طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 14
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ADST-14-3_006
Index date: 18 March 2025
طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI abstract
رابط مغز و کامپیوتر (BCI) مبتنی بر تخیل حرکتی (MI) به عنوان یک روش موثر برای برقراری ارتباط مستقیم بین مغز و دستگاه های الکترونیکی خارجی ارائه شده است. مسئله اصلی در سیستمهای BCI تبدیل سیگنالهای تولید شده در مغز به دستورات قابل اعتماد برای کنترل دستگاههای الکترونیکی است. سیگنال الکتروانسفالوگرافی (EEG) پرکاربردترین سیگنال در پژوهشهای مرتبط با BCI است. اخیرا ترکیب با برخی سیگنالهای حیاتی دیگر نظیر طیفسنجی نزدیک مادون قرمز (NIRS) برای افزایش کار آیی سیستمهای BCI مورد توجه قرار گرفته است. مهمترین چالش در سیستمهای BCI با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگیهای سیگنالهای مختلف است. برای این منظور، در این مقاله ابتدا سیگنالهای EEG و اجزای NIRS، شامل HbO و HbR، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکههای عصبی کانولوشنی یکبعدی، ویژگیهای عمیق از هر زیرباند استخراج شده و با هم ادغام میشوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه وتحلیل اجزای اصلی با هسته (KPCA)، ویژگیهای غیرمفید را حذف کرده و ویژگیهای باقیمانده با استفاده از بردار پشتیبان ماشین طبقهبندی میشوند. نتایج نشان میدهند روش پیشنهادی دقت بالایی دارد و روشهای ارائهشده اخیر را بهبود میدهد.
طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI Keywords:
الکتروانسفالوگرافی , شبکه عصبی کانولوشنی , طیف سنجی نزدیک مادون قرمز , کاهش ویژگی , واسط مغز و کامپیوتر
طبقه بندی سیگنال های ترکیبی EEG-fNIRS با استفاده از ویژگی های عمیق کاهش یافته برای کاربردهای BCI authors
اکبر اصغرزاده بناب
استادیار، دانشگاه فرماندهی و ستاد آجا، تهران، ایران
امیر حاتمیان
دانشجوی دکتری ، دانشگاه ارومیه، ارومیه، ایران
مهدی اوریا
استادیار، دانشگاه فرماندهی و ستاد آجا، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
