ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 1,128
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ICIKT07_154
Index date: 14 October 2015
ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG abstract
سیستم رابط مغز و رایانه سیستمی است که به منظور ارتباط مغز با محیط اطراف، سیگنال های مغزی همانند سیگنال EEG را، مستقیما به فرمان های ارتباطی-کنترلی تبدیل می کند. هدف اصلی این مقاله، بهبود طبقه بندی تصورات حرکتی نشأت گرفته از سیگنال مغز است. در این راستا یک طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنال EEG، از ویژگی های حوزه زمان-فرکانس استفاده می کند که شامل شاخص های آماری و غیرآماری بدست آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه بندی، یک روش دو مرحله ای برای ترکیب طبقه بندها ارائه شده است که در مرحله اول یک مجموعه از طبقه بندها با خطاهای متفاوت ایجاد می شود. در این مرحله ویژگی های استخراج شده به طبقه بندهای k نزدیکترین همسایه، SVM و شبکه عصبی چندلایه به عنوان طبقه بندهای پایه داده می شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه بندها بدست می آید. قاعده ترکیب بر اساس قوانین جبر بول ارائه شده است. برای داده های مورد نیاز از نسخه دوم مجموعه داده های BCI competition و مجموعه داده ی سوم استفاده شده است. نتایج پیاده سازی روش پیشنهادی دقت 93,57% را به همراه داشته است که به نسبت روش های موجود در طبقه بندی سیگنال EEG، 3,57% عملکرد بهتری را داشته است.
ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG Keywords:
ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG authors
مرتضی جهان تیغ
دانشکده مهندسی، دانشگاه زنجان
علی امیری
دانشکده مهندسی، دانشگاه زنجان
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 :