شماره کتابشناسی ملی
شماره
۲۰۳۸۹پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
بهره گیری از حسگری فشرده برای دسته‌صبندی ویژگی های سیگنال الکتروانسفالوگرام به‌منظور کاربری‌های رابط مغز-رایانه
عنوان اصلي به زبان ديگر
Classification Scheme for EEG-based Brain-Computer Interface System based on Compressed Sensing Theory A
نام نخستين پديدآور
/وحید شرقیان دیزجی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۷
نام توليد کننده
، افشار
مشخصات ظاهری
نام خاص و کميت اثر
۸۲ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی گرایش بیوالکتریک
زمان اعطا مدرک
۱۳۹۷/۰۶/۲۰
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
استفاده از سیگنال الکتروانسفالوگرام (EEG) تصور حرکت (MI) در پیاده‌سازی سیستم‌های رابط مغز-رایانه (BCI) در سال‌های اخیر رو به گسترش نهاده است .دلیل این امر، آسان بودن نسبی تعامل کاربران با این دسته از رابطها نسبت به سایر انواع آن مانند سیستم‌های مبتنی بر پتانسیل برانگیخته دیداری در حالت پایدار (SSVEP) و سیستم‌های بر پایه مؤلفه P۳۰۰ پتانسیل وابسته به رخداد، جامعیت چارچوب ارائه‌شده بر پایه‌ی تصور حرکت و همچنین پتانسیل بیشتر این دسته از رابطهای مغز-رایانه برای بسط و تعمیم است .در مقابل این مزایا، چالش‌هایی هم متوجه سیستم‌های رابط مغز-رایانه ارائه‌شده بر اساس تصور حرکت می‌باشند از جمله ابعاد بالای داده‌ها با توجه به نیاز به تعداد بیشتری از کانال‌های الکتروانسفالوگرام و نیز حصول دقت قابل قبول از سیستم برای این گروه از رابطهای مغز-رایانه .مقالات متعددی در راستای ارتقای کیفیت و افزایش دقت این سیستم‌ها ارائه شده است .در این پایان‌نامه روشی برپایه دسته‌بندی براساس بیان تنک (SRC) و استفاده از یادگیری برخط دیکشنری برای افزایش دقت دسته‌بندی در روش SRC برای سیستم‌های رابط مغز-رایانه مبتنی بر الکتروانسفالوگرام تصور حرکت ارائه شده است .به‌کارگیری یادگیری برخط دیکشنری در روش پیشنهادی پایان‌نامه باعث افزایش دقت سیستم در عین عدم افزایش زمان اجرای الگوریتم شده است .در این روش، از الگوریتم CBLSU برای یادگیری برخط دیکشنری استفاده شده است .نتایج ارائه‌شده، بیان‌گر بهبود قابل توجه دقت دسته‌بندی توسط روش پیشنهادی پایان‌نامه نسبت به روش دسته‌بندی بر اساس بیان تنک بدون استفاده از یادگیری دیکشنری می‌باشند .همچنین این افزایش دقت - که تا دقت ۹۰ درصد برای بیشتر سوژه‌های پایگاه‌داده استاندارد را شامل می‌شود - بار محاسباتی قابل توجهی به سیستم تحمیل نکرده و با هزینه پردازشی ناچیزی قابل دست‌یابی است .نکته حائز اهمیت دیگر در رابطه با روش پیشنهادی پایان‌نامه سرعت بالای الگوریتم در مرحله آزمون) تست (است که استفاده از آن را در کاربری‌های برخط را امکان‌پذیر و عملی می‌سازد
متن يادداشت
The use of motor imagery (MI) EEG signals in implementation of Brain-Computer interfaces (BCIs) has increased in recent years. Simple interaction of users with these interfaces in comparison with other interfaces like BCI systems based on steady state visually evoked potential (SSVEP) or P300 component of event related potential (ERP), comprehensiveness of motor-imagery-based interfaces and their high capability of development and generalization, are some of the reasons of this popularity. Notwithstanding advantages of motor imagery paradigm, it has some challenging problems as well, including higher dimension of data resulted from the need for more EEG channels in implementation, and lower level accuracy in some cases, in comparison with other paradigms. Many papers published aiming increasing the accuracy of MI-EEG based BCIs. One of the recently proposed solutions for this problem, is application of Sparse-Representation based Classification (SRC) method, instead of more commonly used classification methods like linear discriminant analysis (LDA) and support vector machine (SVM). Many researches reported better performance for SRC in comparison with popular classifiers such as LDA and SVM. Enhancement of accuracy of SRC without much increase in complexity of system has been one of interesting areas of research for BCI researchers in recent years. Proper design of Dictionary used in obtaining sparse representation of signal plays a critical role in enhancement of classification accuracy. This thesis proposes an SRC method for MI-EEG based Brain-Computer Interfaces, using online dictionary learning. This method results a better dictionary in comparison with dictionaries that are simply formed by feature vectors as dictionary columns. In this method CBLSU dictionary learning algorithm has used for dictionary design. Results show significant increase in classification accuracy in case of using proposed method in comparison with cases that use SRC algorithm without dictionary learning. This improvement of accuracy (up to 90 percent for most of subjects), obtained without considerable increment in system complexity and computational burden. Another remarkable point about proposed method is its high speed in test phase, which makes it suitable and practical for online applications
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Classification Scheme for EEG-based Brain-Computer Interface System based on Compressed Sensing Theory A
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
شرقیان دیزجی، وحید
مستند نام اشخاص تاييد نشده
Sharghian, Vahid
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
