آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان
Publish place: The Second National Conference on Computer Electrical Engineering and Information Technology
Publish Year: 1387
Type: Conference paper
Language: Persian
View: 2,719
This Paper With 6 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:
CEIC02_104
Index date: 24 November 2008
آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان abstract
ماشین بردار پشتیبان یا SVM تکنیکی است که در حوزه های گوناگونی از بازشناسی الگو به کار می رود. در آموزش SVM ، کرنل ها، پارامترهای کرنل و انتخاب ویژگی نقش مهمی دارند، بنابراین باید به درستی انتخاب شوند تا دقت دسته بندیSVM بهبود یابد. در این مقاله ترکیب GA وSVM ارائه شده است تا دقت SVM را افزایش دهد. HGASVM نوع کرنل بهینه، پارامتر تابع کرنل و پارامتر در دسته بندی کننده ی SVM و همچنین مناسبترین نوع فیلتر ویولت و پارامتر آنتروپی ویولت را انتخاب می کند. چنین دسته بندی کننده ای برای آشکار سازی تخلیه های صرعی در سیگنال EEG ارائه شده است که در آن از 5 دسته داده که از پایگاه داده دانشگاه بن گرفته شده است استفاده می نماییم . در این تحقیق تبدیل ویولت و آنتروپی ویولت در مرحله ی استخراج ویژگی HGASVM مورد استفاده قرار گرفته است. نتایج تجربی نشان می دهد که دقت دسته بندی HGASVM برای دسته بندی اسپایکهای صرعی از سیگنال EEG نسبت به روش های موجود بالاتر است.
آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان Keywords:
آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان authors
متینه زوار
دانشجوی کارشناسی ارشد کامپیوتر- هوش مصنوعی ، دانشگاه آزاد اسلامی واحد
هادی قاسمی فرد
کارشناسی ارشد مهندسی پزشکی ، دانشگاه آزاد اسلامی واحد مشهد
مهدی یعقوبی
استادیار گروه کامپیوتر، سخت افزار و هوش مصنوعی
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 :