ارایه روشی خودکار برای تشخیص سیگنال های EEG با استفاده از SVM و الگوریتم شیران LOA
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 527
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NAECE02_138
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
الکتروانسفالوگرام EEG که برای نمایش فعالیت الکتریکی مغز استفاده می شود، ابزار کلینیکی مناسبی برای تشخیص بی نظمی های مربوط به صرع است. آشکارسازی spike های صرعی نقش بسیار مهمی در تشخیص صرع ایفا می کند .در این پروژه، طراحی و پیاده سازی سیستم تشخیص spike های صرعی با استفاده از روش ترکیبی تبدیل موجک گسسته و شبکه عصبی svm ارایه شده است. در این مقاله از تبدیل موجک برای استخراج ویژگی سیگنال EEG استفاده شده است و توانایی این ویژگی ها در طبقه بندی رخدادهای موجود در سیگنال EEG بررسی شده است. کار طبقه بندی با استفاده از شبکه عصبی svm انجام شده است. دلیل استفاده از شبکه svm آموزش نسبتا ساده و برخلاف شبکه های عصبی در ماکزیمم محلی گیر نمی افتد، برای داده های با ابعاد بالا خوب جواب میدهد، مصالحه بین پیچیدگی دسته بندی کننده ومیزان خطا به طور واضح کنترل می شود و عملکرد مناسب این شبکه در مسایل طبقه بندی می باشد.الگوریتم فرا ابتکاری شیران ،در مرحله انتخاب ویژگی سیگنال های مغزی و کاهش انتخاب ویژگی بهینه مورد توجه قرار گرفته است و از ماشین بردار برای طبقه بندی نهایی استفاده می شود
کلیدواژه ها:
الکتروانسفالوگرامEEG ، الگوریتم شیران و ماشین بردارپشتیبان
نویسندگان
سمیه امینی فر
گروه مهندسی کامپیوتر،دانشکده فنی مهندسی ،دانشگاه آزاد اسلامی خرم آباد،ایران
سعید یزدان پناه
عضو هیات علمی دانشگاه آزاد اسلامی خرم آباد
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 :