ورود
مقالات فارسیISIکنفرانسهاژورنالها

شناسایی حرکات تصور شده برمبنای ویژگی های دینامیکی سیگنال EEG

محل انتشار: فصلنامه روش های هوشمند در صنعت برق، دوره: 11، شماره: 43
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 264

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1241152

شناسه ملی سند علمی:

JR_JIPET-11-43_002

تاریخ نمایه سازی: 20 تیر 1400

چکیده مقاله:

کنترل اندام­های مصنوعی می­تواند از طریق تفکیک الگوهای تصورحرکت با استفاده ازسیگنال­های الکتروانسفالوگرافی (EEG) انجام شود. هدف از انجام این مطالعه تشخیص تصور حرکات دست و پا برمبنای سیگنال EEG است. مجموعه آزمون­های IVA از داده­های  BCI Competition IIIکه شامل سیگنال­های EEG ثبت­شده از ۵ فرد سالم و در سه کانال C۳، C۴ و CZ است، برای طراحی سیستم تشخیص حرکات تصور شده به­کار رفت. در ابتدا، با استفاده از روش تحلیل مولفه­ی اصلی چند مقیاسی (MSPCA) اجزای اساسی نویز سیگنال EEG حذف شدند. در مرحله­ی بعد، سیگنال­های EEG با دو روش مختلف شامل فیلترینگ فرکانسی با استفاده از فیلتر باترورث و روش تبدیل بسته ویولت (WPT) به بخش­هایی تجزیه شدند. در این مطالعه، تجزیه و تحلیل نوسانات تفکیک شده، بعد فرکتال، بعد همبستگی، پیچیدگی لیمپل-زیو و آنتروپی به­عنوان ویژگی­های دینامیکی برای سیگنال­ها محاسبه شدند. ویژگی­های مورد نظر در هر دو روش تجزیه، برای نسخه زمانی زیرباندهای تعیین شده محاسبه شدند. به­منظور تعیین بهترین عملکرد سیستم، ترکیب­های متفاوتی از کانال­ها و ویژگی­ها مورد ارزیابی قرار گرفتند. روش تجزیه بر مبنای تبدیل ویولت، درحالت استفاده از هر سه کانال و پنج ویژگی، بالاترین دقت تشخیص را ارایه کرد؛ به­گونه­ای که با استفاده از روش­ طبقه­بندی ماشین بردار پشتیبان (SVM)، دقت ۹۳ درصد در شناسایی حرکات مورد نظر به­دست آمد.

کلیدواژه ها:

نویسندگان

نگار دشتی

دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مهدی خضری

دانشکده مهندسی برق- ,واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • B. Blankertz, G. Dornhege, M. Krauledat, K. Müller, G. Curio, ...
  • E.W. Sellers, E. Donchin, "A P۳۰۰-based brain-computer interface: initial tests ...
  • X. Gao, D. Xu, M. Cheng, S. Gao, "A BCI-based ...
  • B. Graimann, B. Allison, G. Pfurtscheller, "Brain-computer interfaces: A gentle ...
  • J. Meng, G. Liu, G. Huang, X. Zhu, "Automated selecting ...
  • M. Li, C. Lu, "The recognition of EEG with CSSD ...
  • N. Robinson, A.P. Vinod, K.K. Ang, K.P. Tee, C.T. Guan, ...
  • Y. Siuly, P. Li, P. Wen, "Modified CC-LR algorithm with ...
  • M. Severens, M. Perusquia-Hernandez, B. Nienhuis, J. Farquhar and J. ...
  • M. Ma, L. Guo, K. Su and D. Liang, "Classification ...
  • S. Enshaeifar, C. C. Took, C. Park and D. P. ...
  • X. Ma, S. Qiu, W. Wei, S. Wang and H. ...
  • B. Blankertz, K.R. Müller, D.J. Krusienski, G. Schalk, J.R. Wolpaw, ...
  • J.Kevric, and Subasi, "Comparison of signal decomposition methods in classification ...
  • J.A. Wilson, G. Schalk, L.M. Walton, J.C. Williams, "Using an ...
  • B. Hosseinifard, M.H. Moradi and R. Rostami, "Classifying depression patients ...
  • B.R. Bakshi, "Multiscale PCA with application to multivariate statistical process ...
  • C. Peng, J. Hausdorff, A. Goldberger, "Fractal Mechanisms in Neural ...
  • R. Esteller, G. Vachtsevanos, J. Echauz, B. Litt, "A comparison ...
  • C. Go’mez, A. Mediavilla, R. Hornero, D. Aba’solo, A. Ferna’ndez, ...
  • M. Akay, "Nonlinear Biomedical Signal Processing: Dynamic Analysis and Modeling", ...
  • X. S. Zhang, R. J. Roy, and E. W. Jensen, ...
  • R. Nagarajan, "Quantifying physiological data with Lempel-Ziv complexity-certain issues", IEEE ...
  • X. S. Zhang, Y. S. Zhu, N. V. Thakor, and ...
  • G. Palshikar, "Simple algorithms for peak detection in time-series", In Proc. ...
    • نمایش کامل مراجع