چکيده
اين بخش يك چارچوب طبقه‌بندي جديد براي رابط مغز و رايانه (BCI) بر اساس تصاوير حركتي (MI) ارائه مي‌دهد. اين چارچوب شامل مفهوم هندسه ريمان در ماتريس‌هاي مختلف كوواريانس است. ايده اصلي، استفاده از ماتريس‌هاي كوواريانس فضايي به‌عنوان توصيف‌گرهاي سيگنال EEG است و با تكيه‌بر هندسه ريمان، اين ماتريس‌ها را مي توان مستقيماً با استفاده از توپولوژي ماتريس‌هاي متقارن و معين مثبت (SPD) طبقه‌بندي كرد. اين چارچوب اجازه مي‌دهد كه اطلاعات فضايي موجود در سيگنال‌هاي EEG بدون استفاده از فيلتر فضايي استخراج شود. دو روش پيشنهادشده است كه با يك روش مرجع (الگوي فضايي مشترك چند طبقه اي (CSP) و تجزيه و تحليل جداكننده خطي (LDA)) روي دومين مجموعه داده‌هاي چند طبقه ازچهارمين رقابت BCI، مقايسه شده است. اولين روش(كه ميانگين ريماني كمترين فاصله (MDRM) ناميده مي شود)، اجراي الگوريتم طبقه‌بندي حداقل فاصله به ميانگين (MDM) با استفاده از فاصله ريماني و ميانگين ريماني است. اين روش ساده، نتايج قابل مقايسه با روش مرجع را نشان مي‌دهد. روش دوم(كه فضاي مماس LDA (TSLDA) ناميده مي شود ) ماتريس هاي كوواريانس را روي فضاي مماس ريماني نگاشت مي كندكه درآن ماتريس ها مي‌توانند بردار باشند و به‌عنوان اشياء اقليدسي عمل كنند. سپس يك روش انتخاب متغير اعمال مي‌شود كه به‌منظور كاهش ابعاد و طبقه‌بندي توسط LDA انجام مي‌شود. روش دوم، روش مرجع را بهبود مي دهد در حاليكه دقت طبقه‌بندي را از 65.1٪ به 70.2٪ افزايش مي‌دهد.
