مقاله تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی

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

  مقاله تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی  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 تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی :

مقاله تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی که چکیده‌ی آن در زیر آورده شده است، در ۱۳۸۸ در پردازش علایم و داده ها از صفحه ۷۱ تا ۷۸ منتشر شده است.
نام: تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی کننده شبکه عصبی
این مقاله دارای ۸ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله الکترو انسفالوگرافی (EEG)
مقاله پتانسیل های وابسته به رویداد
مقاله P300
مقاله شبکه عصبی
مقاله الگوریتم ژنتیک

چکیده و خلاصه‌ای از مقاله:
P300 را برجسته ترین مولفه در بین مولفه های شناختی مختلف موجود در سیگنال الکتریکی مغز می دانند. طبق تحقیقات انجام شده، هنگامی که مغز در حین پردازش یک سری از تحریکات معمول، به یک تحریک جدید (تحریک غیرمعمول) برمی خورد، در سیگنال مغزی ثبت شده، یک موج P300 ظاهر می شود که با تشخیص این مولفه می توان تحریکات جدید را از تحریکات معمول جداسازی کرد. دامنه مولفه P300 در هنگام اعمال تحریکات صوتی، پس از گذشت مدت زمانی از شروع آزمایش کاهش می یابد؛ به نحوی که در تشخیص دامنه این مولفه با مشکل روبرو می شویم. در این تحقیق با استفاده از پنج تحریک صوتی، به بررسی کاهش دامنه این مولفه و علل آن در سه بلوک ثبت مجزا و همچنین تشخیص این مولفه شناختی، به وسیله شبکه عصبی و الگوریتم ژنتیک پرداخته ایم. در نهایت با استفاده از ده ویژگی بهینه، به عنوان ورودی طبقه بندی کننده شبکه عصبی در کانال Pz با صحت ۶۱۴۷% در دادگان آموزش و ۶۰% در دادگان آزمون در بلوک اول، تک ثبت های حاوی موج P300 از تک ثبت های فاقد این موج جداسازی شده اند.