عنوان

طبقه‌بندی پتانسیل‌های برانگیخته حالت دائم بینائی برای یک واسط مغز رایانه توسط روش‌فازی,‮‭Steady State Visual Evoked Potentials for a Brain-Computer Interface by Fuzzy Logic‬

شماره

‭۲۳۶۶۰پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طبقه‌بندی پتانسیل‌های برانگیخته حالت دائم بینائی برای یک واسط مغز رایانه توسط روش‌فازی

عنوان اصلي به زبان ديگر

‮‭Steady State Visual Evoked Potentials for a Brain-Computer Interface by Fuzzy Logic‬

نام نخستين پديدآور

/نکیسا فرش‌فروش

نام ناشر، پخش کننده و غيره

: مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۸‬

نام توليد کننده

، کبیری

نام خاص و کميت اثر

‮‭۷۰‬ص‬

متن يادداشت

چاپی - الکترونیکی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق گرایش کنترل

زمان اعطا مدرک

‮‭۱۳۹۸/۰۹/۲۷‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

هدف اصلی در یک سیستم‮‭BCI‬، تبدیل فعالیت‌های مغزی به فرمان مناسب از طریق استخراج اطلاعات کد شده در سیگنال‌های ‮‭EEG‬که بیانگر یک فعالیت مغزی خاص توسط کاربر آزمایش دهنده است می‌باشد .این استخراج باید به نحوی باشد که منظور کاربر را تشخیص داده و فرمان متناسب با آن به دستگاه مورد نظر ارسال شود .برای این منظور به دنبال ویژگی‌هایی از سیگنال هستیم که برای فعالیت‌های مغزی خاص و منحصر به فرد، پاسخ‌های یکتا و منحصر به‌فرد ارائه دهند .در این پژوهش، از پایگاه داده مشخص استفاده شده است .پایگاه داده استفاده شده، شامل دیتای سیگنال اخذ شده از تعدادی داوطلب سالم بود که این دیتا پس از ارائه پروتکل سریع تصاویر از طریق ارائه چشمی بینایی پیاپی سریع با سرعت‌های ‮‭۵‬ هرتز، ‮‭۶‬ هرتز و ‮‭۱۰‬ هرتز از افراد مورد آزمایش اخذ شده است .در روش اجرای پژوهش، ابتدا فراخوانی سیگنال‌های ‮‭EEG‬صورت گرفت و ویژگی‌های مناسب از این سیگنال‌ها استخراج شدند .سپس برچسب‌های مربوط به این سیگنال‌ها نسبت داده شده و در نهایت ماتریس برچسب‌گذاری شده ویژگی‌های تولید شده از این ماتریس به عنوان ماتریس ورودی طبقه‌بندی کننده‌های بکار گرفته شده، استفاده گردید .در ادامه، روشی مبتنی بر سیستم فازی ‮‭Takagi-Sugeno-Kang (TSK)‬ برای طبقه‌بندی سیگنال‌های ‮‭EEG‬که دارای پاسخ حالت دائمی بینائی بودند استفاده گردید .البته، علاوه بر استفاده از نزدیک‌ترین همسایه‮‭(KNN)‬نیز استفاده شده است .نتایج نشان دادند که طبقه‌بندی کننده فازی با حداکثر دقت ‮‭۹۸/۱۲‬ عملیات طبقه‌بندی سیگنال‌های شامل پاسخ حالت دائم بینائی را انجام داده است

متن يادداشت

The main purpose of a BCI system is to convert brain activity to appropriate command by extracting information encoded in EEG signals that express a specific brain activity by the test user. This extraction should be such that the user recognizes the order and the appropriate command is sent to the target device. To this end, we look for signal features that provide unique and unique responses to specific brain activities. In this study, EEG signals were first obtained from the test subjects, but this thesis used a specific database. The database used in this dissertation included the EEG signal data obtained from a number of healthy volunteers, which were rapidly transmitted after rapid image visualization (RSVP). 5 Hz, 5 Hz and 10 Hz were obtained from the test subjects. In this thesis research method was first called and pre-processed EEG signals. Then appropriate features were extracted from these signals. The extracted features included time domain characteristics, frequency domain, power spectrum density domain, and power spectrum characteristics extracted from EEG signals. Then all of these extracted features were normalized to all within the range of zero to 1. The corresponding labels are then assigned to these signals and finally the labeled matrix of attributes generated from this matrix is used as the input matrix of the classifiers used in this thesis. Was done. In this study, a Takagi-Sugeno-Kang fuzzy system (TSK) based method was used to classify EEG signals with steady-state visual response. Here, the Rule-Base fuzzy system rule base consists of a number of rules. The features extracted from the EEG signal are considered as inputs to these rules. We then defined the antecedents of the laws as "small", "medium" and "large" verbal variables, and identified the final part of these rules. In this thesis, in addition to using fuzzy classifier, simple Bayesian methods, PNN probabilistic neural network, MLP probabilistic neural network, Support Vector Machine (SVM) method and k nearest neighbor method (KNN) is also used. The results showed that the fuzzy classifier with 98.12 accuracy performed EEG signal classification operations including steady state visual response

عنوان اصلي به زبان ديگر

‮‭Steady State Visual Evoked Potentials for a Brain-Computer Interface by Fuzzy Logic‬

مستند نام اشخاص تاييد نشده

فرش‌فروش، نکیسا

مستند نام اشخاص تاييد نشده

Farshforoush, Nakisa

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی