بسته جامع پژوهشی طبقه بندی سیگنال eeg

این بسته پژوهشی مجموعه کاملی از آخرین پژوهش های انجام شده در زمینه طبقه بندی سیگنال eeg است. در تدوین این بسته از جدیدترین مقالات و پایان نامه های موجود در این زمینه استفاده شده است. مخاطبان این بسته دانشجویان تحصیلات تکمیلی و پژوهش گرانی هستند که قصد فعالیت در این زمینه دارند.

  • در فصل اول این پژوهش طبقه بندی سیکنال های مغزی با EEG بررسی شده است
  • در فصل دوم این پژوهش کنترل ناهنجاری ها با استفاده از EEG بررسی شده است
  • در فصل سوم این پژوهش ارائه طبقه بند ترکیبی جهت طبقه بندی سیگنال EEG بررسی شده است

سیگنال های الکتروانسفالوگرافی (EEG) نشان دهنده پتانسیل بیوالکتریکی تولیدشده توسط سلولهای عصبی قشر مغز است. تفسیر سیگنال های EEG برای درک پارامترهای مشخصه از فعالیت مغز، مسئله اساسی سامانه های رابط مغز و رایانه (BCI) است. ساخت یک BCI قابل استفاده و قابل اعتماد نیاز به یک طبقه بندی دقیق و مؤثر از سیگنال های EEG چند کاناله دارد. از آنجا که استخراج ویژگی نقش اساسی در تعیین عملکرد طبقه بندی ایفا می کند و با توجه به ماهیت آشوبگون و غیرخطی سیگنال EEG، در این پژوهش از یک رویکرد استخراج ویژگی ترکیبی بر اساس دو ویژگی غیرخطی شامل احتمال همگامی و احتمال همگامی فازی استفاده می شود. به منظور انتخاب ویژگی از روش تحلیل مؤلفه های اصلی استفاده نمودیم. ویژگی های غیرخطی، نویزی و داده های خارج از محدوده سیگنال های الکتروانسفالوگرافی الهام بخش به کارگیری منطق فازی به دلیل قدرتش برای رسیدگی به عدم قطعیت است. بنابراین ما در این تحقیق از سیستم استنتاج فازی-عصبی تطبیقی، به منظور طبقه بندی سیگنالهای EEG زنان و مردان سالم برای بررسی تمایزات جنسیتی مغز استفاده کردیم و پس از اجرای آزمون k-fold cross validation به صحت 96 درصد دست یافتیم که در مقایسه با صحت 93/1 درصد به دست آمده در مقاله پایه بهبود یافته است

قسمت هایی از فصل اول طبقه بندی سیکنال های مغزی با EEG

به دلیل اینکه باند فرکانسی مناسب برای سیگنالهای EEG ناشی از تصور حرکتی برای هر فرد متفاوت میباشد. در این مرحله سیگنال EEG توسط فیلتر چبی چف نوع 2 به چندین باند فرکانسی تقسیم میشود. 2 باند فرکانسی به صورت، 4 تا ۸ هرتز، ۸ تا 12 هرتز و … 36 تا 40 هرتز در نظر گرفته میشود. این رنج فرکانسی به این دلیل انتخاب شده است که دارای پاسخ فرکانسی پایدار است و این بازه دو باند فرکانسی B و U را که جزء باندهای مهم در سیستم های BCI مبتنی بر تصور حرکتی به شمار میروند را در بردارد. همچنین فرکانس آرتیفکت هایی مانند EOG و EMG که خارج از این محدوده است و نویز 50 هرتز برق شهر، توسط این باند فرکانسی حذف خواهد شد. فاصله زمانی 0.5 ثانیه قبل از شروع تصور حرکت تا 2.5 ثانیه بعد از آن در نظر گرفته شده است.

فهرست کامل فصل اول طبقه بندی سیکنال های مغزی با EEG

1-1 ) الگوی فضایی مشترک همبستگی زمانی مکانی برای طبقهبندی سیگنالهای EEG تک ثبت ناشی از تصور حرکت چندکلاسه در سیستمهای واسط مغز-رایانه

1و1و1 چکیده 1
1و1و2 مقدمه 2
1و1و3 روش 3
1و1و4 الگوریتم CSP 3
1و1و5 الگوریتم OVR-LTCCSP 4
1و1و6 ارزیابی 5
1و1و7 پایگاه داده 5
1و1و8 پردازش اولیه 6
1و1و9 نتایج 7
1و1و10 بحث و نتیجه گیری 8
1و1و11 مراجع 9

1-2 ) طبقه بندی سیگنالهای مغزی با استفاده از ویژگیهای غیرخطی احتمال همگامی و احتمال همگامی فازی و مدل ANFIS

1و2و1 چکیده 12
1و2و2 مقدمه 13
1و2و3 روش پیشنهادی 14
1و2و4 شرح دادگان 15
1و2و5 استخراج ویژگی 15
1و2و6 احتمال همگامی (SL) 16
1و2و7 احتمال همگامی فازی (FSL) 18
1و2و8 انتخاب ویژگی 19
1و2و9 طبقه بندی 19
1و2و10 نتایج شبیه سازی 19
1و2و11 نتیجه گیری 20
1و2و12 مراجع 21

1-3 ) پردازش سیگنال EEG با استفاده از تبدیل WAVELET و روش های غیرخطی و طبقه بندی آن با شبکه عصبی پرسپترون چند لایه به منظور تشخیص اختلال اضطراب فراگیر (GENERALIZED ANXIETY DISORDER)

1و3و1 چکیده 23
1و3و2 مقدمه 23
1و3و3 روش کار 24
1و3و4 ثبت داده 24
1و3و5 پیش پردازش سیگنال EFG 24
1و3و6 استخراج ویژگی 25
1و3و7 تبدیل ویولت 25
1و3و8 ویژگی های غیرخطی 26
1و3و9 بعد همبستگی 26
1و3و10 بعد فرکتال 26
1و3و11 طبقه بندی کننده 26
1و3و12 شبکه عصبیMLP 27
1و3و13 بحث و نتایج 27
1و3و14 مراجع 27

1-4 ) شبکه عصبی SPIKING روشی برای مدل سازی،طبقه بندی و فهم داده های فضا _زمان EEG

1و4و1 چکیده 29
1و4و2 مقدمه 30
1و4و3 شبیه سازی SNN مغزی برای مدل سازی اطلاعات فضایی _ زمانی 30
1و4و4 ساختارهای NECUBE SNN برای مدل سازی STBD 31
1و4و5 روش پایه مکعب ننو در مدل سازی داده های فضایی _ زمانی EFG از فعالیت های شناختی مغز 32
1و4و6 مورد مطالعه بر اسا مدل سازی داده ای شناختی EFG 33
1و4و7 توصیف داده ها 33
1و4و8 طراحی و راه اندازی مدل 33
1و4و9 نتایج آزمایش 36
1و4و10 تفسیر مدل برای درک بهتری از داده ها 37
1و4و11 نتایج 37
1و4و12 مراجع 38

i

ارجاع دهی و رفرنس نویسی

تمام مطالب این بسته مطابق با استاندارد های دانشگاههای وزارت علوم ایران رفرنس دهی شده اند و هیچ قسمتی از بسته وجود ندارد که بدون منبع باشد.

نگارش گروهی

در نگارش و جمع آوری این بسته آموزشی کارشناسان مربوطه ما را همراهی کرده اند.کار گروهی بستر بهتری برای پژوهش فراهم میکند.

<

معرفی منبع برای ادامه پژوهش

در این بسته بیش از 1000 مقاله و منبع در این زمینه معرفی شده است که می توان از آنها برای ادامه مسیر پژوهشی استفاده کرد.

Z

پاسخ به سوالات و پشتیبانی علمی

در قسمت دیدگاه ها  اماده پاسخگویی به سوالات احتمالی شما در حد توان علمی خود هستیم.در صورت نیاز شماره تماس برای ارتباط با محققین برای شما ارسال می گردد.

بخش هایی از فصل دوم کنترل ناهنجاری ها با استفاده از EEG

سیگنال های EEG نشان دهنده فعالیت مغز در یک ارگانیزم سطح بالا است. آن یک گراف از سطوح ولتاژ پایین در برابر زمان است. مغز از نرون هایی تشکیل شده است که از طریق پالس های الکتریکی با یکدیگر ارتباط برقرار می کنند. مغز شبیه به یک شبکه از نودهای متناظر با مراکز فعالیت مختلف، و تورهایی 14 متناظر با گذرگاه های مختلف است. ولتاژ اندازه گیری شده بسیار کوچک (تا سطح میکرو ولت) و حساس به اشیاء و اختلالات است. این سیگنال ها ذاتا غیرساکن 15 هستند؛ یعنی دارای مولفه های فرکانس مختلف هستند که در وقفه های مختلف زمانی وجود دارند. پنج باند فرکانس اصلی در یک سیگنال EEG نمونه در منبع تعریف می شود:
دلتا (4-5/0هرتز)
تتا ( 8-4هرتز)
آلفا ( -8 12هرتز)
بتا (12-30هرتز)
گاما (بیشتر از 30هرتز)
زیرباندهای تتا، آلفا و بتا برای شناسایی رانندگی در حین خواب آلودگی بکار می روند. فعالیت آلفا هنگامی برجسته است که شخص استراحت می کند یا چشمان خود را می بندد، در مدت گذر از بیداری به خواب یا حالت خواب آلودگی، آلفا کاهش می یابد و تتا به آرامی افزایش می یابد. همچنین ثابت شده است هنگامی که داروهای مسکن و خواب آور مثل بنزودیازپین و باربیتورات مصرف می شود موج های بتا به طور قابل توجهی زیاد می شوند. سیگنال های EEG با قرار دادن الکترودها بر پوست انسان اندازه گیری می شوند. موقعیت الکترودها با یک سیستم استاندارد به نام مونتاژ 10-20مشخص می شود. شکل 2 یک پیکربندی از الکترودهای مورد استفاده توسط عصب شناس ها و متخصصین مربوطه را نشان می دهد.

فهرست کامل فصل دوم کنترل ناهنجاری ها با استفاده از EEG

2-1) ویژگی های توانی و آماری در تفکیک سیگنال های EEG در رابط های مغز و رایانه

2و1و1 چکیده 39
2و1و2 مقدمه 39
2و1و3 انتخاب و ثبت داده ها 40
2و1و4 تحلیل با استفاده از DWT 41
2و1و5 استخراج ویژگی ها 41
2و1و6 طبقه بندی کننده 42
2و1و7 شبکه پس انتشار لونبرگ مارکوارت 43
2و1و8 نتایج شبیه سازی 43
2و1و9 نتیجه 44
2و1و10 مراجع 44

2-2) طبقه بندی سیگنال های EEG افراد وابسته به الکل از افراد سالم بر مبنای تبدیل ویولت و روش انتخاب ویژگی جلوسو

2و2و1 چکیده 45
2و2و2 مقدمه 45
2و2و3 داده های ثبت شده 45
2و2و4 استخراج ویژگی 46
2و2و5 تبدیل ویولت 46
2و2و6 استخراج ویژگی با ضرایب ویولت 47
2و2و7 کاهش بعد بردار ویژگی 47
2و2و8 روش انتخاب ویژگی جلوسو 47
2و2و9 طبقه بندی داده ها 47
2و2و10 ماشین های بردار پشتیبان (SVM) 48
2و2و11 نتیجه گیری 48
2و2و12 مراجع 49

2-3) افزایش دقت طبقه بندی سیگنال های EEG به کمک گزینش ویژگی های مؤثر بر مبنای الگوریتم ژنتیکو استفاده از روش ترکیب طبقه بندها

2و3و1 چکیده 50
2و3و2 مقدمه 50
2و3و3 معرفی داده مورد استفاده 51
2و3و4 پیش پردازش و استخراج ویژگی 51
2و3و5 گزینش ویژگی ها به کمک الگوریتم ژنتیک 51
2و3و6 الگوریتم ژنتیک GAs 51
2و3و7 جمعیت شامل افراد 52
2و3و8 تابع ارزیابی 52
2و3و9 تابع انتخاب ویژگی 52
2و3و10 عملگرها یا توابع ژنتیک 52
2و3و11 شبکه های عصبی مصنوعی پرسپترو ن چندلایه MLPs 53
2و3و12 ترکیب طبقه بندها 53
2و3و13 ترکیب به روش تعمیم پشته Stacked Generalization 53
2و3و14 نتایج آزمایش و شبیه سازی 54
2و3و15 نتیجه گیری 54
2و3و16 مراجع 55

2-4) تشخیص صرع با استفاده از ویژگی های استخراج شده از تبدیل فوریه EEG و طبقه بندی کننده شبکه عصبی MLP

2و4و1 چکیده 57
2و4و2 مقدمه 57
2و4و3 مواد و روش ها 58
2و4و4 انتخاب و ثبت های داده 58
2و4و5 آنالیز با استفاده از باندهای فرکانسی 58
2و4و6 استخراج ویژگی 58
2و4و7 شبکه عصبی چند لایه پرسپترون (MLPNN) 59
2و4و8 اندازه گیری آماری 60
2و4و9 نتایج آزمایشگاهی 60
2و4و10 بحث و نتیجه گیری 61
2و4و11 مراجع 62

2-5) تشخیص رانندگی خواب آلود توسط تحلیل EEG با استفاده از تبدیل موجک و خوشه بندی K-MEANS

2و5و1 چکیده 64
2و5و2 مقدمه 65
2و5و3 سیگنال های الکتروانسفالوگرافی 66
2و5و4 پیشینه و بازنگری نوشته ها 67
2و5و5 اهداف خاص این مقاله 69
2و5و6 توصیف روش 69
2و5و7 پیش فیلتر و حذف اشیا 70
2و5و8 تحلیل سیگنال غیرساکن با استفاده از تبدیل موجک گسسته 70
2و5و9 استخراج ویژگی 72
2و5و10 طبقه بندی 72
2و5و11 نتایج آزمایشگاهی 74
2و5و12 نتیجه گیری و کارهای آینده 77
2و5و13 منابع 77

2-6) پردازش سیگنال EEG با استفاده از تبدیل WAVELET و روش های غیرخطی و طبقه بندی آن با شبکه عصبی پرسپترون چند لایه به منظور تشخیص اختلال اضطراب فراگیر (GENERALIZED ANXIETY DISORDER)

2و6و1 چکیده 79
2و6و2 مقدمه 79
2و6و3 روش کار 80
2و6و4 ثبت داده 80
2و6و5 پیش پردازش سیگنال EEG 80
2و6و6 استخراج ویژگی 81
2و6و7 تبدیل ویولت 81
2و6و8 ویژگی های غیرخطی 82
2و6و9 بعد همبستگی 82
2و6و10 بعد فرکتال 82
2و6و11 طبقه بندی کننده 82
2و6و12 شبکه عصبی MLP 83
2و6و13 بحث و نتایج 83
2و6و14 مراجع 83

تعداد صفحه بسته آموزشی

تعداد منابع معرفی شده برای ادامه کار

تعداد پشتیبانان مخصوص این فایل

قسمت هایی از فصل سوم ارائه طبقه بند ترکیبی جهت طبقه بندی سیگنال EEG

مغز به عنوان پیچیده ترین عضو بدن و رهبری کننده آن از دیرباز مــورد توجــه بــسیاری از محققــین بــوده اســت ســیگنال . ســیگنال الکتروانسفالوگرافی (EEG) یکی از قدیمی تـرین خروجـی هـای سیستم مغزی است کـه مـنعکس کننـده ادراکـات، احـساسات و تفکرات افراد می تواند باشد. ارتباط بین انسانها و کامپیوتر یکی از رشته های تحقیقاتی اسـت کـه در طـی سـالهای اخیـر سـرمایه گذاری های زیادی بر روی آن شده است که تحـت عنـوان Brain Computer Interface. شناخته می شود.
در این سیستم ها که از چهار فـاز 1-ثبـت سـیگنال تحلیـل 2-تحلیـل سیگنال 3-طبقه بندی سیگنال 4-کنترل ماشین تشکیل شـده است با استفاده از سیگنال های ثبـت شـده از روی کاسـه سـر و تحلیل و طبقه بندی آن ها به آنچه فرد می اندیشد پی برده شده و با استفاده از آن ماشین موجود کنترل می شود. در این پژوهش قسمت اصلی کار بر روی فاز شناسایی الگو (طبقه بندی) می باشد. طی چند سال اخیـر روش هـای ترکیـب طبقـه بندی کننده ها توجه بسیاری از محققان را به خـود جلـب کـرده است و با توجه به بزرگی فضای ویژگی حاصل از سـیگنال EEG استفاده از متدهای ترکیـب طبقـه بنـدی کننـده هـا بـه منظـور جداسازی تصورات مختلف گزینه ی مناسبی به نظر می رسـد در . در این مقاله هدف اصلی این بوده که یک سری ویژگی خاص کـه در بیشتر مسائل BCI به عنوان ویژگـی مـوثر شـناخته مـی شـوند استخراج شود سپس با استفاده از روش های مختلف ترکیب طبقه بندی کننده ها یک طبقه بنـدی کننـده کـه کـارایی سیـستم را بهبود می بخشد طراحی شود

فهرست کامل فصل سوم ارائه طبقه بند ترکیبی جهت طبقه بندی سیگنال EEG

3-1 ) افزایش دقت طبقه بندی سیگنالهای EEG با استفاده از ترکیب منطقی طبقه بندها با استفاده از الگوریتم ژنتیک و درختان تصمیم کوچک

3و1و1 مقدمه 85
3و1و2 بررسی کارهای انجام شده 86
3و1و3 پیش پردازش 87
3و1و4 استخراج ویژگی 87
3و1و5 درخت تصمیم 89
3و1و6 معیار GINI Index 89
3و1و7 هرس کردن درخت تصمیم 90
3و1و8 ترکیب منطقی طبقه بندها 90
3و1و9 بررسی نتایج 92
3و1و10 نتیجه گیری 93
3و1و11 مراجع 93

3-2 ) ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG

3و2و1 چکیده 96
3و2و2 مقدمه 96
3و2و3 پیش پردازش 97
3و2و4 استخراج ویژگی 98
3و2و5 طبقه بندی های پایه 98
3و2و6 طبقه بندی K نزدیک ترین همسایه 98
3و2و7 طبقه بند SVM 99
3و2و8 طبقه بند شبکه عصبی چند لایه 99
3و2و9 ترکیب طبقه بندها 99
3و2و10 بررسی نتایج 101
3و2و11 نتیجه گیری 101
3و2و12 مراجع 101

3-3 ) شبکه عصبی SPIKING روشی برای مدل سازی،طبقه بندی و فهم داده های فضا_زمان EEG

3و3و1 چکیده 104
3و3و2 مقدمه 104
3و3و3 شبیه سازی SNN مغزی برای مدل سازی اطلاعات فضایی _ زمانی 105
2و3و4 ساختارهای NECUBE SNN برای مدل سازی STBD 105
2و3و5 روش پایه مکعب نئو در مدل سازی داده ای فضایی – زمانی EEG از فعالیت های شناختی مغز 106
2و3و6 مورد مطالعه بر اساس مدل سازی داده های شناختی EEG 107
2و3و7 توصیف داده ها 107
2و3و8 طراحی و راه اندازی مدل 107
2و3و9 نتایج آزمایش 109
2و3و10 تفسیر مدل برای درک بهتری از دادها 110
2و3و11 نتایج 110
2و3و12 مراجع 110

3-4 ) بهبود نتایج طبقه بندی سیگنال EEG در سیستم های واسط مغز – کامپیوتر با استفاده از الگوریتم ژنتیک

2و4و1 چکیده 111
2و4و2 مقدمه 111
2و4و3 استخراج ویژگی 112
2و4و4 طبقه بندی کننده 112
2و4و5 ترکیب طبقه بندی کننده ها 112
2و4و6 طبقه بندی کننده های وابسته به کلاس 113
2و4و7 گزینش ویژگی 113
2و4و8 آزمایشات 114
2و4و9 نتیجه گیری 114
2و4و10 مراجع 114

3-5 ) آنالیز سیگنال EEGجهت تشخیص هدف از غیر هدفبا استفاده ازالگوریتمADABOOST

2و5و1 چکیده 116
2و5و2 مقدمه 117
2و5و3 مشخصات ثبت داده 117
2و5و4 الگوریتم Adaboost 118
2و5و5 فیلتر گیری 118
2و5و6 استخراج ویژگی 118
2و5و7 استخراج ویژگی با استفاده ازتبدیل موجک 119
2و5و8 نتایج طبقه بندی 120
2و5و9 بحث و نتیجه گیری 120
2و5و10 مراجع 121

%

میزان رضایت

میزان رضایت افراد خریدار این بسته بعد از خرید

(نظر سنجی به وسیله ایمیل و یک هفته بعد ازخرید بسته انجام می گیرد)

تمام منابع معرفی شده هم به صورت فایل Word و هم به صوت فایل PDF در اختیار شما قرار می گیرد.

0 دیدگاه

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *