استخراج ویژگیهای سیگنال eeg برای تخمین سطح هوشیاری با استفاده از تبدیل موجک
پایان نامه
چکیده
الکتروانسفالوگرام بیانگر فعالیتهای الکتریکی مغز است و حاوی اطلاعات غنی در باره عملکرد و وضعیت مغز می باشد. همچنین مشخص شده است که اثر داروهای مختلف روی سیستم اعصاب مرکزی تغییرات مشخصی در سیگنال eeg ایجاد می کند. از طرفی دیگر بررسی های بعمل آمده در رابطه بین eeg و میزان هوشیاری بیانگر توانایی eeg در تحلیل سطح هوشیاری افراد می باشد. روشهای مختلفی برای تحلیل و کمی کردن eeg ارائه شده است که غالبا" مبتنی بر تحلیل فوریه و مشتقات طیفی سیگنال هستند. برخی روشهای پارامتری نظیر ar نیز در زمینه کمی کردن eeg بمنظور تخمین یطح هوشیاری به کار رفته اند. در اکثر روشهای فوق فرض بر ایستا بودن سیگنال می باشد. از طرفی، در تکنیکهای تحلیل طیف براساس تبدیل فوریه دقت زمانی و فرکانسی در تضاد هستند. از اینرو در مورد این سیگنال بهتر است از روشهای زمان- فرکانس استفاده شود. در این تحقیق از تبدیل موجک برای استخراج ویژگیهای سیگنال eeg استفاده شده است و توانایی این ویژگی ها در طبقه بندی و خوشه یابی سطوح مختلف هوشیاری بررسی شده است . کار طبقه بندی و خوشه یابی با استفاده از ویژگیهای طیفی و روش پارامتری ar انجام گرفته و نتایج مقایسه شده اند. نتایج نشان می دهد که ویژگی های موجک برای تخمین سطح هوشیاری از توانایی بالائی برخوردارند.
منابع مشابه
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...
متن کاملشناسایی خودکار مراحل خواب از سیگنال EEG تک کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکه عصبی مبتنی بر طبقهبند RUSBoost
طبقهبندی کردن خودکار مراحل خواب به منظور تشخیص دادن به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و نیز شبکه عصبی مبتنی بر طبقهبند RUSBoost ارائه میشود. سیگنال با استفاده از تبدیل موجک گسسته به 4 سطح تجزیه شده و ویژگیهای آماری از هر یک ا...
متن کاملارزیابی قابلیت ویژگیهای زمانی، فرکانسی سیگنال EEG و ویژگیهای مستخرج از تبدیل بسته موجک در تفکیک مراحل مختلف خواب با استفاده از شبکه SOM
سیگنالهای زیستی مختلف شامل EEG، EOGو EMGبه منظور تشخیص اختلالات خواب در آزمایشگاههای خواب ثبت میشوند. تحلیل اطلاعات ثبت شده در زمان خواب بهوسیله متخصص خواب، به صورت شهودی انجام میشود. طبقهبندی شهودی مراحل خواب به دلیل طولانی بودن ثبتها، کار زمانبر و خسته کنندهای است. تحلیل خودکار خواب میتواند این امر را تسهیل کند. مهمتر...
متن کاملتشخیص حملات صرع با استفاده از تخمین طیف سیگنال eeg
در این پایان نامه یک روش جدید با استفاده از تخمین طیف مبتنی بر بردارهای ویژه و شبکه عصبی برای شناسایی حملات صرع معرفی شده است. در این روش سیگنال های eeg به سه دسته ذیل تقسیم بندی می شوند: (1) سیگنال شخص سالم (healthy) (2) سیگنال شخص مبتلا به صرع در غیاب حمله (inter-ictal) (3)سیگنال شخص مبتلا به صرع حین حمله (ictal). روش ارایه شده شامل دو نوع الگوریتم است. در الگوریتم اول، طیف سیگنال eeg با استف...
15 صفحه اولبررسی ارتباطات مغزی مؤثر به روش تابع انتقال جهتدار برای ترکیبهای مختلف توجه و هوشیاری براساس سیگنال EEG
هدف این مقاله، بررسی ارتباطات مؤثر مغزی براساس روش تابع انتقال جهتدار (DTF) است. این ارتباطات برای دادههای ثبتشده، از ترکیب حالتهای توجه و هوشیاری، که چهار دستة توجه-هوشیاری، توجه-عدم هوشیاری، عدم توجه-هوشیاری و عدم توجه-عدم هوشیاری را ایجاد کردهاند، بهدست آمدند. از روی ماتریسهای بهدستآمده برای هر دسته، شاخصهایی مرسوم در حوزة DTF، معرفی و محاسبه شدند. سپس شاخصهای این چهار دسته، برای...
متن کاملارزیابی قابلیت ویژگی های زمانی، فرکانسی سیگنال eeg و ویژگی های مستخرج از تبدیل بسته موجک در تفکیک مراحل مختلف خواب با استفاده از شبکه som
سیگنال های زیستی مختلف شامل eeg، eogو emgبه منظور تشخیص اختلالات خواب در آزمایشگاه های خواب ثبت می شوند. تحلیل اطلاعات ثبت شده در زمان خواب به وسیله متخصص خواب، به صورت شهودی انجام می شود. طبقه بندی شهودی مراحل خواب به دلیل طولانی بودن ثبت ها، کار زمان بر و خسته کننده ای است. تحلیل خودکار خواب می تواند این امر را تسهیل کند. مهم ترین گام برای طبقه بندی خودکار مراحل خواب، استخراج ویژگی های مناسب ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023