بهبود دسته بندی سیگنال های الکتروانسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرعی
محل انتشار: هفتمین کنفرانس ملی مهندسی برق و الکترونیک ایران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 556
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEEE07_195
تاریخ نمایه سازی: 19 اردیبهشت 1395
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 5 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 55 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.
کلیدواژه ها:
نویسندگان
سیدمحمدرضا موسوی نصر
دانشکده کامپیوتروفناوری اطلاعات دانشگاه صنعتی مالک اشتر تهران، ایران
محمدصادق مؤیدصفاری
دانشکده کامپیوتروفناوری اطلاعات دانشگاه صنعتی مالک اشتر تهران، ایران
علی جعفری
دانشکده برق و الکترونیک دانشگاه صنعتی مالک اشتر تهران، ایران
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 :