طبقهبندی سیگنالهای EEG با استفاده از مدل شبکهی عصبی پرسپترون چندلایه و دستهبندی k-Means
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 726
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
RSTCONF01_293
Index date: 21 November 2015
طبقهبندی سیگنالهای EEG با استفاده از مدل شبکهی عصبی پرسپترون چندلایه و دستهبندی k-Means abstract
ما یک شبکهی عصبی پرسپترون چندلایه (MLPNN) بر اساس مدل طبقه بندی شده بهعنوان یک مکانیسم تشخیصی در درمان بیماری صرع معرفی کردیم . سیگنالهای EEG با استفاده از تبدیل موجک گسسته (DWT) به زیرباندهای فرکانسی، تجزیه و ضرایب موجک برای هر زیرباند فرکانسی با استفاده از الگوریتم K-Means دستهبندی شدند. توزیعات احتمال برطبق توزیع ضرایب موجک برای خوشهها، محاسبه و سپس به عنوان ورودی MLPNN استفاده شدند. ما پنج آزمایش مختلف برای ارزیابی عملکرد مدل ارائهشده در طبقهبندی ترکیبهای مختلفی از بخش های سالم ، بخشهای بدون حملات صرعی و بخشهای دارای حملات صرعی، انجام دادیم. ما نشان دادیم که در مدل ارائهشده، نرخ دقت طبقهبندی، رضایتبخش است
طبقهبندی سیگنالهای EEG با استفاده از مدل شبکهی عصبی پرسپترون چندلایه و دستهبندی k-Means Keywords:
بیماری صرع , دستهبندی K-Means , تبدیل موجک گسسته (DWT) , شبکهی عصبی پرسپترون چندلایه (MLPNN) , سیگنالهای EEG , طبقهبندی
طبقهبندی سیگنالهای EEG با استفاده از مدل شبکهی عصبی پرسپترون چندلایه و دستهبندی k-Means authors
نرجس اشکان
دانشجو، کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی واحد کازرون، کازرون، 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 :