تشخیص بیماری صرع توسط هم بستگی متقابل ماشین های بردار پشتیبان برای دسته بندی سیگنال مغزی
Publish place: همایش ملی مهندسی برق، الکترونیک، پزشکی و سرزمین پایدار
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 757
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ELECTRICA03_016
Index date: 25 April 2017
تشخیص بیماری صرع توسط هم بستگی متقابل ماشین های بردار پشتیبان برای دسته بندی سیگنال مغزی abstract
ماشین بردار پشتیبان یکی از روش هایی است که از آن برای دسته بندی داده ها استفاده می کنند. این روش نسبتا جدیدی است که در سال های اخیر کارایی خوبی نسبت به روش های قدیمی تر نشان داده و برای ساختارهایی با کمترین ریسک مورد استفاده قرار می گیرد. مبنای کاری دسته بندی کننده ی ماشین بردار پشتیبان، دسته بندی خطی داده ها و کمتر کردن کران بالای خطای آن ها است. این روش برای دسته بندی باینری و بکارگیری آموزش های نظارتی به منظور یافتن دستورالعمل جداسازی بهینه اطلاعات، مورد استفاده قرار گرفته است. در این مقاله تکنیکی برای استفاده دسته بندی سیگنال های مغزی به شکل باینری پیشنهاد شده است. این شیوه برای محک سیگنال مغزی در نظر گرفته شده و روش هایی را برای دستیابی به صحتی بالاتر از 95 96% پیشنهاد می کند که با روش های پیشنهادی اخیر که صحت آن در حدود 94 5% بوده است، قابل مقایسه می باشد.
تشخیص بیماری صرع توسط هم بستگی متقابل ماشین های بردار پشتیبان برای دسته بندی سیگنال مغزی Keywords:
تشخیص بیماری صرع توسط هم بستگی متقابل ماشین های بردار پشتیبان برای دسته بندی سیگنال مغزی authors
الیاس ایران خواه
دانشجوی کارشناسی رشته ی مهندسی پزشکی گرایش بیوالکتریک موسسه آموزش عالی خاوران
محمد ظریف
دانشجوی کارشناسی رشته ی مهندسی پزشکی گرایش بیوالکتریک موسسه آموزش عالی خاوران
الیاس مزروعی راد
دانشجوی دکتری مهندسی پزشکی، عضو هیات علمی موسسه آموزش عالی خاوران
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 :