۲۲۷۴۸پ
per
کلاس‌بندی برخط سیگنال‌های EEG براساس کاهش تعداد کانال
Online classification of EEG signals based on channel reduction
/نیکو فخرایی
: مهندسی برق و کامپیوتر
، ۱۳۹۸
، افشاری
۸۸ص
چاپی - الکترونیکی
کارشناسی ارشد
برق گرایش کنترل
۱۳۹۸/۱۱/۲۰
تبریز
رابط مغز و کامپیوتر یکی از مباحث مورد توجه محققان در زمینه‌صهای مختلف می‌صباشد .سیگنال‌صهای مغزی ضبط شده را با حذف آرتیفکت و انجام پردازش روی این سیگنال‌صها، می-توان برای اهداف مختلفی از قبیل تشخیص بیماری، توان‌بخشی افراد کم‌صتوان و ناتوان با استفاده از ربات‌صهای پوشیدنی، تبلیغات، تایپ کردن متن بدون استفاده از دست استفاده نمود .در سیستم رابط مغز و کامپیوتر ابتدا باید سیگنال‌صهای مغزی را با استفاده از دستگاه‌های ثبت امواج مغزی ضبط کرد .معمولا از روش الکتروانسفالوگرافی برای ثبت سیگنال‌های مغزی استفاده می‌شود .با توجه به اینکه سیگنال‌های الکتروانسفالوگرام برصخلاف سیگنال‌صهای حیاتی دیگر، دارای نسبت سیگنال به نویز کمتری می‌صباشد، پردازش این سیگنال‌ها به مراتب دشوارتر است .در زمینه ثبت و پردازش سیگنال‌صهای الکتروانسفالوگرام، به دلیل راحتی کاربر و کاهش حجم داده و در نتیجه کاهش بار محاسباتی، یکی از موارد مورد توجه در تحقیقات اخیر مسئله کاهش تعداد الکترودها می‌صباشد که در این پایان‌صنامه بررسی شده است .ساختار اصلی مورد استفاده در این پایان‌نامه شامل چهار شبکه عصبی کانولوشن با تعداد لایه‌های مختلف در ابتدای روند کلاس‌بندی است که به منظور استخراج ویژگی استفاده شده‌اند و به صورت موازی با یکدیگر عمل می‌کنند .ویژگی‌های استخراج شده از خروجی لایه تماما متصل این شبکه‌ها در شبکه عصبی پرسپترون چند لایه به عنوان ورودی استفاده می‌شوند تا کلاس‌بندی انجام شود .همچنین با افزایش تعداد داده‌ها با روش داده‌افزایی دقت کلاس‌بندی بهبود می‌یابد .روش پیشنهادی پایان‌نامه حاضر به دقت ۶۱/۰ بر اساس معیار kappa دست یافته است که نسبت به بهترین نتیجه مسابقات BCI پایگاه داده مورد استفاده، ۰۴/۰ بهبود یافته است
The brain-computer interface is one of the interesting topics to researchers in various fields. The recorded brain signals can be used for various purposes such as disease detection, rehabilitation of the disabled using wearable robots, advertising, text typing in hands free manner by artifact removing and processing on these signals. In the brain-computer interface system, at first brain signals must be recorded using brain waves recorder equipments, which electroencephalography is a commonly used method to recording brain signals. Since electroencephalogram signals have a lower signal-to-noise ratio than other vital signals, processing of these signals is much more difficult. In the field of recording and processing of electroencephalogram signals, due to the convenience of the user and the reduction of data volume and thus the reduction of computational burden, one of the issues highlighted in recent research is reducing the number of electrodes which is discussed in this thesis. The basic using structure in this thesis consists of four neural networks with different number of layers at the beginning of the classification process that are used to extract the features and work in parallel. Features extracted from the fully connected layers outputs of these networks are used as inputs in the multilayer perceptron neural network for classification. Also the accuracy of classification is improved by increasing the number of data. The classification performance obtained by the proposed algorithm on BCI competition IV dataset 2a in terms of kappa value is 0.61. Our approach yields 0.04 improvement over the winner algorithm of the competition
Online classification of EEG signals based on channel reduction
فخرایی، نیکو
Fakhraei , Nikoo
سیاه و سفید
نمایه‌سازی قبلی
