💡در این مطالعه، یک رویکرد جدید مبتنی بر TRCA برای استخراج ویژگی ارائه دادیم که نسبت به رویکرد CCA  ویژگی های تفکیک پذیرتری استخراج می‌کند.

🔺 این رویکرد دقت تشخیص جهت از روی SSVEP در Hybird BCI رو به صورت معنادار تغییر داد.

🔺در ادامه برای بهبود بیشتر عملکرد، الگوریتم SE-TRCA رو ارائه دادیم.

در تحلیل SSVEP اطلاعات فرکانسی اهمیتی بالایی دارند و اگر سیگنال به اندازه کافی ثبت شود از این اطلاعات بهتر می‌شود استفاده کرد.

در این پارادایم  به اندازه کافی سیگنال زمانی وجود دارد و همین امر باعث بهتر عمل کردن SE-TRCA می‌شود.

🔻 هدف روش‌های Spatio-spectral اینه که به نوعی اطلاعات فرکانسی رو هم وارد محاسبات و بهینه سازی بکنند. اما اگه طول سیگنال کم باشه طبق اصل هایزنبرگ، اطلاعات فرکانسی خوبی در سیگنال نخواهد بود.
برای همین اگه طول سیگنال کم باشه بهبودی اتفاق نمی‌افته. اما از اونجا که در این پارادایم طول سیگنال زیاد هست، این گونه روش‌ها کاراییشون رو به خوبی نشون می‌دهند.

آپدیت: به مدت ۵۰ روز دسترسی به مقاله رایگان هست. از لینک زیر میتونید دانلود کنید👇
https://authors.elsevier.com/c/1hr8i2OYd3t82

@Onlinebme