عنوان

طبقه بندی سیگنالهای الکتریکی مغزی در سیستمهای واسط مغز-کامپیوتر توسط شبکه های عصبی-فازی

Number

‭۱۲۵۲۱پ‬

.Language of Text, Soundtrack etc

per

Title Proper

طبقه بندی سیگنالهای الکتریکی مغزی در سیستمهای واسط مغز-کامپیوتر توسط شبکه های عصبی-فازی

First Statement of Responsibility

/حسین کمیجانی

Name of Publisher, Distributor, etc.

: دانشکده مهندسی برق و کامپیوتر

Specific Material Designation and Extent of Item

‮‭۸۲‬ص‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی برق-کنترل

Date of degree

‮‭۱۳۹۲/۱۱/۲۵‬

Body granting the degree

دانشگاه تبریز

Text of Note

ارتباط مستقیم مغز با دنیای اطراف و یا سیستم‌های واسط مغز-کامپیوتر ‮‭(BCI)‬ از جمله مباحثی است که طی دهه اخیر مورد توجه بسیاری از گروه‌های تحقیقاتی قرار گرفته است .برای این منظور اگر سیستمی بتواند سیگنال‌های ثبت شده از تعدادی فعالیت ذهنی را از یکدیگر تفکیک کند، فعالیت‌های مورد نظر یک الفبای ساده را تشکیل می‌دهند که فرد می‌تواند با انجام ترکیب‌های مختلفی از آنها با دنیای اطراف ارتباط بر قرار کند .سیستم‌های ‮‭BCI‬ از واحدهای مختلفی همچون ثبت، پردازش، رابط کاربری تشکیل شده‌اند .در این پایان‌نامه، طبقه‌بندی سیگنال‌های مغزی در زمان انجام فعالیت‌های مختلف ذهنی مورد بررسی قرار گرفته است .برای دسته‌بندی سیگنال‌های مغزی، مانند هر مساله دسته‌بندی دیگر، به مراحل متعددی اعم از استخراج و انتخاب ویژگی، بهینهسازی ویژگی‌ها، انتخاب و طراحی طبقه‌بندی‌کننده مناسب نیاز می‌باشد .در این پایاننامه به منظور طبقه‌بندی سیگنالهای مغزی از شبکه‌های عصبی-فازی استفاده شده است .شبکه‌های عصبی-فازی از ترکیب شبکه‌های عصبی و سیستم‌های فازی بوجود آمدهاند .این نوع شبکه‌ها از مزایای شبکه‌های عصبی و سیستم‌های فازی به صورت همزمان استفاده می‌کنند و به عنوان ابزاری قدرتمند و موثر به کار میآیند .اساس کار طبقهبندی به صورت پیشبینی سری-زمانی پایهگذاری شده است به این صورت که سیگنال های مغزی به صورت دادههای سری-زمانی در نظر گرفته شدهاند و شبکه عصبی-فازی که به صورت بازگشتی طراحی شده است مطابق با دادههای هر کلاس آموزش دیده است .بدین ترتیب هر شبکه میتواند سیگنالهای مربوط به کلاس خود را از طریق مشابهت شکل ظاهری سیگنالهای تست به سیگنالهای آموزش، تشخیص دهد .شبکه عصبی-فازی بازگشتی طراحی شده قابلیت بسیار بالایی در تشخیص الگوهای پیچیده و غیرخطی امواج مغزی از خود نشان داده است

Text of Note

fuzzy network shows great ability in pattern recognition of complicated and nolinear pattern such as EEG -fuzzy networks that designed with recurrent structure are trained according to each class time series data. Thus each network can identify the signals of its own class because of the morphological discrepancy. The designed recurrent neuro-fuzzy networks are a combination of neural networks and fuzzy systems. These kinds of networks use the advantages of both neural networks and fuzzy systems and perform as a powerful tool. The classification is based on time series prediction that the EEG is considered as time series data and the neuro-fuzzy networks. Neuro- Nowadays direct communication of brain with environment or brain computer interface is a new filed of science that makes interest among of very research groups. For this purpose if a system can classify the recorded signals from some activity, these activities establish a simple alphabet that one can communicate with the environment with combination of them. Brain computer interface include various parts such as recording, processing, interfacing systems. In this thesis, classification of different EEG activity is surveyed that is subset of processing procedure in brain computer interface. Like each classification problem, classification of EEG includes feature extraction, feature selection, feature optimization, choosing and configuration of classifier. In this thesis, the classification is done using neuro

کمیجانی، حسین

بادامچی زاده، محمدعلی، استاد راهنما

قائمی، سحرانه، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی