طبقه بندی و استخراج ویژگی الکتروانسفالوگرام صرعی با استفاده از روش های PCA،ICA،EMD،DWT و SVM

Authors

  • جواد ابراهیم نژاد مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد دانشجوی دکتری مهندسی برق مخابرات- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
  • علیرضا نقش مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد استادیار- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
  • مهکام کاهکش مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد دانشجوی دکتری مهندسی برق کنترل - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
Abstract:

هدف این مقاله طبقه بندی سیگنال های الکتروانسفالوگرام به دو دسته صرعی و سالم می باشد. برای دستیابی به بالاترین دقت، از تکنیک های مختلف استفاده شده است. روش های تبدیل موجک و تجزیه حالت تجربی برای استخراج ویژگی های مورد نظر از این سیگنال ها به کار رفته است. این دو روش از لحاظ تاثیر در فرآیند طبقه بندی با یکدیگر مقایسه شده اند. جهت کاهش ابعاد فضای ویژگی، روش های تحلیل اجزای مستقل و اصلی مورد استفاده قرار گرفته اند. سپس به منظور کاهش اثر نویز بر تحلیل سیگنال الکتروانسفالوگرام، روش نرم کردن اعمال گردید. درنهایت، به کمک طبقه بندی کننده ماشین بردار پشتیبان، داده های موجود طبقه بندی شدند. این مراحل برای مجموعه داده موجود، شامل 5 گروه از سیگنال های الکتروانسفالوگرام تک کانال، آزمایش شد. نتایج، کارایی و دقت بالای روش تجزیه حالت تجربی در استخراج ویژگی و طبقه بندی سیگنال ها را نشان می دهد. براین اساس، دقت و حساسیت به دست آمده از هر دو ترکیب تجزیه حالت تجربی - تحلیل اجزای مستقل و تجزیه حالت تجربی - تحلیل اجزای اصلی، پس از نرم کردن داده ها، به عنوان یک رویکرد جدید در استخراج و طبقه بندی ویژگی ها، 100% می باشد. خروجی این سیستم در کنترل و درمان بیماری کاربرد دارد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر

طبقه­بندی زعفران به عنوان گران­ترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجه­بندی زعفران استفاده می­شود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونه­ها انجام می­شود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام می­گیرد. طبق نظر متخصصان، استفاده از تکنیک­های یادگیری ماشین برای طبقه­بندی زعفران به دلیل داشتن ماهیت غیر مخ...

full text

The Study of Stressful Factors in Clinical Education for Nursing Students Studying in Nursing and Midwifery College in Khorramabad

کچ هدي پ شي مز هني فده و : شزومآ لاب يني شخب ساسا ي شزومآ مهم و راتسرپ ي تسا . و هنوگ ره دوج لکشم ي شزومآ رد لاب يني ، آراک يي هدزاب و ا ني شزومآ زا شخب راچد ار لکشم م ي دنک . فده اب رضاح شهوژپ سررب ي لماوع سرتسا از ي شزومآ لاب يني رد وجشناد ناي راتسرپ ي هدکشناد راتسرپ ي و يامام ي ماـجنا داـبآ مرـخ تسا هتفرگ . شور و داوم راک : رضاح هعلاطم کي هعلاطم صوت يفي عطقم ي تسا . د...

full text

The effect of cyclosporine on asymmetric antibodies and serum transforming growth factor beta1 in abortion-prone model of mice CBA/J x DBA/2

كچ ي هد فده و هقباس : ي ک ي طقس زورب للع زا اه ي ،ررکم ا لماوع تلاخد ي ژولونوم ي ک ا رد ي ن قم طققس عون ي وراد دقشاب ي س ي روپسولک ي ،ن ح لدم رد طقس شهاک بجوم ي ناو ي CBA/j×DBA/2 م ي تنآ ددرگ ي داب ي اه ي ان و راققتم TGF-β لماوع زا عت مهم يي ن گلماح تشونرس هدننک ي سررب روظنم هب رضاح هعلاطم تسا ي ات ث ي ر اس ي روپسولک ي ن م رب ي از ا ي ن تنآ عون ي داب ي س و اه ي اکوت ي ن TGF...

full text

ارائه روشی برای طبقه بندی داده های ابرطیفی aviris ، با استفاده از استخراج ویژگی و ترکیب طبقه بندی کننده ها

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون ک...

full text

مقایسه تأثیر وضعیت طاق باز و دمر بر وضعیت تنفسی نوزادان نارس مبتلا به سندرم دیسترس تنفسی حاد تحت درمان با پروتکل Insure

کچ ی هد پ ی ش مز ی هن ه و فد : ساسا د مردنس رد نامرد ي سفنت سرتس ي ظنت نادازون داح ي سکا لدابت م ي و نژ د ي سکا ي د هدوب نبرک تسا طسوت هک کبس اـه ي ناـمرد ي فلتخم ي هلمجزا لکتورپ INSURE ماجنا م ي دوش ا اذل . ي هعلاطم ن فدهاب اقم ي هس عضو ي ت اه ي ندب ي عضو رب رمد و زاب قاط ي سفنت ت ي هـب لاتـبم سراـن نادازون ردنس د م ي سفنت سرتس ي لکتورپ اب نامرد تحت داح INSURE ماجنا درگ ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 9  issue 36

pages  15- 22

publication date 2019-02-04

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023