تقویت تشخیص وضعیت استرس ذهنی براساس سیگنال های EEG با استفاده از شبکه های عصبی پیچشی کانولوشن
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 174
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICISME04_148
تاریخ نمایه سازی: 29 تیر 1402
چکیده مقاله:
در برنامه های کاربردی واقعی، سیگنال های الکتروانسفالوگرافی (EEG) برای تشخیص استرس ذهنی نیاز به دستگاه قابل پوشیدن سنتی دارد. برای این منظور، تعداد کانال های EEG کافی و یک مجموعه ویژگی بهینه الزامی است. هدف از این مطالعه شناسایی ویژگی بهینه جهت تعیین وضعیت استرس ذهنی می باشد. به طوری که ویژگی های انتخابی باعث بهبود عملکرد الگوریتم های طبقه بندی گردد. در این پژوهش جهت استخراج ویژگی های تاثیرگذار از الگوریتم های شبکه ی عصبی پیچشی بهره گرفته خواهد شد. مهمترین خصیصه ی الگوریتم های شبکه ی عصبی پیچشی کانولوشن استخراج خودکار وابستگی بین ویژگی ها می باشد. در شبکه ی عصبی پیچشی از لایه های کانولوشن، لایه ی ادغام و لایه ی تماما متصل استفاده گردیده است که وظیفه ی لایه ی کانولوشن، استخراج وابستگی های مورد نیاز بین ویژگی ها می باشد. وظیفه ی لایه ی ادغام، کاهش ویژگی های استخراجی می باشد و در نهایت وظیفه ی لایه ی تماما متصل، طبقه بندی نمونه ها می باشد. عملکرد روش پیشنهادی با استفاده از چهار مجموعه داده SEED ،DEAP ،EDMSS و EDPMSC مورد ارزیابی قرار خواهد گرفت که نتایج اینارزیابی براساس چهار معیار دقت، صحت، فراخوان و معیار F بیان خواهد گردید. نتایج روش پیشنهادی نشان دهنده ی برتری روش پیشنهادی نسبت به دیگر روش های ارزیابی می باشد.
کلیدواژه ها:
وضعیت استرسی ذهنی – الگوریتم های یادگیری ماشین – شبکه های عصبی پیچشی – سیگنال های EEG
نویسندگان
ابراهیم حق شناس
آموزگار ابتدایی آموزش و پرورش، استان فارس، شهرستان زرین دشت