شماره کتابشناسی ملی
شماره
۲۱۴۶۳پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
کلاس بندی سیگنال های مغزی تجسمی-حرکتی با استفاده از روش یادگیری عمیق
عنوان اصلي به زبان ديگر
Classification of Motor Imagery EEG Signals Using Deep Learning Method
نام نخستين پديدآور
/میلاد پرون
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
، راشدی
مشخصات ظاهری
نام خاص و کميت اثر
۷۴ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
ارشد
نظم درجات
برق گرایش کنترل
زمان اعطا مدرک
۱۳۹۷/۱۱/۰۹
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
امروزه با پیشرفت تکنولوژی و احساس نیاز به ساخت تجهیزات پزشکی برای ارتقا سطح کیفیت زندگی افراد ناتوان و کم‌صتوان، علاقه به یادگیری ماشین افزایش یافته است .یادگیری ماشین کاربردهای مختلفی دارد که به‌صعنوان یکی از مهم‌صترین آن‌صها، می‌صتوان به رابط مغز و کامپیوتر اشاره کرد .سیگنال‌صهای مغزی گرفته شده از سطح مغز را با حذف آرتیفکت و انجام پردازش روی این سیگنال‌صها، می‌صتوان برای اهداف مختلفی از قبیل تشخیص بیماری، توانبخشی افراد کم‌صتوان و ناتوان با استفاده از ربات‌صهای پوشیدنی و پروتزی و غیره استفاده نمود .در زمینه توانبخشی برای افراد کم‌صتوان، در اکثر مواقع بهتر است از سیگنال‌صهای ماهیچه‌صای استفاده گردد، در حالی که برای افراد ناتوان که امکان تحریک ماهیچه را ندارند، از سیگنال‌صهای مغزی استفاده می‌صشود که ضبط سیگنال به‌صصورت تجسمی-حرکتی انجام می‌صشود .از آنجایی که سیگنال‌صهای مغزی در مقایسه با سیگنال‌صهای حیاتی دیگر، دارای آرتیفکت بیشتری هستند، کار با آن‌صها کمی مشکل بوده و نیازمند پردازش‌صهای با دقت بالا هستند و به همین دلیل همواره در طول سالیان گذشته، تلاش شده است که با به کار بردن روش‌صهای مختلف و استفاده از ویژگی‌صهای بهینه نتایج بهبود داده شود .روش‌صهای یادگیری عمیق به خوبی توانسته‌صاند این هدف را محقق کنند و تجهیزاتی نیز در زمینه توانبخشی مورد بهره‌صبرداری قرار گرفته‌صاند و با پیشرفت تکنولوژی ساخت و همچنین الگوریتم‌صهای مورد استفاده، عملکرد این سیستم‌صها ارتقا داده شده است .در سال‌صهای اخیر علاوه بر روش‌صهای یادگیری ماشین، روش‌صهای یادگیری عمیق نیز مطرح شده‌صاند که با وجود دارا بودن کاربردهای یکسان، تفاوت‌صهای اساسی از قبیل زمان آموزش دادن، دقت، حجم داده و روش تحلیل دارند .در این پایان‌صنامه، هدف استفاده از روش‌صهای یادگیری عمیق می‌صباشد ولی با توجه به این‌ص که یکی از اهداف این روش‌صها یادگیری یکپارچه یا به عبارت دیگر یادگیری بدون استخراج ویژگی است، تمرکز اصلی بر روی کلاس‌صبندی این سیگنال‌صها بدون مرحله استخراج ویژگی با استفاده از ساختارهای مختلف عمیق و تکنیک‌صهای یادگیری عمیق است .در نهایت نتایج ساختارهای مختلف با یکدیگر مقایسه شده است تا ساختار بهینه برای کلاس‌صبندی سیگنال‌صهای مغزی تجسمی-حرکتی استخراج شود
متن يادداشت
Nowadays, with the advancement of technology and the need to build medical equipment to raise the disabled and physically impaired peoples quality of life, the interest in machine learning has increased. Machine learning has many applications, one of which is the brain-computer interface. After removing artifacts and processing EEG signals acquired from the scalp, they can be used for many porpuses such as diagnosis, rehabilitation of the disabled and physically impaired people by utilizing exoskeleton, prosthetics, etc. In the rehabilitation of physically impaired people, in most cases, it is better to use EMG signals, while for disabled people who can not stimulate muscles, EEG signals are used which are acquired in a motor-imagery manner. Since EEG signals have more artifacts compared to other biosignals, they are a little difficult to work with and require high precision processes, so there has always been a struggle to improve the results by applying different methods and optimal features. Deep learning methods have been able to accomplish this purpose, and some equipment for rehabilitation have been exploited, and the performance of these systems has been improved with the advancement of technology as well as the algorithms used. In recent years, in addition to machine learning methods, deep learning methods have also been proposed and despite the similarity in their applications, there are significant differences such as training time, accuracy, data size, and analytical method. In this thesis, the purpose is to use deep learning methods, but since one of the goals of these methods is end to end learning or, in other words, training without feature extraction, the main focus is on the classification of these signals without Feature extraction stage with using various deep structures and deep learning techniques. Finally, the results of different structures are compared with each other in order to extract the optimal structure for the classification of motor imagery signals
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Classification of Motor Imagery EEG Signals Using Deep Learning Method
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
پرون، میلاد
مستند نام اشخاص تاييد نشده
Parvan, Milad
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
