تشخیص نیت افراد در حالت های مختلف راه رفتن اساسی ترین مرحله برای توسعه واسط های مغز-ماشین برخط در این زمینه است. در همین راستا این مطالعه به تشخیص و طبقه بندی نیت افراد بر اساس سیگنال EEG, در جهت تغییر طول گام و نرخ گام می پردازد, که عوامل کلیدی در کمک به حفظ تعادل فرد در طول راه رفتن هستند. جهت حذف نویز از تولباکس EEGLAB بهره گرفته شد. پس از پیش پردازش جهت کاهش حجم دیتا و بهبود عملکرد سیستم اقدام به انتخاب کانال های مناسب شد وجهت انتخاب کانال از الگوریتمی بر پایه اختلاف واریانس استفاده شد. الگوریتم CSP به منظور تبدیل و کاهش داده به کار برده شد و از تابع واریانس به عنوان ویژگی و از الگوریتم های آماریFDR و ANOVA جهت انتخاب ویژگی هایی که تفکیک پذیری بیشتری دارند, استفاده و نهایتا توسط دو طبقه بند ماشین بردار پشتیبان و بیز ساده طبقه بندی شد. در این مطالعه دو طبقه بند باینری و یک طبقه بند سه کلاسه طراحی شد. طبقه بند اول با دقت 75.26 درصد نیت فرد در جهت حرکت با طول گام و نرخ گام ثابت و یا نیت جهت تغییر این پارامترها را تشخیص داد و طبقه بند بعدی به تشخیص نیت در تغییر پارامتر به دو گروه افزایش طول گام وکاهش نرخ گام و گروه کاهش طول گام و افزایش نرخ گام پرداخت و دقت 80.31 درصد در این طبقه بند به دست آمد. همچنین طبقه بند سه کلاسه ای نیز جهت تقسیم همین سه گروه طراحی شد, که دقت 65.95 درصد برای این طبقه بند به دست آمد. پس از بررسی بازه های زمانی متفاوت طبقه بند قادر به تشخیص نیت با دقت مناسب, در زمان 234 میلی ثانیه گردید. نتایج به دست آمده نشان می دهدکه تشخیص نیت افراد در تغییر دو پارامتر طول گام و نرخ گام بر اساس سیگنال EEG امکان پذیر بوده و الگوریتمی کارآمد را جهت انجام این کار معرفی می کند. این مطالعه به طراحی سیستم واسط مغز-ماشینی می پردازد, که می تواند هنگام راه رفتن افراد, براساس سیگنال مغزی آن ها به تغییر طول گام و نرخ گام جهت تنظیم مرکز ثقل بدن کمک کرده و احتمال افتادن افراد را کاهش داده و در نتیجه کیفیت زندگی شان را افزایش دهد.
