ارائه یک روش تطبیقی برای قطعه بندی سیگنال eeg

در بسیاری از کاربردهای پردازش سیگنال، مانند آنالیز سیگنال eeg، اغلب نیاز است که سیگنال غیر ایستان به بخش¬های کوچکتر تقسیم شود. این عمل با یافتن مرزهای سیگنال در لحظات زمانی تغییر مشخصات آماری آن، از قبیل دامنه یا فرکانس، انجام می¬شود. به طورکلی، دو روش برای سگمنت¬کردن سیگنال وجود دارد، سگمنت¬کردن با طول ثابت و سگمنت¬کردن تطبیقی. در روش¬ سگمنت¬کردن با طول ثابت، سیگنال eeg به تکه¬هایی با طول ثابت تقسیم می¬¬شود. روش¬ سگمنت¬کردن با طول ثابت به سادگی انجام می¬شود، ولی در این روش تنها به طور تصادفی می¬توان مرزهایی یافت که در نقاط تغییر مشخصات آماری سیگنال واقع شده¬اند. بنابراین این روش در سگمنت کردن موفق نخواهد بود. با توجه به ضعف روش سگمنت¬کردن با طول ثابت، ضروری است که روشی به کار برده شود که مرز سگمنت¬ها به طور خودکار تشخیص داده شوند که از روش سگمنت¬کردن تطبیقی برای برآوردن این هدف استفاده می¬شود. در این روش، مرز سگمنت¬ها به طور خودکار و بر اساس تغییر در مشخصات آماری سیگنال تشخیص داده می¬شوند. در این پژوهش، روش سگمنت¬کردن تطبیقی جدیدی بر اساس بُعد فرکتال و تبدیل ویولت معرفی شده است. در روش پیشنهادی، در ابتدا سیگنال اصلی توسط تبدیل ویولت تجزیه می¬شود. سپس، بُعد فرکتالی سیگنال تجزیه شده توسط یک پنجره لغزان محاسبه می¬شود و از تغییرات بُعد فرکتالی برای سگمنت کردن تطبیقی استفاده می شود. در این پژوهش، برای افزایش دقت روش پیشنهادی معیاری جهت انتخاب طول مناسب پنجره لغزان معرفی شده است. این در حالی است که در روش¬های سگمنت¬کردن موجود، معیاری جهت انتخاب طول مناسب پنجره لغزان ارائه نشده است. عملکرد روش پیشنهادی با تعدادی از روش¬های سگمنت کردن موجود با استفاده از داده های ساختگی و واقعی eeg مقایسه شده است. برای مقایسه الگوریتم¬های سگمنت¬کردن، از معیار roc استفاده شده است و نتایج شبیه¬سازی بیانگر کارایی بالای روش پیشنهادی نسبت به روش¬های موجود می¬باشد. به علاوه، نشان داده شده است که روش پیشنهادی به زمان کوتاهی برای آنالیز یک سیگنال نیاز دارد، بنابراین می¬توان از روش پیشنهادی در سیستم¬های آنلاین استفاده کرد. در این پژوهش دو کاربرد دیگر روش سگمنت¬کردن تطبیقی نیز نشان داده شده است. در یکی از این کاربردها، روش سگمنت¬کردن تطبیقی برای بررسی تغییرات درخشندگی اجسام کهکشانی مورد استفاده قرار گرفته است که یکی از موضوعات مهم در نجوم برای بررسی رفتار اجسام کهکشانی می¬باشد. در کاربرد دیگر، الگوریتم سگمنت¬کردن تطبیقی در تشخیص ناهنجاری در سیگنال ترافیک شبکه کامپیوتری مورد استفاده قرار گرفته است. این کاربرد می¬تواند در مواردی همچون کمک به مدیریت شبکه، و بهبود عملکرد شبکه مفید باشد.