بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی

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

 بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی  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 بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی :

تعداد صفحات :۱۰

چکیده مقاله:

صرع یک مشکل عصبی است که در بیماران صرعی با تخلیه الکتریکی غیر نرمال از طرف مغز انجام می شود. بسیاری از مطالعات نشان داده اند که سیگنال الکتروانسفالوگرافی مهمترین سیگنالی است که برای دسترسی به فعالیتهای مغز و تشخیص مشکلات متفاوت مغز مورداستفاده قرار می گیرد. در این مطالعه، فیلتر باند گذر Butterworth برای پیش پردازش تجزیه سیگنال های الکتروانسفالوگرافی در ۵ باند فرکانسی پیاده سازی و مورداستفاده قرارگرفته است. به علاوه ویژگی های متفاوتی مثل انرژی ، انحراف معیار و آنتروپی نیز از زیر باندهای دلتا، تتا، آلفا، بتا و گاما استخراج و محاسبه شدند. در کارهای انجامشده ویژگی های استخراج شده به دسته بند ماشین بردار پشتیبان بهمنظور تشخیص حملات صرع یا عدم حمله، داده شده که منجر به دقت ۵۵ درصدی شده است.در این مقاله نشان می دهیم که با کمک شبکه های باور عمیق در جهت استخراج ویژگیها و ماشین بردار پشتیبان برای دسته بندی ، میتوان دقت بالاتری در دسته بندی سیگنال های حمله صرعی و معمول صرعی به دست آورد.