بهبود آشکارسازی مولفه P۳۰۰ با استفاده از تلفیق روش های مختلف زمانی، فرکانسی و مکانی استخراج ویژگی

سال انتشار: 1389
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 22

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBM-4-4_003

تاریخ نمایه سازی: 20 اسفند 1404

چکیده مقاله:

دراین مقاله سیستمی مبتنی بر بازشناسی آماری الگو جهت تفکیک سیگنال های حاوی P۳۰۰ و فاقد آن، ارائه می شود. این سیستم- که بر روی دادگان P۳۰۰-Speller مسابقات BCI ۲۰۰۵ کار می کند- از چهار بخش اصلی پیش پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه‍بند تشکیل شده که تاکید اصلی این مقاله بر بخش استخراج ویژگی و بررسی کارایی ویژگی های مختلف است. در مرحله استخراج ویژگی، شش دسته ویژگی شامل قطعه بندی هوشمند، ضرایب موجک، الگوهای مکانی مشترک، ویژگی های شکلی- زمانی، ویژگی های فرکانسی و دسته ویژگی ترکیبی الگوهای مکانی مشترک و قطعه بندی، تعریف شدند که برخی از این ویژگی ها (مانند ویژگی های قطعه بندی هوشمند، الگوهای مکانی مشترک و ترکیبی) تا کنون یا مستقیما برای آشکارسازی P۳۰۰ به کار نرفته بودند و یا در موارد بسیار معدودی از آنها استفاده شده بود. سپس ویژگی ها با معیارهای مختلفی  به صورت تک تک و گروهی ارزیابی شدند و در نهایت ترکیبی بهینه از مجموع این ویژگی ها به طبقه بند SWLDA داده شد. بدین ترتیب درصد صحت تشخیص مولفه P۳۰۰ با این سیستم به ۰۵/۹۷% رسید که در قیاس با نتایج مطالعات قبلی در این حوزه، نتیجه برتری است.

کلیدواژه ها:

طبقه بندی مولفه P۳۰۰ ، سیستم های واسط مغز و رایانه (BCI) ، بازشناسی آماری الگو ، استخراج ویژگی ، طبقه بند

نویسندگان

زهرا امینی

دانش آموخته کارشناسی ارشد، دانشگاه یزد

وحید ابوطالبی

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد

محمدتقی صادقی

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد

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 :
  • Polich J., “P۳۰۰ in Clinical Applications,” in Electroencephalography: Basic Principles, ...
  • Wolpaw J.R., Birbaumer N., McFarland D. J., Pfurtscheller G., Vaughan ...
  • Bayliss J. D., “A Flexible Brain-Computer Interface,” Phd. Thesis, University ...
  • Serby H., Yom-Tov E., Inbar G. F., An improved P۳۰۰-based ...
  • BCI Competition ۲۰۰۵. ida.first.fraunhofer.de/projects/bci/competition_ii[۶] Rakotomamonjy A., Guigue V., BCI Competition ...
  • Salvaris M., Sepulveda F., Wavelets and ensemble of FLDs for ...
  • Yang L., Zongtan Z., Dewen H., Guohua D., T-weighted Approach ...
  • قشونی مجید، خلیل زاده محمدعلی، بهبود تشخیص مولفه های شناختی ...
  • ابوطالبی وحید، تجزیه و تحلیل مولفه های شناختی سیگنال الکتریکی ...
  • سیدصالحی سیده زهره، ع. مطیع نصرآبادی علی، ابوطالبی وحید، تشخیص ...
  • Sakamoto Y., Aono M., Supervised Adaptive Downsampling for P۳۰۰-based Brain ...
  • Foley D. H., Sammon Jr. J. W., An Optimal Set ...
  • Pavlidis T., Waveform Segmentation Through Functional Approximation; IEEE Trans. on ...
  • Markazi S.A., Qazi S., Stergioulas L.S., Ramchurn A., Bunce D., ...
  • Bostanov V., BCI competition ۲۰۰۳-data sets Ib and IIb: feature ...
  • Pires G., Nunes U., Castelo-Branco M., P۳۰۰ spatial filtering and ...
  • Jolliffe I. T., “Principal Component Analysis,” Second Edition. Springer Series ...
  • Combaz۱ A., Manyakov N.V., Chumerin۱ N., Suykens J. A. K., ...
  • نمایش کامل مراجع