فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG

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

 فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG دارای ۱۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG2 ارائه میگردد

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 فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG :

استخراج ویژگی مناسب برای تشخیص سیگنال­های حرکات ارادی EEG

تعداد صفحات :۱۱۶

چکیده

در این پروژه قصد داریم با ارائه یک ویژگی مناسب عمل دسته بندی را بر روی سیگنال های مغزی انجام دهیم. برای این منظور ابتدا از سیگنالهای مغزی نویز دستگاه ثبت حذف می شود سپس از این سیگنال ها با استفاده از تبدیل والش و آنتروپی ویژگی استخراج می شود. بعد از استخراج ویژگی ، بر اساس این ویژگی ها عمل دسته بندی انجام می شود.
اولین پیش پردازش برای دسته بندی سیگنال های مغزی حذف نویز از این سیگنال ها می باشد. در این پروژه دو روش کلاسیک حذف نویز و دو روش پیشنهادی حذف نویز بررسی می شود. ابتدا با استفاده از روش کلاسیک ICA ، تبدیل موجک و دو روش پیشنهادی تبدیل والش و روش ترکیبی والش و ICA از سیگنال حذف نویز می شود. برای داشتن یک ارزیابی از این چند روش، نتایج حاصل از این چهار روش با استفاده از سه معیار، نسبت سیگنال به نویز(SNR)، میانگین مربع خطا(MSE) و جذر میانگین تفاضل مربعات(درصد) (PRD) ارزیابی می¬شود. نتایج ارزیابی با استفاده از این معیارها نشان داد که روش ترکیبی والش و ICA و تبدیل والش دارای کمترین مقدار میانگین مربع خطا می باشد. همچنین این دو روش دارای بیشترین مقدار نسبت سیگنال به نویز و جذر میانگین تفاضل مربعات(درصد) است.
بعد از حذف نویز از سیگنال، به بحث استخراج ویژگی از سیگنال¬ها و دسته بندی آنهاپرداخته می شود. ویژگی¬های استخراج شده تعداد ویژگی کمی می باشد و یک بردار ویژگی ۲۲ مولفه ای است. این ویژگی ها مربوط به آنتروپی تبدیل والش کانال های سیگنال، آنتروپی تبدیل والش کل سیگنال، توان تبدیل والش کانال های سیگنال و توان تبدیل والش کل سیگنال می باشد. برای ارزیابی کارایی این ویژگی ها همین ویژگی¬ها، نیز با استفاده از تبدیل موجک و فوریه استخراج می شوند و عمل دسته بندی بر اساس ویژگی های استخراجی این سه روش به طور جداگانه انجام می شود. بعد از استخراج ویژگی، بر اساس ویژگی های استخراجی، به دسته بندی سیگنال ها با استفاده از طبقه بندی کننده SVM و نزدیکترین همسایه پرداخته می شود. نتایج حاصل نشان می دهد که دسته بندی با استفاده از ویژگی های استخراجی تبدیل والش به مراتب بهتر از دسته بندی بر اساس ویژگی های دو تبدیل دیگر است. نرخ تشخیص با استفاده از روش پیشنهادی و svm، ۴۲.۵ درصد و با روش نزدیکترین همسایه ۳۹.۰ درصد است.
در مقایسه ای دیگر، نتایج حاصل با نتایج پیاده سازی شده بر روی این مجموعه داده، در چهارمین دوره مسابقات BCI مقایسه شده است. نتایج نشان داد که روش دسته بندی با استفاده از تبدیل والش از همه¬ی روشها به جز نفر اول بهتر است.. ولی مزیتی که روش پیشنهادی نسبت به همه روشها دارد این است که در بحث زمانی این روش دارای مجموع زمان تست و آموزش کمی است. این زمان ۵۲ ثانیه می باشد که نسبت به روش اول که ۴۰۳ و ۶۴۰ ثانیه است به مراتب بهتر است.

فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG
فهرست
فصل اول
مقدمه
۱-۱- مقدمه
۱-۲- تاریخچه BCI
۱-۳- کاربردهای BCI
۱-۴- تعریف مساله
۱-۵ – ساختار پروژه
فصل دوم
سیگنالهای مغزی
۲-۱- مقدمه
۲-۲- کشف سیگنالهای مغزی
۲-۳- ثبت سیگنالهای مغزی
۲-۴- پیش پردازشها روی سیگنالهای مغزی
فصل سوم
مروری بر تحقیقات انجام شده در زمینه دسته بندی سیگنالهای مغزی
۳-۱- مقدمه
۳-۲- معرفی داده های موجود
۳-۲-۱- مشخصات داده های ثبت شده توسط گروه دانشگاه Colorado
۳-۲-۲- مشخصات داد ه های ثبت شده توسط گروه Graz
۳-۲-۳- مشخصات دادههای MIT-BIH
۳-۳- استخراج ویژگی
۳-۴- دسته بندی
فصل چهارم
مقایسه تحلیلی تبدیل فوریه ، موجک و والش
۴-۱- مقدمه
۴-۲- تبدیل فوریه
۴-۳- تبدیل موجک
۴-۳-۱- مقیاس.
۴-۴- تاریخچه تبدیل والش
۴-۴-۱- توابع والش
۴-۴-۲- تبدیل والش
فصل پنجم
توصیف روش پیشنهادی
۵-۱- مقدمه
۵-۲- پایگاه داده مورد استفاده
۵-۳- حذف نویز
۵-۳-۱- آنالیز مولفه های مستقل
۵-۳-۲- حذف نویز با استفاده از آنالیز مولفه هایمستقل
۵-۳-۳- حذف نویز با استفاده از تبدیل موجک
۵-۳-۴- حذف نویز با استفاده از تبدیل والش
۵-۳-۵- حذف نویز با استفاده از روش ترکیبی تبدیل والش و ICA
۵-۴- استخراج ویژگی
۵-۴-۱- آنتروپی
۵-۴-۲- استخراج ویژگی با استفاده از تبدل والش
۵-۴-۳- استخراج ویژگی با استفاده تبدیل فوریه و موجک
۵-۵- ماشین بردار پشتیبان (Support Vector Machin)
۵-۵-۱- ابر صفحه جداساز
۵-۵-۲- جداسازی غیر خطی
فصل ششم
نتایج و نتیجه گیری
۶-۱- مقدمه
۶-۲- حذف نویز
۶-۳- معیارهای ارزیابی
۶-۳-۱- نسبت سیگنال به نویز (Signal to Noise Rate)
۶-۳-۲- میانگین مربع خطا (Mean Square Error)
۶-۳-۳- جذر میانگین تفاضل مربعات(درصد)(Percentage Root Mean Square Difference)
۶-۴- استخراج ویژگی
۶-۴-۱- ویژگیهای تبدیل والش
۶-۴-۲- ویژگیهای تبدیل فوریه
۶-۴-۳- ویژگیهای تبدیل موجک
۶-۵- مقایسه با کارهای مرتبط بر روی این مجموعه داده
۶-۶- نتیجه گیری
۶-۷- پیشنهاد ها
منابع
 
فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG
فهرست شکل ها
عنوان صفحه

شکل ۱-۱ – واحد های پردازشی و دسته بندی در یک سیستم BCI
شکل ۲-۱- محل قرار گرفتن الکترود ها در سیستم
شکل ۲-۲- محدوده دامنه و فرکانس برخی از سیگنالهای حیاتی
شکل ۴-۱ – سیگنال ایستا دارای چهار جزء فرکانسی ۵ ، ۱۰، ۲۰ و ۵۰ هرتز
شکل ۴-۲ – تبدیل فوریه سیگنال رابطه ۲-۴))
شکل ۴-۳ – سیگنال غیر ایستا دارای چهار جزء فرکانسی ۵، ۱۰، ۲۰ و ۵۰ هرتز
شکل ۴-۴ – تبدیل فوریه سیگنال شکل (۳-۴)
شکل ۴-۵- تجزیه سیگنال با استفاده از تبدیل موجک
شکل ۴-۶- مقیاسهای مختلف یک تابع کسینوسی
شکل ۴-۷- تبدیل موجک در یک مقیاس خاص
شکل ۴-۸- تابع والش برای n=8
شکل ۵-۱- نحوه قرارگیری الکترودها بر روی سر هنگام ثبت سیگنالهای مغزی مورد استفاده
شکل ۵-۲- سیگنالهای گرفته شده توسط هر کانال
شکل ۵-۳- مولفههای بدست آمده توسط ICA
شکل ۵-۴- تبدیل والش از کانال های سیگنال
شکل ۵-۵- حد آستانه مشخص شده بر روی تبدیل والش برای حذف نویز
شکل ۵-۶- حد آستانه مشخص شده بر روی تبدیل والش، مولفههای ICA برای حذف نویز
شکل ۵- ۷ – صفحه های جداساز و بردارهای پشتیبان
شکل ۵- ۸ – صفحه جداساز و نواحی مربوط به هر کلاس
شکل ۵-۹- افزایش بعد جهت جداسازی خطی دادهها
شکل ۶-۱- سیگنال اصلی و سیگنال دارای نویز
شکل ۶-۲- سیگنال حاصل از حذف نویز با استفاده از روش ICA ، روش ترکیبی والش- ICA ، تبدیل والش و تبدیل موجک
شکل ۶-۳- نسبت سیگنال به نویز ده سیگنال
شکل ۶-۴- میانگین مربع خطا برای ده سیگنال
شکل ۶-۵- جذر میانگین تفاضل مربعات(درصد) برای ده سیگنال
شکل ۶-۶- آنتروپی توالی کانالهای سیگنالهای کلاس اول
شکل ۶-۷- توان آنتروپی هر کانال از سیگنالهای کلاس اول
شکل ۶-۸- آنتروپی تبدیل فوریه کانالهای سیگنالهای کلاس اول
شکل ۶-۹- آنتروپی تبدیل موجک کانالهای سیگنالهای کلاس اول

فایل ورد Word استخراج ویژگی مناسب برای تشخیص سیگنال های حرکات ارادی EEG
فهرست جدول ها
عنوان صفحه

جدول ۳-۱ – انواع ویژگیهای استفاده شده در پردازش سیگنال
جدول ۴-۱ – مقدار توابع والش و خروجی این تابع
جدول ۶-۱-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل والش
جدول ۶-۲-نرخ تشخیص طبقه بندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگی های تبدیل فوریه
جدول ۶-۳-نرخ تشخیص طبقهبندی کننده SVM و نزدیکترین همسایه برای دو مجموعه داده بر اساس ویژگیهای تبدیل موجک
جدول ۶-۴- نتایج دستهبندی بر اساس ویژگیهای سه روش
جدول ۶-۵- مقایسه متوسط زمان اجرای تبدیل والش ، تبدل فوریه و تبدیل موجک
جدول ۶-۶- مقایسه متوسط زمان اجرای روش پیشنهادی با نفر اول مسابقات BCI و تبدل فوریه و تبدیل موجک
جدول ۶-۷- مقایسه نرخ تشخیص روش پیشنهادی با ۴ نفر اول مسابقات BCI