تشخیص خستگی ذهنی با طبقه بندی الگوهای ارتباطات عملکردی استخراج شده ازسیگنال EEG با استفاده از الگوریتم های یادگیری عمیق

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 639

فایل این مقاله در 6 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:

ICBME24_004

تاریخ نمایه سازی: 24 شهریور 1398

چکیده مقاله:

تشخیص به موقع خستگی ذهنی در کارها و فعالیتهایی که از حساسیت زیادی برخوردار هستند و نیاز به هوشیاری کامل دارند دارای اهمیت فوق العاده ای می باشد. در این تحقیق، با هدف ارائه مدلی برای تشخیص به موقع خستگی ذهنی، الگوهای ارتباطات عملکردی مغزیدر حالتهای هوشیاری و خستگی مورد استفاده قرار گرفته اند. برای تشخیص خستگی ذهنی الگوهای ارتباطی را با روش MSC به دست آوردیم و به عنوان ویژگی وارد طبقه بند کردیم. همچنین با استفاده از معیار کندال تائو قدرت تفکیک ویژگیها را اندازه گیری کردیم و ویژگی هایی که قدرت تفکیک بالاتری داشتند به عنوان ویژگیهای افتراقی برای طبقه بندی مورد استفاده قرار گرفت. برای طبقه بندی از طبقهبند SVM غیر خطی با تابع پایه ی شعاعی و نیز از شبکه عصبی عمیق AlexNet استفاده شد. ارزیابی مدل با استفاده از مجموعه داده EEG واقعی و روی مجموعه کامل ویژگیها و مجموعه ویژگیهای افتراقی در دو حالت بین شخصی و درون شخصی انجام شده است. بالاترین دقت، در حالت ارزیابی بین شخصی (%73.33) و در حالت ارزیابی درون شخصی((%98.87 برای مجموعه ویژگی های افتراقی و با استفاده از شبکه AlexNet بهدست آمد.

نویسندگان

جواد سلیمانی

دانشجوی کارشناسی ارشد مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

فواد قادری

آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس