بهبود دسته بندی سیگنال های الکترو انسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرع
Publish place: International Conference on New Research Findings in Electrical Engineering and Computer Science
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 790
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMCONF01_227
تاریخ نمایه سازی: 8 آذر 1394
Abstract:
صرع یک مشکل عصبی است که در بیماران صرعی با تخلیه الکتریکی غیر نرمال از طرف مغز انجام م یشو د .بس یاری از مطالعات نشان داده اند که سیگنال الکتروانسفالوگرافی مهم ترین سیگنالی است که برای دسترسی به فعالیت های مغز و تش خیص مشکلات متفاوت مغز مورداستفاده قرار م یگیرد .در این مطالعه، فیلتر باند گذر Butterworth بر ای پ یش پرداز ش تجزی ه س یگنا له ای الکتروانسفالوگرافی در 5 باند فرکانسی پیاده سازی و مورداستفاده قرارگرفته است .به علاوه ویژگ یهای متفاوتی مثل انرژی ، انحراف معیار و آنتروپی نیز از زیر باندهای دلتا، تتا، آلفا، بت ا و گاما استخراج و محاسبه شدند .در کاره ای انجا م شده ویژگ یه ای استخراج شده به دسته بند ماشین بردارپشتیبان ب همنظور تشخیص حملات صرع یا عدم حمله، داد هشده که منجر ب هدقت 95 درصدی شده است.در این مقاله نشان م یدهیم که با کمک شبکه های باور عمی ق در جهت استخراج ویژگ یه ا و ماش ین بردار پشتیبان برای دست هبندی ، م یتوان دقت بالاتری در دسته بندی سیگنا لهای حمله صرعی و معمول صرعی به دست آورد
Keywords:
Authors
سید محمدرضا موسوی نصر
دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر
محمد صادق موید صفاری
دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر
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 :