طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی برای کاربردهای واسط مغز و کامپیوتر

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

 طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی برای کاربردهای واسط مغز و کامپیوتر دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی برای کاربردهای واسط مغز و کامپیوتر  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 طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی برای کاربردهای واسط مغز و کامپیوتر،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی برای کاربردهای واسط مغز و کامپیوتر :

تعداد صفحات :۸

چکیده مقاله:

در این مطالعه یک الگوریتم پنج مرحله ای طبقه بندی تصورات حرکات اندام فوقانی مبتنی بر آنالیز زمان-فرکانسی ارایه می شود. در گام اول سیگنال الکتروانسفالوگرام سطحی جمع آوری می شود. بدین منظور از پایگاه داده ی مسابقات BCI competition II و از مجموعه ی داده ی شماره ی سه (که توسط دپارتمان انفورماتیک پزشکی انستیتو مهندسی پزشکی دانشگاه صنعتی Graz ثبت گردیده است). استفاده می شود. در گام دوم الگوریتم پیشنهادی پیش پردازش داده های ثبت شده پیاده سازی می شود. بدین منظور از فیلتر گذاری مناسب در حوزه ی فرکانس استفاده می شود. در گام سوم پردازش داده های الکتروانسفالوگرام کاهش نویز شده انجام می شود. بدین منظور ریتم میو و بتای سیگنال الکتروانسفالوگرام که به ترتیب در محدوده ی ۱۲-۸ هرتز و ۳۰-۱۳ هرتز در ناحیه ی قشر حسی حرکتی نشات می گیرد برای تحقق این هدف از سیگنال با به کارگیری تبدیل موجک مادر مناسب(مانند تبدیل موجک مادر خانواده ی داوبیچیز) و تجزیه ی الکتروانسفالوگرام در گذر از فیلتربانک مولتی رزولوشن حوزه ی زمان- فرکانس ، حذف جزییات نامطلوب و بازسازی مجدد سیگنال ریتم میو و بتا استخراج می شود. در گام چهارماز سیگنال حاصل از بازسازی تبدیل موجک ، ویژگی های مناسب آماری و حوزه ی زمان فرکانس و آنتروپی استخراج می شود.در گام پنجم طبقهبندی ویژگی های حاصل با به کارگیری ساختار های طبقه بندی ماشین بردار پشتیبان و نزدیک ترین همسایه ی وزن دار استفاده می شود.بهترین نتایج حاصل از شبیه سازی، برای ماشین بردار پشتیبان با حساسیتی حدود ۸۳.۸ درصد به دست آمد.