مقاله ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ارائه طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک جهت طبقه بندی سیگنال EEG :

تعداد صفحات:۱۰
چکیده:
سیستم رابط مغز و رایانه سیستمی است که به منظور ارتباط مغز با محیط اطراف، سیگنال های مغزی همانند سیگنال EEG را، مستقیما به فرمان های ارتباطی-کنترلی تبدیل می کند. هدف اصلی این مقاله، بهبود طبقه بندی تصورات حرکتی نشأت گرفته از سیگنال مغز است. در این راستا یک طبقه بند ترکیبی مبتنی بر قوانین جبر بول و الگوریتم ژنتیک ارائه شده است که برای استخراج ویژگی از سیگنال EEG، از ویژگی های حوزه زمان-فرکانس استفاده می کند که شامل شاخص های آماری و غیرآماری بدست آمده از تبدیل بسته موجک است. در این مقاله برای بهبود نتایج طبقه بندی، یک روش دو مرحله ای برای ترکیب طبقه بندها ارائه شده است که در مرحله اول یک مجموعه از طبقه بندها با خطاهای متفاوت ایجاد می شود. در این مرحله ویژگی های استخراج شده به طبقه بندهای k نزدیکترین همسایه، SVM و شبکه عصبی چندلایه به عنوان طبقه بندهای پایه داده می شود. در مرحله دوم با استفاده از الگوریتم ژنتیک قاعده ترکیب بهینه برای ترکیب نتایج طبقه بندها بدست می آید. قاعده ترکیب بر اساس قوانین جبر بول ارائه شده است. برای داده های مورد نیاز از نسخه دوم مجموعه داده های BCI competition و مجموعه داده ی سوم استفاده شده است. نتایج پیاده سازی روش پیشنهادی دقت ۹۳,۵۷% را به همراه داشته است که به نسبت روش های موجود در طبقه بندی سیگنال EEG، ۳,۵۷% عملکرد بهتری را داشته است.