عنوان

دسته‌بندی سیگنال‌های نواحی موتوری تصوری مغز با استفاده از شبکه‌های عصبی کانولوشنی عمیق,‮‭Classification of Brain Motor Imagery Signals Using Deep Convolutional Neural Networks‬

Number

‭۲۰۴۳۶پ‬

.Language of Text, Soundtrack etc

per

Title Proper

دسته‌بندی سیگنال‌های نواحی موتوری تصوری مغز با استفاده از شبکه‌های عصبی کانولوشنی عمیق

Parallel Title Proper

‮‭Classification of Brain Motor Imagery Signals Using Deep Convolutional Neural Networks‬

First Statement of Responsibility

/عبدالله بارستی

Name of Publisher, Distributor, etc.

: مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۷‬

Name of Manufacturer

، افشار

Specific Material Designation and Extent of Item

‮‭۷۹‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی گرایش بیوالکتریک

Date of degree

‮‭۱۳۹۷/۱۱/۱۷‬

Body granting the degree

تبریز

Text of Note

سیگنال‌صهای مغزی به‌عنوان یکی از مهم‌صترین سیگنال‌صهای حیاتی، دارای کاربردهای زیادی در علم پزشکی و مهندسی است .مغز براثر تحریکات مختلف) شنیداری، دیداری و (... پاسخ‌صهایی الکتریکی متناسب با نوع تحریک ‮‭(EP)‬ می‌صدهد .این پاسخ‌صها در محلی که مربوط به نوع تحریک هستند رخ می‌صدهند .این پاسخ‌صها دامنه‌صهای ضعیف‌صتری نسبت به سیگنال مغزی زمینه، دارند بنابراین استخراج ‮‭EP‬ ها از سیگنال مغزی زمینه نیازمند استفاده از یکسری عملیات پیش‌صپردازشی است .برخی از روش‌صهای طبقه‌صبندی ‮‭EP‬ ها عبارت‌اند از :آنالیز جزء مستقل، ماشین بردار پشتیبان، شبکه‌صهای کانولوشنی عمیق و مدل‌صهای انسمبل .‮‭(Ensemble Models)‬ یک کاربرد ‮‭EP‬ ها، استفاده از آن‌صها در ارتباط دادن فعالیت‌صهای مغزی و رایانه‌صها برای دستور دادن یا کنترل دستگاه‌صها است که بانام واسط مغز-رایانه ‮‭(BCI)‬ شناخته می‌صشود .یکی از زمینه‌صهای واسط مغز-رایانه، کار کردن بر روی نواحی موتوری-تصوری ‮‭(MI)‬ است .با استفاده از سیگنال‌صهای نواحی موتوری-تصوری ‮‭(MRP)‬ مغز می‌صتوان به نحوه عملکرد مرکز فرمان‌صهای حرکتی بدن دسترسی پیدا کرد .یکی از کاربردهای ‮‭MRP‬ تشخیص تفکر فرد در حرکت دادن دست چپ یا راست است، که تنها در واسط مغز-رایانه مطرح نیست .در این پایان‌صنامه سعی شده است، روشی جدید برای استخراج ویژگی در این زمینه و شبکه‌صهای عصبی کانولوشنی عمیق که یکی از روش‌صهای نوین طبقه‌صبندی سیگنال‌صهای مغزی در مبحث واسط مغز-رایانه است، مورداستفاده قرار گیرد .در مرحله استخراج ویژگی از سیگنال‌صها تبدیل ویولت گرفته‌شده و ویژگی‌صهایی از این تبدیل توسط الگوریتم ژنتیک انتخاب و به یک شبکه عصبی کانولوشنی ‮‭۵‬ لایه اعمال می‌صشوند .نتایج و خروجی این شبکه با سایر روش‌صهای ارائه‌شده در این زمینه مقایسه می‌صشوند .صحت به‌صدست آمده در روش پیشنهادی ‮‭۸/۹۶‬ گزارش شده است و صحت روش‌صصصهای مدل انسمبل، فوریه و شبکه، آنالیز جزء اصلی و شبکه، طیف توان و ماشین بردار پشتیبان و سیستم اتورگرسیو و ماشین بردار پشتیبان به‌صصترتیب‮‭۴/۹۴‬ ،‮‭۴/۹۴‬ ،‮‭۸/۸۹‬ ، ‮‭۹/۸۱‬ و ‮‭۴/۵۷‬ گزارش شده‌صاند .روش‌صهای با دقت پایین‌صتر در صورتی که درست طراحی شده باشند سرعت بالاتری خواهند داشت

Text of Note

Brain signals, as one of the most important bio-potential signals, have many applications in medical science and engineering. The brain produces electrical responses proportional to the type of stimulation (EPs) due to various stimuli (auditory, visual, etc.). These responses occur at the site of type of stimulation. These responses have weaker domains than the brain signal, so extraction of EPs from the brain's signal requires the use of a series of preprocessing operations. Some of the EP classification methods are: Independent Component Analysis, Support Vector Machine, deep Convolutional Neural Networks and Ensemble Models. An EP application is their use in linking brain activities and computers to command or control devices, known as the Brain-Computer Interface (BCI). One of the fields of the brain-computer interface is to work on the Motor-Imagary (MI) signals. Using the MRP signals, you can access the function of the movement command center in the brain. One of the uses of MRP is the diagnosis of individual thinking in moving the left or right hand, which is not only in brain-computer interface. In this thesis, we have tried to use a new method for the extraction of features in this field and deep convolutional neural networks, which is a new method for classification of brain signals in the field of brain-computer interface. In the process of extracting the characteristic from the signals, the Wavelet transform is taken and the features of this transformation are selected by the Genetic algorithm and applied to a 5-layer convolutional neural network. The results and outputs of this network are compared with other methods presented in this field. The accuracy of the proposed method has been reported to be 96.8, and the accuracy of the Ensmble model, Fourier and network, PCA and network, power spectrum and support vector machine and autoregressive system and support vector machine, respectively, are 94.4, 94.4, 89.8, 81.9 and 57.4 have been reported. Lower accuracy methods will have higher speeds if they are properly designed

Parallel Title

‮‭Classification of Brain Motor Imagery Signals Using Deep Convolutional Neural Networks‬

بارستی، عبدالله

Barasty, Abdollah

Public note

سیاه و سفید

نمایه‌سازی قبلی