تشخیص خستگی ذهنی با طبقه بندی الگوهای ارتباطات عملکردی استخراج شده ازسیگنال EEG با استفاده از الگوریتم های یادگیری عمیق
Publish Year: 1396
Type: Conference paper
Language: Persian
View: 779
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:
ICBME24_004
Index date: 15 September 2019
تشخیص خستگی ذهنی با طبقه بندی الگوهای ارتباطات عملکردی استخراج شده ازسیگنال EEG با استفاده از الگوریتم های یادگیری عمیق abstract
تشخیص به موقع خستگی ذهنی در کارها و فعالیتهایی که از حساسیت زیادی برخوردار هستند و نیاز به هوشیاری کامل دارند دارای اهمیت فوق العاده ای می باشد. در این تحقیق، با هدف ارائه مدلی برای تشخیص به موقع خستگی ذهنی، الگوهای ارتباطات عملکردی مغزیدر حالتهای هوشیاری و خستگی مورد استفاده قرار گرفته اند. برای تشخیص خستگی ذهنی الگوهای ارتباطی را با روش MSC به دست آوردیم و به عنوان ویژگی وارد طبقه بند کردیم. همچنین با استفاده از معیار کندال تائو قدرت تفکیک ویژگیها را اندازه گیری کردیم و ویژگی هایی که قدرت تفکیک بالاتری داشتند به عنوان ویژگیهای افتراقی برای طبقه بندی مورد استفاده قرار گرفت. برای طبقه بندی از طبقهبند SVM غیر خطی با تابع پایه ی شعاعی و نیز از شبکه عصبی عمیق AlexNet استفاده شد. ارزیابی مدل با استفاده از مجموعه داده EEG واقعی و روی مجموعه کامل ویژگیها و مجموعه ویژگیهای افتراقی در دو حالت بین شخصی و درون شخصی انجام شده است. بالاترین دقت، در حالت ارزیابی بین شخصی (%73.33) و در حالت ارزیابی درون شخصی((%98.87 برای مجموعه ویژگی های افتراقی و با استفاده از شبکه AlexNet بهدست آمد.
تشخیص خستگی ذهنی با طبقه بندی الگوهای ارتباطات عملکردی استخراج شده ازسیگنال EEG با استفاده از الگوریتم های یادگیری عمیق Keywords:
تشخیص خستگی ذهنی با طبقه بندی الگوهای ارتباطات عملکردی استخراج شده ازسیگنال EEG با استفاده از الگوریتم های یادگیری عمیق authors
جواد سلیمانی
دانشجوی کارشناسی ارشد مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
فواد قادری
آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس