شماره کتابشناسی ملی
شماره
۱۸۷۳۷پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
بازشناسی هیجانات از روی سیگنال EEG مبتنی بر نظریه‌صی حسگری فشرده
نام نخستين پديدآور
/محمد عبداللهی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۶
نام توليد کننده
، افشاری
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی گرایش بیوالکتریک
زمان اعطا مدرک
۱۳۹۶/۱۲/۱۷
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
هیجانات، برای تفسیر درست اقدامات و همچنین ارتباطات مهم هستند .شناخت هیجانات از طریق سیگنال الکتروانسفالوگرام(EEG) ، امکان تشخیص حالات هیجانی را بدون روش‌های سنتی ازجمله پر کردن پرسشنامه، میسر می‌گرداند و می‌صتواند بدون معاینات و ویزیت‌های بالینی، هیجان مورد نظر در فرد را بازگو نماید، که نقش بسیار مهمی در تکمیل کردن پازل تعامل بین مغز و کامپیوتر (BCI)ایفا می‌صکند .ازجمله چالش‌های عمده‌ای که در این زمینه وجود دارد، نخست انتخاب و استخراج ویژگی‌صهای مناسبی از سیگنال الکتروانسفالوگرام است، به‌نحوی‌که تمییز قابل قبولی را بین حالات هیجانی مختلف ایجاد نمایند .چالش دیگر موجود، انتخاب یک الگوریتم طبقه‌بندی‌صکننده‌ی مناسب، برای تفکیک و برچسب‌صگذاری صحیح سیگنال‌صهای مربوط به هر هیجان است .در این پایان‌نامه، با ارائه‌صی روشی مستقیم بر مبنای تئوری حسگری فشرده(CS) به نوعی از چالش‌های ذکرشده، گذر کرده و نتایج عملکرد طبقه‌صبندی کننده بر اساس نمایش تنک سیگنال (SRC) و بازسازی آن توسط دیکشنری آموزش دیده شده، گزارش شده است .همچنین، بازشناسی، طبق مدل دو بعدی هیجانات) ظرفیت و انگیختگی(، برای دو کلاس هیجانی مثبت و منفی مدنظر بوده است .روش پیشنهادی این پایان‌صنامه بر روی دو پایگاه داده، آزمایش شده که پایگاه داده دوم حاصل طراحی سناریو و ثبت سیگنال آزمایشگاهی همین پایان نامه بوده است .نتایج روش پیشنهادی، علاوه بر سایر مقالات، با نتیجه‌صی شبیه‌صسازی بر اساس ویژگی ویولت و طبقه‌صبندی‌صکننده‌صی سنتی (SVM) نیز مقایسه شده و روش پیشنهادی، نتایج قابل قبول و بهتری از خود نشان داده است
متن يادداشت
Emotion is critical for true interpretation of actions and communication. Emotion class recognition capability, without traditional approaches utilization such as: self-assessment tests, has been provided by Emotion Recognition EEG. Another advantage of this approach is emotion recognition without clinical and medical examination, which plays a major role in completion of Brain Computer Interface (BCI) structure. One of the major challenges existing in this field is selection and extraction of proper features of EEG signal, in a way that makes an acceptable change between different emotion classes. Another existing challenge is the selection of a suitable classifier labeling algorithm for correct labelling and segregation of signals of every class. This article proposes a method based on compressed sensing (CS) theory which resolves the challenges mentioned and provides the classifier performance results in according to sparse representation based classification (SRC). Furthermore, recognition is assumed for two positive and negative classes according to valence-arousal emotion model (two of the three valence-arousal-dominance spaces). The proposed method in this paper has been tested on two databases which the second database is the result of the work done by this paper. In the end, the performance result of this article has been compared to Wavelet Feature simulation results and traditional Support Vector Machine (SVM) classifier, in addition to comparison with other paper results, which proved the method proposed here more acceptable.
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
عبداللهی،محمد
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
یوسفی صرضایی، توحید، استاد راهنما
مستند نام اشخاص تاييد نشده
دانشور، سبلان، استاد مشاور
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
