استخراج ویژگی مناسب برای تشخیص سیگنالهای مغزی و حرکات ارادی EEG : ارشد مهندسی کامپيوتر (هوش مصنوعی)
یکی از رشته های زیر مجموعه فنی مهندسی که علاقمندان بسیاری در کشور ما دارد رشته کامپیوتر و فناوری اطلاعات هستش که اتفاقا سایت دیجی لود در حال تکمیل سری جدیدی از پایان نامه های ارشد این رشته تحصیلی برای کاربران گرانقدر خود میباشد. دیجی لود در ادامه پایان نامه ” استخراج ویژگی مناسب برای تشخیص سیگنالهای مغزی و حرکات ارادی EEG ” با فرمت Word (قابل ویرایش) در 105 صفحه را معرفی مینماید.
چکیده پایان نامه استخراج ویژگی مناسب برای تشخیص سیگنالهای مغزی و حرکات ارادی EEG
در این پایان نامه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنالهای مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنالها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگیها عمل دسته بندی انجام می شود.
اولین پیش پردازش برای دسته بندی سیگنالهای مغزی حذف نویز از این سیگنالها میباشد. در این پایاننامه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی میشود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز میشود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی میشود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا میباشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است.
بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنالها و دسته بندی آنهاپرداخته میشود. ویژگیهای استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی 22 مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال میباشد. برای ارزیابی کارایی این ویژگیها همین ویژگیها، نیز با استفاده از تبدیل موجک و فوریه استخراج میشوند و عمل دسته بندی بر اساس ویژگیهای استخراجی این سه روش به طور جداگانه انجام میشود. بعد از استخراج ویژگی، بر اساس ویژگیهای استخراجی، به دسته بندی سیگنالها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان میدهد که دسته بندی با استفاده از ویژگیهای استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگیهای دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، 42.5 درصد و با روش نزدیکترین همسایه 39.0 درصد است.
در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همهی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان 52 ثانیه می باشد که نسبت به روش اول که 403 و 640 ثانیه است به مراتب بهتر است.
کلمات کلیدی: تبدیل والش، سیگنالهای مغزی ، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد)( (PRD
فهرست
عنوان | صفحه |
فصل اول.
مقدمه.
1-1- مقدمه. 1
1-2- تاریخچه BCI 4
1-3- کاربردهای BCI 7
1-4- تعریف مساله. 7
1-5 – ساختار پایان نامه. 7
فصل دوم
سیگنالهای مغزی..
2-1- مقدمه. 9
2-2- کشف سیگنالهای مغزی.. 10
2-3- ثبت سیگنالهای مغزی.. 11
2-4- پیش پردازشها روی سیگنالهای مغزی.. 12
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
3-1- مقدمه. 16
3-2- معرفی دادههای موجود. 17
3-2-1- مشخصات دادههاي ثبت شده توسط گروه دانشگاهColorado. 17
3-2-2- مشخصات داد ههاي ثبت شده توسط گروه Graz. 18
3-2-3- مشخصات دادههای MIT-BIH… 19
3-3- استخراج ویژگی.. 20
3-4- دسته بندی.. 23
فصل چهارم.
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
4-1- مقدمه. 25
4-2- تبدیل فوریه. 25
4-3- تبدیل موجک…. 30
4-3-1- مقیاس. 32
4-4- تاریخچه تبدیل والش…. 35
4-4-1- توابع والش….. 35
4-4-2- تبدیل والش….. 36
فصل پنجم
توصیف روش پیشنهادی
5-1- مقدمه. 40
5-2- پایگاه داده مورد استفاده 40
5-3- حذف نویز. 42
5-3-1- آنالیز مولفههای مستقل.. 43
5-3-2- حذف نویز با استفاده از آنالیز مولفه هایمستقل.. 44
5-3-3- حذف نویز با استفاده از تبدیل موجک…. 46
5-3-4- حذف نویز با استفاده از تبدیل والش….. 47
5-3-5- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA… 50
5-4- استخراج ویژگی.. 51
5-4-1- آنتروپی… 52
5-4-2- استخراج ویژگی با استفاده از تبدل والش….. 53
5-4-3- استخراج ویژگی با استفاده تبدیل فوریه و موجک…. 53
5-5- ماشین بردار پشتیبان (Support Vector Machin) 54
5-5-1- ابر صفحه جداساز. 55
5-5-2- جداسازی غیر خطی… 58
فصل ششم
نتایج و نتیجه گیری..
6-1- مقدمه. 60
6-2- حذف نویز. 61
6-3- معیارهای ارزیابی.. 65
6-3-1- نسبت سیگنال به نویز (Signal to Noise Rate) 65
6-3-2- میانگین مربع خطا (Mean Square Error) 66
6-3-3- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference) 67
6-4- استخراج ویژگی.. 68
6-4-1- ویژگیهای تبدیل والش….. 69
6-4-2- ویژگیهای تبدیل فوریه. 72
6-4-3- ویژگیهای تبدیل موجک…. 76
6-5- مقایسه با کارهای مرتبط بر روی این مجموعه داده 80
6-6- نتیجه گیری.. 83
6-7- پیشنهاد ها 85
منابع:… 86
فهرست شکل ها
عنوان | صفحه |
شکل 1-1 – واحد های پردازشی و دسته بندی در یک سیستم BCI 4
شکل 2-1- محل قرار گرفتن الکترود ها در سیستم 10- 20 12
شکل 2-2- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی 13
شکل 4-1 – سیگنال ایستا دارای چهار جزء فرکانسی 5 ، 10، 20 و 50 هرتز 27
شکل 4-2 – تبدیل فوریه سیگنال رابطه 2-4)) 28
شکل 4-3 – سیگنال غیر ایستا دارای چهار جزء فرکانسی 5، 10، 20 و 50 هرتز 28
شکل 4-4 – تبدیل فوریه سیگنال شکل (3-4) 29
شکل 4-5- تجزیه سیگنال با استفاده از تبدیل موجک 32
شکل 4-6- مقیاسهای مختلف یک تابع کسینوسی 34
شکل 4-7- تبدیل موجک در یک مقیاس خاص 34
شکل 4-8- تابع والش برای n=8 36
شکل 5-1- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده 42
شکل 5-2- سیگنالهای گرفته شده توسط هر کانال 45
شکل 5-3- مولفههای بدست آمده توسط ICA 45
شکل 5-4- تبدیل والش از کانال های سیگنال 49
شکل 5-5- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز 49
شکل 5-6- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز 51
شکل 5- 7 – صفحه های جداساز و بردارهای پشتیبان 56
شکل 5- 8 – صفحه جداساز و نواحی مربوط به هر کلاس 57
شکل 5-9- افزایش بعد جهت جداسازی خطی دادهها 59
شکل 6-1- سیگنال اصلی و سیگنال دارای نویز 63
شکل 6-2- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک 64
شکل 6-3- نسبت سیگنال به نویز ده سیگنال 66
شکل 6-4- میانگین مربع خطا برای ده سیگنال 67
شکل 6-5- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال 68
شکل 6-6- آنتروپی توالی کانالهای سیگنالهای کلاس اول 70
شکل 6-7- توان آنتروپی هر کانال از سیگنالهای کلاس اول 71
شکل 6-8- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول 74
شکل 6-9- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول 77
فهرست جدول ها
عنوان | صفحه |
جدول 3-1 – انواع ویژگیهای استفاده شده در پردازش سیگنال 22
جدول 4-1 – مقدار توابع والش و خروجی این تابع 39
جدول 6-1-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش 73
جدول 6-2-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه 75
جدول 6-3-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک 79
جدول 6-4- نتایج دستهبندی بر اساس ویژگیهای سه روش 79
جدول 6-5- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک 79
جدول 6-6- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک 81
جدول 6-7- مقایسه نرخ تشخیص روش پیشنهادی با 4 نفر اول مسابقات BCI 82
راهنمای خرید و دانلود فایل
برای پرداخت، میتوانید از کلیه کارتهای عضو شتاب استفاده نمائید.
بعد از پرداخت آنلاین لینک دانلود فعال و نمایش داده میشود ، همچنین یک نسخه از فایل همان لحظه به ایمیل شما ارسال میگردد.
در صورت بروز هر مشکلی،میتوانید از طریق تماس با ما پیغام بگذارید و یا در تلگرام با ما در تماس باشید، تا شکایت شما مورد بررسی قرار گیرد.
برای دانلود فایل روی دکمه خرید و دانلود کلیک نمایید.
ديدگاه ها