سال انتشار: 1395
کد COI مقاله: ISECONF01_095
زبان مقاله: انگلیسیمشاهده این مقاله: 676
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
محتوای کامل این مقاله با فرمت WORD هم قابل دریافت می باشد.
با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF و یا WORD در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:
مشخصات نویسندگان مقاله Classification of two motor imagery based on EEG signals in brain computer interface systems using LDA, SVM and GMM methods
چکیده مقاله:
One of the issues recently has been studied with the increasing number of accidents, problems with brain and spinal cord and also with medical engineering advances, is communication with the brain via computers. Devices that provide a bridge between the people and the outside environment using brain signals, called brain computer interface (BCI)-based devices. In this paper, at first some pre-processing such as filtering and removing artifacts of the data has been done. After pre-processing step in the process of feature extraction, we have extracted electroencephalography (EEG) samples obtained from motor imagery under a common spatial pattern (CSP). After feature extraction, classification turn arrives. In this section, we train model using machine learning techniques based on a certain number of trials and evaluate it. In this paper, we introduce machine learning algorithms, including linear discriminant analysis (LDA), support vector machine (SVM) and Gaussian mixture model (GMM) to classify two motor imageries and compare them. Three LDA, GMM and SVM for training dataset IVa of BCI competition III is used and the accuracy of each respectively 72.6%, 73.3% and 82.1% achieved that shows the superiority of SVM over other methods in terms of classification accuracy. We also evaluate three methods in term of time complexity and ultimately. We show that the SVM method has greater time complexity compared to both GMM and LDA methods.
کلیدواژه ها:
کد مقاله/لینک ثابت به این مقاله
کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ISECONF01_095 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:https://civilica.com/doc/584569/
نحوه استناد به مقاله:
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:Afrakhteh, Sajjad and Amirkhani, Abdollah and R. Mosavi, Mohammad and Ayatollahi, Ahmad,1395,Classification of two motor imagery based on EEG signals in brain computer interface systems using LDA, SVM and GMM methods,اولین کنفرانس بین المللی کاربرد پژوهش و تحقیق در علوم و مهندسی,Tehran,https://civilica.com/doc/584569
در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395, Afrakhteh, Sajjad؛ Abdollah Amirkhani and Mohammad R. Mosavi and Ahmad Ayatollahi)
برای بار دوم به بعد: (1395, Afrakhteh؛ Amirkhani and R. Mosavi and Ayatollahi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.
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 :- _ _ _ _ _ Based on ...
- _ _ _ _ _ _ as relative ...
- _ _ _ _ _ _ the ...
- http ://www.bbci , de/comp etition/ii i/results/ ...
- _ _ _ _ _ _ _ [1 1] _ ...
مدیریت اطلاعات پژوهشی
اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.
علم سنجی و رتبه بندی مقاله
مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.
مقالات پیشنهادی مرتبط
- مبدل دیجیتال به آنالوگ جریانی 10 بیت 80 MS/s در ولتاژ تغذیه -1 ولت با استفاده از منابع جریان با امپدانس خروجی ارتقاء یافته تحریک شده توسط بدنه ماسفت
- پیش بینی زمان وقوع حملات صرع با پردازش سیگنال EEG با استفاده از فیلتر کالمن
- بررسی و مقایسه ی انواع فلیپ فلاپ D از نظر تاخیر و حساسیت آن نسبت به تغییرات منبع تغذیه
- طراحی رگولاتور خود تنظیم غیر مستقیم برای کوادراتور
- مدار داخلی فلیپ فلاپ D و بررسی اثر layout روی خروجی آن
مقالات فوق بر اساس داده کاوی مقالات مطالعه شده توسط پژوهشگران محاسبه شده است.
مقالات مرتبط جدید
- مهندسی خلاقیت بیونیکی و تحقیق و توسعه
- سنگ مصنوعی و تکنولوژی ساخت آن
- طراحی خطوط انتقال نفت و گاز فراساحل در بخش نزدیک به ساحل
- معرفی الگوریتمی بر پایه تکرار جهت شناسایی موقعیت مرز سوپرکویتی در جریان متقارن محوری
- مدل SPR جهت استقرار ارگونومی
مقالات فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.
به اشتراک گذاری این صفحه
اطلاعات بیشتر درباره COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.