استفاده از روش های مبتنی بر پردازش آماری سیگنال در آشکارسازی مولفهp300 سیگنال مغزی

thesis
abstract

جنبه های شناختی فعالیت مغز، یکی از جذاب ترین زمینه های تحقیقاتی در بسیاری از علوم مرتبط با مغز است. از جمله موارد پرکاربرد برای تحقیق درباره فعالیت های شناختی مغز، بررسی بروز مولفه مغزی p300 است، که کاربردهایی از قبیل طراحی واسط مغز-کامپیوتر و دروغ سنجی مغزی دارد. در این تحقیق، راهکارهایی به منظور افزایش درصد صحت تشخیص p300 معرفی شده است. کارایی روش های پیشنهاد شده، در دو حیطه آشکارسازی p300 و دروغ سنجی مورد بررسی قرار گرفته است. برای بهبود کیفیت سیگنال و معرفی ویژگی های جدید، الگوریتم های فیلتر کالمن، فیلتر اطلاعات و هموارساز فاصله ثابت را پیشنهاد کرده ایم. استفاده از این سه الگوریتم درصد صحت تشخیص p300 و دروغ گویی را بهبود بخشید. همچنین به بررسی عملکرد چند مدل آماری (مانند مدل گوسی، مدل ترکیب گوسی ها و مدل اثرهای آمیخته) برای توصیف p300 و آشکارساز glrt برای آشکارسازی سیگنال p300 پرداخته ایم. در تشخیص سیگنال p300، از بین فیلتر اطلاعات و هموارساز مورد استفاده، با توجه به نتایج تقریباً مشابه وپیچیدگی کمتر فیلتر اطلاعات، استفاده از فیلتر اطلاعات پیشنهاد می شود. درصد صحت تشخیص p300 از سیگنال های فیلتر شده با فیلتر اطلاعات برای سیگنال های p300دار 93.1 درصد و برای سیگنال های فاقد p300، 93.7 درصد به دست آمد. در تشخیص دروغ گویی، درصد صحت 79.7 برای افراد گناهکار و 80.4 برای افراد بی گناه را با استفاده از مدل mem برای مدل کردن سیگنال فیلتر شده توسط فیلتر کالمن، و آشکارساز glrt بدست آوردیم. در مجموع، با توجه به نتایج به دست آمده به نظر می رسد، عملکرد روش های مبتنی بر طبقه بندی کننده در شرایطی که اطلاعات کافی از مسئله در اختیار است مناسب تر است، اما زمانی که اطلاعات کافی برای تصمیم گیری در دست نباشد، روش های مبتنی بر آشکارسازی عملکرد بهتری از خود نشان می دهند.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

آشکارسازی سیگنال بر اساس پردازش موازی مبتنی بر جی‌پی‌یو در شبکه‌های حس‌گری صوتی دارای زیرساخت

Nowadays, several infrastructure-based low-frequency acoustical sensor networks are employed in different applications to monitor the activity of diverse natural and man-made phenomena, such as avalanches, earthquakes, volcanic eruptions, severe storms, super-sonic aircraft flights, etc. Two signal detection methods are usually implemented in these networks for the purpose of event occurrence i...

full text

حوزه های مختلف کاربردی پردازش سیگنال مغزی در ایران

According to the researches, it turns out that human's activities are the results of the internal-neural activities of their brain. The reflection of such activities which are propagated throughout the scalp can then be acquired and processed. In this regard, brain signals can be acquired and recorded by EEG (Electroencephalography). Researchers have applied different technqiues for acquiring, ...

full text

آشکارسازی حرکت پا در سیستم واسط مغز-رایانه کاربرفرما با استفاده از روش طبقه‌بندی مبتنی بر نمایش تنک سیگنال

سیستم‌های BCIکاربرفرما در مقایسه با سیستمهای BCIسنکرون، ارتباط طبیعی‌تر کاربر را با فضای خارج امکان‌پذیر می‌کنند. آشکارسازی بازه‌های وقوع حرکت در سیگنال پیوسته EEGمسأله‌ای کلیدی در طراحی سیستم‌های BCI  </spa...

full text

آشکارسازی مولفة P300 سیگنال مغزی با استفاده از الگوی زمانی مشترک وزن‌دار

آشکارسازی پتانسیل‌های وابسته به رخداد، یک پیش‌نیاز مهم در سیستم‌های واسط مغز و کامپیوتر (BCI) مبتنی بر ERP است. برای افزایش درصد صحت طبقه‌بندی در این سیستم‌ها، از روش‌های فیلتر‌ینگ مختلفی استفاده می‌شود تا نرخ سیگنال به نویز بهبود یابد و در نتیجه تشخیص و طبقه‌بندی پتانسیل‌های وابسته به رخداد آسان شود. پیش از این، عملکرد فیلترهای الگوی مکانی مشترک (CSP) و الگوی زمانی مشترک (CTP) که به‌ترتیب فیلت...

full text

کاربرد موجک‌ها در پردازش سیگنال

موجک‌ها ابزاری قوی برای تجزیه، تحلیل و پردازش سیگنال‌های دیجیتال هستند. تبدیل موجک، نمایش دامنه-زمان یک سیگنال را در قالب ضرایب موجک به نمایش فرکانس-زمان تبدیل می کند. ضرایب موجک می توانند در قالب یک روش وابسته به فرکانس برای دستیابی به اثرات پردازش‌های گوناگون سیگنال، به کار گرفته شوند و همچنین تبدیل موجک معکوس، ضرایب موجک بدست آمده را به نمایش دامنه-زمان به منظور دست یابی به یک سیگنال اصلاح ش...

full text

حذف خودکار آرتیفکت چشمی از سیگنال های مغزی با استفاده از ویژگی های آماری و زمانی- فرکانسی مولفه های مستقل

مهمترین مشکل در بررسی و پردازش ثبت های الکتروآنسفالوگرام (EEG) حضور انواع سیگنال های ناخواسته (آرتیفکت ها) است که حذف آنها با روش تحلیل مولفه های مستقل از بهترین گزینه های ممکن است. هدف مساله تحلیل مولفه های مستقل جداسازی کور ترکیبی خطی از منابع مستقل است. با اعمال این روش روی سیگنال های مغزی آغشته به آرتیفکت، آرتیفکت ها به صورت مولفه های مستقلی استخراج می شوند. تشخیص خودکار مولفه های مستقل مرب...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده مهندسی برق و کامپیوتر

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023