عنوان

طبقه‌بندی پتانسیل‌های برانگیخته حالت دائم بینایی برای یک رابط مغز - رایانه

شماره

‭۵۳۸۹پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

طبقه‌بندی پتانسیل‌های برانگیخته حالت دائم بینایی برای یک رابط مغز - رایانه

نام نخستين پديدآور

/عباس روشنی

نام ناشر، پخش کننده و غيره

تبریز: دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر،گروه کنترل

نام خاص و کميت اثر

‮‭۱۰۰‬ص‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق - کنترل

زمان اعطا مدرک

‮‭۱۳۹۰/۱۱/۱۲‬

کسي که مدرک را اعطا کرده

تبریز: دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر،گروه کنترل

متن يادداشت

سرواژه‮‭BCI‬ ، از عبارت ‮‭Computer Interface - Brain‬ گرفته شده که رابط مغز- رایانه ترجمه شده است .سیستم‮‭BCI‬ ، یک مسیر ارتباطی مستقیم بین مغز و دستگاه‌های جانبی ایجاد می‌کند به گونه‌ای که کاربر جهت ارتباط با دستگاه مورد نظر یا دنیای خارج، به هیچ گونه حرکت ماهیچه‌ای نیاز ندارد .در یک سیستم‮‭BCI‬ ، فعالیت‌های مغز کاربر اندازه‌گیری شده و پس از پردازش‌های خاص، به فرمان‌های مناسب ترجمه شده و به دستگاه مورد نظر ارسال می‌شود بطوریکه گویی دستگاه مورد نظر مستقیما توسط مغز کنترل می‌شود .روش‌های مختلفی برای اندازه‌گیری فعالیت‌های مغزی ارائه شده است که در حال حاضر روش الکتروانسفالوگرافی ‮‭(EEG)‬ محبوب‌ترین روش اندازه‌گیری فعالیت‌های مغزی جهت طراحی یک سیستم ‮‭BCI‬ است .پتانسیل‌های برانگیخته حالت دائم بینایی ‮‭(Steady State Visual Evoked Potentials)‬ اختصارا ‮‭SSVEP‬ بیانگر نوع خاصی از فعالیت مغزی کاربر است که در اثر خیره شدن کاربر به محرک نوری چشمک‌زن با فرکانس بالای ‮‭۶‬ هرتز در ناحیه پس‌سری مغز ظاهر می‌شود .بر این اساس می‌توان سیگنالی با همان فرکانس در ناحیه پس‌سری مغز ثبت کرد و با استفاده از آن یک سیستم ‮‭BCI‬ طراحی کرد .برای این منظور بایستی کلاس‌های مختلف این سیگنال‌ها را از هم تفکیک کرده و به هر کدام یک فرمان تخصیص داده شود ادامه چکیده :در این تحقیق مسئله طبقه‌بندی کلاس‌های مختلف ‮‭SSVEP‬ مورد بررسی قرار گرفته است .برای این منظور دو محرک نوری ‮‭LED‬ با فرکانس‌های ‮‭۱۵‬ هرتر و ‮‭۲۰‬ هرتز و یک حالت بدون حضور محرک به عنوان سه کلاس مختلف فعالیت‌های مغزی انتخاب شده و تکنیک‌های مختلف پیش‌پردازش، استخراج ویژگی و طبقه‌بندی بر روی آنها مورد بررسی قرار گرفته است در این تحقیق طول‌های‮‭۵/۰‬ ،‮‭۱‬ ، ‮‭۲‬ و ‮‭۴‬ ثانیه از هر کلاس سیگنال مورد بررسی شده است .نتایج همه انواع ویژگی‌ها و طبقه‌بندی کننده‌ها نشان داد که با افزایش طول سیگنال مورد بررسی ویژگی‌ها متمایزتر شده و صحت عملکرد طبقه‌بندی کننده‌ها افزایش پیدا می‌کند .نتایج تحقیق نشان داده است که ویژگی‌های دامنه طیف فرکانس، چگالی طیف توان و ضرایب مدل اتورگرسیو برای کلاس‌های مختلف ‮‭SSVEP‬ متمایز می‌باشند که در بین این ویژگی‌ها ضرایب مدل اتورگرسیو نسبت به سایر ویژگی‌ها نتایج بهتری ارائه کرده است .در مرحله طبقه‌بندی الگوریتم‌های طبقه‌بندی کننده بیز ساده‮‭(Na‬ گ‮‭ve Bayes)‬، ‮‭k‬ تا نزدیکترین همسایگی‮‭(K Nearest Nighborhood : KNN)‬ ، آنالیز تفکیک خطی ‮‭(Linear Discriminant Analisis : LDA)‬و پرسپترون چندلایه ‮‭(Multi Layer Perscptron : MLP)‬ بررسی شده است .همه طبقه‌بندی کننده‌های فوق با دقت مناسبی کلاس‌های مختلف را از هم تفکیک کرده‌اند .در بین طبقه بندی کننده‌ها، ‮‭MLP‬ و ‮‭LDA‬ با استفاده از ویژگی‌های ضرایب مدل اتورگرسیو نتایج بهتری نسبت به طبقه‌بندی کننده‌های بیز ساده و ‮‭KNN‬ ارائه کرده‌اند

متن يادداشت

‮‭ve bayes classifier, k nearest neighborhood (KNN), linear discriminant analysis (LDA) and multi layer perceptron (MLP) has been used. All of these classifiers were able to distinguish the different classes with good accuracy. MLP and LDA has shown better classification accuracy rather than others‬گ‮‭Brain - Computer Interface is a direct communication channel between human brain and computer. BCI provide a channel for sending commands to control external devices. Among a variety of methods for monitoring brain activity, the most favorable method is noninvasive EEG. Because of its low transfer rate and long training time, we can't use such a BCI in real applications. Indeed, its reliability is not good enough. A steady-state visual evoked potential (SSVEP) is a continuous visual cortical response evoked by repetitive stimuli with a constant frequency on the central retina.SSVEPs have been widely used in EEG based BCI, especially in a spelling application because it has advantage of high transfer rate and little user training which make it ideal for real time applications. In this study, the classification of different SSVEP classes has been examined. For this purpose, two blinking LED stimulator with ۱۵ Hz and ۲۰ Hz and a without stimuli trial, have been employed as three different classes of brain activity. The signals with ۰.۵, ۱, ۲ and ۴ seconds length has been studied. All features and Classifiers results have been shown that with increasing the signal length moor accuracy could be achieved. The results of this study has shown that the using amplitude of frequency spectrum, power spectral density and autoregressive model coefficients as features different classes of EEG signal can be classified. Among these features, autoregressive model coefficients has shown better results. Also in the classification stage na‬

موضوع مستند نشده

Brain-Computer Interface

موضوع مستند نشده

Electroencephalography

موضوع مستند نشده

Classification

مستند نام اشخاص تاييد نشده

روشنی، عباس

مستند نام اشخاص تاييد نشده

ریخته‌گر غیاثی، امیر، استاد راهنما

مستند نام اشخاص تاييد نشده

قائمی، سحرانه، استاد راهنما

مستند نام اشخاص تاييد نشده

نظری، محمدعلی، استادمشاور

مستند نام اشخاص تاييد نشده

بادامچی زاده، محمدعلی، استادمشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی