بهبود سیگنال های مغزی با مدل RQNN در واسط مغز و کامپیوتر

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 708

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC03_009

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

تعداد زیادی از انسان ها در سرتاسر جهان با معلولیت شدید جسمی مواجه هستند که نا توانایی آنهامحدود شده است. فعالیت بر روی این افراد منجر به پیدایش واسط مغز و کامپیوتر شده است. اینواسط با مغز انسان در ارتباط است و سیگنال های مغزی را دریافت می کند. این سیگنال های مغزیهمواره دارای انواع نویز هستند که این نویزها باید حذف گردند. مدل های سنتی و بازبینی شدهRQNN دو روش مورد مطالعه در این تحقیق بوده است. مشکل اصلی در حوزه فیلترینگ EEGاین است که EEG بدون نویز واقعی هنوز دست نیافتنی است، ولی این تحقیق تا حدی نشان دهندهحرکت به سوی یک EEG بدون نویز و رفع مشکلات این زمینه است. روش های زیادی برایفیلترینگ این سیگنال ها وجود دارد که ما با روش فیلترینگ شبکه های عصبی کوانتومی بازگشتی(RQNN) این سیگنال ها را بهبود داده ایم. نتایج حاصل از این تحقیقات نشان دهنده بهبود سیگنالهای مغزی را نشان می دهد.تعداد زیادی از انسان ها در سرتاسر جهان با معلولیت شدید جسمی مواجه هستند که نا توانایی آنهامحدود شده است. فعالیت بر روی این افراد منجر به پیدایش واسط مغز و کامپیوتر شده است. اینواسط با مغز انسان در ارتباط است و سیگنال های مغزی را دریافت می کند. این سیگنال های مغزیهمواره دارای انواع نویز هستند که این نویزها باید حذف گردند. مدل های سنتی و بازبینی شدهRQNN دو روش مورد مطالعه در این تحقیق بوده است. مشکل اصلی در حوزه فیلترینگ EEGاین است که EEG بدون نویز واقعی هنوز دست نیافتنی است، ولی این تحقیق تا حدی نشان دهندهحرکت به سوی یک EEG بدون نویز و رفع مشکلات این زمینه است. روش های زیادی برایفیلترینگ این سیگنال ها وجود دارد که ما با روش فیلترینگ شبکه های عصبی کوانتومی بازگشتی(RQNN) این سیگنال ها را بهبود داده ایم. نتایج حاصل از این تحقیقات نشان دهنده بهبود سیگنالهای مغزی را نشان می دهد.

نویسندگان

مرتضی شاهدی فر

دانشکده برق و کامپیوتر دانشگاه تبریز

سبلان دانشور

دانشکده برق و کامپیوتر دانشگاه تبریز

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 :
  • V. Gandhi, V. Arora, G. Prasad, D. Coyle, T.M. McGinnity, ...
  • _ Jeyabalan, A. Samraj, L.C. Kiong, Motor imaginary signal classification ...
  • D. Coyle, Intelligent Preprocessing and Feature Extraction Techniques for a ...
  • T. Lan, D. Erdogmus, A. Adami, S. Mathan, M. Pavel, ...
  • Intell.Neuro sci. 2007 (2007) 8. ...
  • F. Lotte, M. Congedo, A. Lecuyer, F. Lamarche, B. Arnaldi, ...
  • S. Haykin, Neural Networks, A _ omprehensive Foundation. Prentice Hall ...
  • V. Gandhi, G. Prasad, D. Coyle, L. Behera, T.M. McGinnity, ...
  • C. Brunner, R. Leeb, G. R. Mu: ller Putz, A. ...
  • R. Leeb, C. Brunner, G. R. Mu: ller-Putz, A. Schlo ...
  • www.bbci. de/c ompetition/iv/. _ 2008 (accessed 16, 07, 14). ...
  • O. Vacisa nen, Multichannel EEG Methods to Improve the Spatial ...
  • S. Shahid, G. Prasad, B isp ectrum-based feature extraction technique ...
  • C. Guger, G. Krausz and G Edlinger, B rain-computer interface ...
  • B. Gerkey, R. Vaughan, A. Howard and N. Koenig, The ...
  • T. Geng, M. Dyson, C. Tsui, J.Q. Gan, A 3-class ...
  • R. Leeb, H. Sagha, R. Chavarriaga, J.R. Milla n, Multimodal ...
  • B.Z. Allison, C. Brunner, _ Kaiser, G.R. Mu ller-Putz, C. ...
  • R. Scherer, G.R. Mu: ller-Putz, G. Pfurtscheller, Self-initiation of EEG-based ...
  • نمایش کامل مراجع