CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان

اعتبار موردنیاز : ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۵۲۰ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: CEIC02_104
زبان مقاله: فارسی
حجم فایل: ۱۳۶.۸۳ کیلوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان

متینه زوار - دانشجوی کارشناسی ارشد کامپیوتر- هوش مصنوعی ، دانشگاه آزاد اسلامی واحد
  هادی قاسمی فرد - کارشناسی ارشد مهندسی پزشکی ، دانشگاه آزاد اسلامی واحد مشهد
  مهدی یعقوبی - استادیار گروه کامپیوتر، سخت افزار و هوش مصنوعی

چکیده مقاله:

ماشین بردار پشتیبان یا SVM تکنیکی است که در حوزه های گوناگونی از بازشناسی الگو به کار می رود. در آموزش SVM ، کرنل ها، پارامترهای کرنل و انتخاب ویژگی نقش مهمی دارند، بنابراین باید به درستی انتخاب شوند تا دقت دسته بندیSVM بهبود یابد. در این مقاله ترکیب GA وSVM ارائه شده است تا دقت SVM را افزایش دهد. HGASVM نوع کرنل بهینه، پارامتر تابع کرنل و پارامتر در دسته بندی کننده ی SVM و همچنین مناسبترین نوع فیلتر ویولت و پارامتر آنتروپی ویولت را انتخاب می کند. چنین دسته بندی کننده ای برای آشکار سازی تخلیه های صرعی در سیگنال EEG ارائه شده است که در آن از 5 دسته داده که از پایگاه داده دانشگاه بن گرفته شده است استفاده می نماییم . در این تحقیق تبدیل ویولت و آنتروپی ویولت در مرحله ی استخراج ویژگی HGASVM مورد استفاده قرار گرفته است. نتایج تجربی نشان می دهد که دقت دسته بندی HGASVM برای دسته بندی اسپایکهای صرعی از سیگنال EEG نسبت به روش های موجود بالاتر است.

کلیدواژه‌ها:

الکتروانسفالوگرام، الگوریتم ژنتیک ، بهینه سازی پارامترها ، سیگنالهای صرعی، ماشین بردار پشتیبان

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CEIC02-CEIC02_104.html
کد COI مقاله: CEIC02_104

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
زوار, متینه؛ هادی قاسمی فرد و مهدی یعقوبی، ۱۳۸۷، آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان، دومین همایش ملی مهندسی برق، کامپیوتر و فناوری اطلاعات، همدان، مرکز آموزش و فرهنگی سما همدان، https://www.civilica.com/Paper-CEIC02-CEIC02_104.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (زوار, متینه؛ هادی قاسمی فرد و مهدی یعقوبی، ۱۳۸۷)
برای بار دوم به بعد: (زوار؛ قاسمی فرد و یعقوبی، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • قاسمی فرد هادی، راحتی سعید؛ " آشکارسازی تخلیه های صرعی ... (مقاله کنفرانسی)
  • Engin Avci *Selecting of the optimal feature subset and kernel ...
  • Samanwoy Ghosh -Dastidar, H. A., Member, IEEE, and Nahid Dadmehr, ...
  • inan Giiler, Elif Derya Ubeyli." Multiclass Support Vector Machines for ...
  • Abdulhamit Subasia, "Epileptic seizure detection using wavelet ", 29, 343-3 ...
  • chri stopher g.c.Burges, _ A Tutorial On Support Vector ...
  • , 1998-121 , 2 ه، Machines for Pattern ...
  • Abdulhamit Subasi، 0Automatic detection of epileptic seizure using dynamic fuzzy ...
  • Edmundo Bonilla Huerta, B eatrice Duval, and Jin- KaoHao *A ...
  • _ - Hamedan - Iran - February 2009 ...
  • Huang , C _ Wang, C. (2006).A GA-based feature selection ...
  • R.G. Andrzejak, K. Lehnertz, F. Mormann, C. Rieke, P. David, ...
  • _ - Hamedan - Iran - February 2009 ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.