CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

An Improved Automatic EEG Signal Segmentation Method based on GeneralizedLikelihood Ratio

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۵۴۴ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: JR_IJE-27-7_002
زبان مقاله: انگلیسی
حجم فایل: ۱.۰۵ مگابات (فایل این مقاله در ۸ 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 ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله An Improved Automatic EEG Signal Segmentation Method based on GeneralizedLikelihood Ratio

  h Azamia - department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
  h Hassanpour - School of Information Technology and Computer Engineering, Shahrood University, Iran
  s.m Anisheh - Department of Computer and Electrical Engineering, Khaje Nasir Toosi University of Technology, Tehran, Iran

چکیده مقاله:

It is often needed to label electroencephalogram(EEG) signals by segments of similar characteristicsthat are particularly meaningful to clinicians and for assessment by neurophysiologists. Within eachsegment, the signals are considered statistically stationary, usually with similar characteristics such asamplitude and/or frequency. In order to detect the segment boundaries of a signal, we propose animproved method using time-varying autoregressive (TVAR) model, integral, basic generalizedlikelihood ratio (GLR) and new particle swarm optimization (NPSO) which is a powerful intelligentoptimizer. Since autoregressive (AR) model for the GLR method is valid for only stationary signals,the TVAR as a valuable and powerful tool for non-stationary signals is suggested. Moreover, toimprove the performance of the basic GLR and increase the speed of that, we propose to use movingsteps formore than one sample for successive windows in the basic GLR method. The purpose of usingNPSO is finding two parameters used in this approach. By using synthetic and real EEG data, theproposed method is compared with the conventional ones, i.e. the GLR and wavelet GLR (WGLR).The simulation results indicate the absolute advantages of the proposed method

کلیدواژه‌ها:

AdaptiveSignal SegmentationGeneralized Likelihood RatioTime-varying Autoregressive ModelIntegralNew Particle Swarm Optimization

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-JR_IJE-JR_IJE-27-7_002.html
کد COI مقاله: JR_IJE-27-7_002

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:
Azamia, h; h Hassanpour & s.m Anisheh, ۱۳۹۳, An Improved Automatic EEG Signal Segmentation Method based on GeneralizedLikelihood Ratio, International Journal of Engineering (IJE) 27 (7), https://www.civilica.com/Paper-JR_IJE-JR_IJE-27-7_002.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: (Azamia, h; h Hassanpour & s.m Anisheh, ۱۳۹۳)
برای بار دوم به بعد: (Azamia; Hassanpour & Anisheh, ۱۳۹۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۹۲۴۴
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

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 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.