzevari University, Sabzevar, 9617976487, Iran محمدهادی شاهرخ آبادی عضو هیات علمی، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران Hamid Reza Tavakoli Faculty of Electrical and Computer Engineering, Hakim Sabzevari University, Sabzevar, 9617976487, Iran حمیدرضا توکلی عضو هیات علمی، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران Electroencephalography (EEG) based Brain-Computer Interface (BCI) has received much attention in the last two decades. In this study, an innovative approach is used to classify motor imager based EEG signals into two categories of right-hand and left-hand imagery. In this regard, first the bands associated with motor imagery are separated from the EEG signal and by applying the wavelet transform function on them statistical properties and autoregression coefficients are extracted. Then we selected the best features from SFFS extracted features and applied them to LDA, KNN, NB and SVM classes. The results show that SVM class with %87.14 accuracy is better than other classes. رابط مغز و رایانه (BCI) مبتنی بر الکتروانسفالوگرافی(EEG) در دو دهه اخیر بسیار مورد توجه قرار گرفته است. در این مطالعه رویکرد ابتکاری بکارگرفته شده تا بتوان سیگنالهای EEG مبتنی بر تصور حرکتی را به دو دسته تصور دست راست و دست چپ دسته بندی کرد. در این راستا ابتدا باندهای مرتبط با تصور حرکتی از سیگنالEEG جدا و با اعمال تابع تبدیل موجک روی آنها ویژگی های آماری و ضرایب اتورگرسیون از آن استخراج شده است. سپس از بین ویژگیهای استخراج شده با روش SFFS بهترین ویژگیها انتخاب و آنها به کلاس بندهایLDA ،KNN ، NB وSVM اعمال کردیم. نتایج بدست آمده نشان می دهند که کلاس بند SVM با دقت 14/87% نسبت به سایر کلاس بندها از دقت بالاتری برخوردار است. https://www.jonarbset.ir/downloadfilepdf/494388