تشخیص مؤلفه P300 با استفاده از مدلهای مخفی مارکوف
Publish place: 14th Iranian conference on Biomedical Engineering
Publish Year: 1386
Type: Conference paper
Language: Persian
View: 1,568
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ICBME14_102
Index date: 23 June 2008
تشخیص مؤلفه P300 با استفاده از مدلهای مخفی مارکوف abstract
در این تحقیق مدل مخفی مارکوف که یک مدل آماری با پایه ریاضی قوی می باشد، برای نخستین بار در تشخیص مؤلفه P300 بکار گرفته شده است. CDHMMها که از نوع پیوسته مدلهای مارکوف هستند با استفاده از روش یادگیری مدولار برای تفکیک دادگان حاوی P300 و فاقد آن در دادگان BCI2005- II، ا ستفاده شده اند. ضرایب استخراج شده توسط تبدیل موجک Quadratic B-spline به عنوان زنجیره ویژگی برای مدلها استفاده شد. این ضرایب برای 64 کانال استخراج و با اعمال PCA در فضای ویژگیها کاهش بعد صورت گرفت. بعد از آموزش دو مدل CDHMM برای سیگنالهای حاوی P300 و فاقد آن، میزان شباهت به هر مدل توسط SVM بررسی و تصمیم گیری نهایی انجام شد. با روش ارزیابی 10 بار 10 دسته دادگان، 95,8 % صحت تشخیص مؤلفه P300 برای داده آموزش و 87.3% برای داده آزمون بدست آمده، در حالیکه برای ساختار مشابه، اما با جایگزین شدن CDHMM با LDA، نتایج 85.2% صحت تشخیص مولفه P300 برای داده آموزش و 84.2% برای داده آزمون بدست آمد.
تشخیص مؤلفه P300 با استفاده از مدلهای مخفی مارکوف Keywords:
تشخیص مؤلفه P300 با استفاده از مدلهای مخفی مارکوف authors
سیده زهره سیدصالحی
دانشگاه شاهد، پژوهشکده پردازش هوشمند علائم.
علی مطیع نصرآبادی
دانشگاه شاهد
وحید ابوطالبی
دانشگاه یزد، پژوهشکده پردازش هوشمند علائم.
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 :