سعید مشگینی
دانشگاه تبریز - دانشکده مهندسی برق و کامپیوتر
[ 1 ] - بازشناسی چهره با استفاده از آنالیز تفکیک خطی بر پایه موجک‌های هار و گابور و ماشین بردار پشتیبان
در این مقاله، پس از انجام مطالعه‌ای در مباحث الکترونیک، پردازش تصویر، بینایی ماشین، بازشناسی چهره، فیلترینگ، تبدیل موجک، آنالیز تفکیک خطی و ماشین بردار پشتیبان، روش جدیدی برای بازشناسی چهره، معرفی و پیشنهاد شده است. روند کلی این روش به‌صورت زیر است: ابتدا تعدادی تصویر از چهره اشخاص، که در این مقاله از پایگاه داده‌های FERET برگرفته شده است؛ به‌عنوان بانک اطلاعاتی برای بازشناسی چهره، وارد سیستم م...
[ 2 ] - شناسایی خودکار مراحل خواب از سیگنال EEG تک‌کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی
در سال‌های اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های خواب از طریق بازرسی بصری، یکی از چالش‌های مهم به حساب می‌آید. در این مقاله، الگوریتمی مبتنی بر EEG تک‌کاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی ارائه می‌شود. سیگنال با استفاده از تبدیل مو...
[ 3 ] - Facial expression recognition based on Local Binary Patterns
Classical LBP such as complexity and high dimensions of feature vectors that make it necessary to apply dimension reduction processes. In this paper, we introduce an improved LBP algorithm to solve these problems that utilizes Fast PCA algorithm for reduction of vector dimensions of extracted features. In other words, proffer method (Fast PCA+LBP) is an improved LBP algorithm that is extracted ...
[ 4 ] - Automatic Face Recognition via Local Directional Patterns
Automatic facial recognition has many potential applications in different areas of humancomputer interaction. However, they are not yet fully realized due to the lack of an effectivefacial feature descriptor. In this paper, we present a new appearance based feature descriptor,the local directional pattern (LDP), to represent facial geometry and analyze its performance inrecognition. An LDP feat...
[ 5 ] - تشخیص حمله‌های صرعی از روی ضرایب موجک با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی انبوه ذرات (PSO)
سیگنال‌های الکتروانسفالوگرام (EEG)[i]، فعالیت‌های الکتریکی سلول‌های عصبی مغز را نشان می‌دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت‌های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت‌های غیرعادی مغز و مهم‌ترین تظاهر بیماری صرع است. دشارژهای صرعی‌شکل (امواج سوزنی)[ii] مهم‌ترین مشخصة سیگنال‌های فرد درحال تشنج است. با آشکارسازی امواج...
[ 6 ] - شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG با استفاده از شبکه‌های یادگیری عمیق
استفاده از روشی هوشمند برای تشخیص خودکار مراحل مختلف صرعی در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه‌وتحلیل داده‌های صرع با بازرسی بصری، یکی از چالش‌های مهم در سال‌های اخیر محسوب می‌شود. یکی از مشکلات شناسایی خودکار مراحل مختلف صرعی، استخراج ویژگی‌های مطلوب است؛ به‌گونه‌ای که این ویژگی‌ها بتوانند بیشترین تمایز را بین مراحل مختلف صرعی ایجاد کنند. فرآیند یافتن ویژگی‌های مناسب، عموماً ام...
نویسندگان همکار