عنوان

کلاس بندی سیگنال های تجسمی-حرکتی با استفاده از روش ماشین یادگیر مفرط,‮‭Classification of Motor Imagery Signals Using Extreme Learning Machine Method‬

Number

‭۲۳۲۹۲پ‬

.Language of Text, Soundtrack etc

per

Title Proper

کلاس بندی سیگنال های تجسمی-حرکتی با استفاده از روش ماشین یادگیر مفرط

Parallel Title Proper

‮‭Classification of Motor Imagery Signals Using Extreme Learning Machine Method‬

First Statement of Responsibility

/آیسان ایران‌نژاد

Name of Publisher, Distributor, etc.

: مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۹‬

Name of Manufacturer

، راشدی

Specific Material Designation and Extent of Item

‮‭۷۶‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

برق گرایش کنترل

Date of degree

‮‭۱۳۹۹/۰۶/۲۵‬

Body granting the degree

تبریز

Text of Note

از حدود سه دهه گذشته، سامانه‌صها و همچنین ربات‌صهای توانبخشی زیادی در آزمایشگاه‌های سراسر دنیا، با هدف کاهش زمان درمان، دسترسی دقیق به اطلاعات حرکتی بیمار، ایجاد امکان درمان از راه دور و درمان خانگی طراحی و ساخته شده‌صاند .به‌طور خاص پژوهش‌های یک دهه اخیر در این زمینه با تمرکز بر روی نوع خاصی از این ربات‌ها یعنی ربات‌های کمک‌حرکتی صورت گرفته است .کاربرد اصلی این ربات‌ها کمک به بیمارانی است که از آسیب‌های دائمی حرکتی رنج می‌برند؛ هرچند که جهت بازگرداندن هرچه سریع‌تر بیماران دچار آسیب‌های موقتی به زندگی روزمره نیز استفاده می‌گردد .یکی از مراحل اصلی این فرآیند، پردازش سیگنال‌صها می‌صباشد که در این پایان‌صنامه مورد توجه قرار گرفته است که با استفاده از روش‌صهای یادگیری ماشین انجام می‌صگیرد .سیستمی که چنین قابلیتی را فراهم می‌صآورد، تحت عنوان رابط مغز و رایانه شناخته می‌صشود .روش‌صهای یادگیری ماشین می‌صتوانند برای اهداف مختلف رابط مغز و رایانه از قبیل تشخیص بیماری، توانبخشی افراد کم‌صتوان و ناتوان با استفاده از ربات-های پوشیدنی و پروتزی، تبلیغات، تایپ‌کردن متن بدون استفاده از دست و غیره استفاده شوند .هدف این پایان‌صنامه، کلاس‌صبندی سیگنال‌صهای مغزی با استفاده از روش کلاسه‌صبندی ماشین یادگیر مفرط می‌صباشد که یکی از کلاسه‌صبندهای قدرتمند در زمینه رگرسیون و کلاس‌صبندی مسائل چندکلاسه است .شایان ذکر است که یکی از مزایای ماشین یادگیر مفرط نسبت به ماشین بردار پشتیبان و پرسپترون چند لایه) که از محبوب‌صترین روش‌صهای کلاس‌صبندی محسوب می‌صشوند(، سرعت بسیار بالا و بار محاسباتی کم آن می‌صباشد .در این پایان‌نامه، از روش‌های ماشین یادگیر مفرط معمولی و هسته‌ای استفاده شده است و با روش ماشین بردار پشتیبان مورد مقایسه قرار گرفته است .نتایج برتری روش ماشین یادگیر مفرط هسته‌ای را نشان داد .همچنین این نتیجه حاصل شده است که روش رأی‌گیری باعث افزایش دقت کلاس‌بندی می‌شود

Text of Note

During past three decades, various systems and robots are utilized worldwide at labs for designing low rehabilitation time, accessing accurate information of patients movement, feasible remote treatment, and home treatment. Exclusively, the researches of current decade has focused on special robots name as prosthetics robots. The main application of this kind of about is to help patients suffering from permanent movement injuries. Though, it is also applied for recovering temporary injuries restoring patient to their normal life. Signal processing is the basic steps of mentioned process which is taken into consideration of this thesis using machine learning techniques. Note that, brain computer interface is the operatory system providing such rehabilitation goals. Machine learning approach can handle various goal such as brain computer interface, rehabilitation of disabled people using wearable and prosthetic robots, advertisement, hands-free typing, etc. The objective of this thesis is to classify brain signals using extreme learning machine (ELM) which is considered as a powerful classifier for regressing and classifying multi class based problems. Moreover, ELM is better than both support vector machine (SVM) and multilayer perceptron, which are popular, in the terms of high computational speed and low computational burden. In this thesis, ELM and Kernel ELM have been used accordingly. Plus, the performance of proposed method has been compared with SVM. Doing so, results convey the superiority of Kernel ELM. Furthermore, the utilization of voting strategy has led to increasing the accuracy of classification

Parallel Title

‮‭Classification of Motor Imagery Signals Using Extreme Learning Machine Method‬

ایران‌نژاد، آیسان

Irannezhad, Aysan

Public note

سیاه و سفید

نمایه‌سازی قبلی