طراحی سیستم ارتباطی مغز با رایانه با استفاده از مدل یادگیری عاطفی مورن

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,628

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AISST01_120

تاریخ نمایه سازی: 5 مرداد 1392

چکیده مقاله:

مطالعات زیادی در طی دو دهه اخیر نشان داده است که افراد می توانند از سیگنال های مغز خود برای انتقال تمایلات و اهداف خود به رایانه هاز طریق واسط های مغز و رایانه استفاده نمایند. این ابزارها از طریق ثبت سیگنال های مغز و ترجمه آنها به دستورات کنترلی عمل می نمایند. این تکنولوژی می تواند توسط افرادی که از معلولیت شدید بدنی رنج می برند و نمی توانند به صورت طبیعی از عضلات خود استفاده نمایند مورد استفاده قرار گیرد. دو مساله اساسی در استفاده از این تکنولوژی جدید به عنوان یک ابزار عمومی عبارتند از : نیاز اساسی به تجزیه و تحلیل دقیق این سیگنال ها جهت شناسایی بهترین و مفید ترین ویژگی هایی که برای برقراری ارتباط موثر می باشد و همچنین شناسائی اختلال هایی که هنگام تهیه این سیگنال ها رخ میدهد، به این اختلالها اصطلاحا آرتیفکت گفته می شود. در این مطالعه الگوریتم ژنتیک برای انتخاب بهترین ویژگیها و آنالیز اجزاء مستقل برای حذف آرتیفکت ها به عنوان روش های جدید در سیستم های واسط بین مغز و رایانه ارائه شده اند. بعد از حذف آرتیفکت های موجود و استخراج ویژگی های مناسب با استفاده از مدل یادگیری عاطفی مورن فعالیت های ذهنی فرد دسته بندی شده ، و مورد ارزیابی قرار گرفت و نتایج بدست آمده با نتایج حاصل از به کارگیری شبکه های عصبی پرسپترون، شبکه های عصبی احتمالاتی و ماشین بردار پشتیبان گردید.

کلیدواژه ها:

الکتروانسفالوگرافی (EEG) ، سیستم ارتباطی مغز با رایانه (BCI) ، مدل یادگیری عاطفی مورن ، الگوریتم ژنتیک ، آنالیز اجزاء مستقل (ICA) و آرتفیکت

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 :
  • نتایج بدون استفاده از TcA 98/90 86/19 96/9 83/87 100 ...
  • Choose an initial (e.g random) weight vector w. ...
  • let w _ ...
  • If not converged, go back to 2. ...
  • V, = a(S, Max(.Re w-SA)) 5W, = B(S, (E -Re ...
  • /73 98/1 80/13 99/95 87165 100 ...
  • improvements to the LF-ASD asynchronous brain switch, " IEEE Trans ...
  • Workshop & Training Course, 2006. ...
  • J. Moren, Emotion and Learning: A computational model of the ...
  • Thulasidas M, Guan C, Ranganatha S, Wu JK, Zhu X, ...
  • Vigario RN, "Extraction of ocular artefacts from EEG using independent ...
  • _ _ vol 9, Te-Sheng Li, _ Feature Selection For ...
  • Andries P. Engelblrecht, _ Computational Intelligence An Introduction Second Edition, ...
  • Probabilistic Neural Network for the prediction of concrete Strength, ICCES, ...
  • Trans. On Pattern Analysis and Machine Intelligence, Vol.26, No.8, pp.1064-1072, ...
  • S. Avidan, "Support Vector Tracking, " IEEE Trans. On Pattern ...
  • نمایش کامل مراجع