مقایسه عملکرد تخمینگرهای متفاوت نرخ‌آتش در پیشگویی 38 فونم انگلیسی با استفاده از ثبت‌های درون قشر مغز

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 809

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCNIEE02_007

تاریخ نمایه سازی: 29 بهمن 1392

چکیده مقاله:

ناتوانی در گفتار نه تنها میتواند منجر به ایجاد مشکل در ارتباط برقرار کردن افراد با محیط پیرامون خود شود، بلکه تقریباً میتواند،سبب انزوای کامل اجتماعی فرد ناتوان نیز شود. در حدود چندین دهه است که محققان جهت بازیابی گفتار از رابطهای مغز کامپیوتر ارتباطی کهمبتنی بر ثبتهای سیگنالهای مغزی هستند؛ استفاده مینمایند. به دلیل وجود تنوع در اندازهگیری فعالیتهای مغزی تا به حال سیستمهای متنوعی پا به عرصه گذاشتهاند. به تازگی در دانشگاه بوستون، امکان پیشگویی در سطح واج، با استفاده از ثبتهای درون قشر مغزی مورد بررسی قرار گرفته شده است. این گروه امکان پیشگویی 38 فونم انگلیسی را با استفاده از بررسی فعالیتهای مغزی در سطح نورونها، بین 16- %21 گزارش دادند[ 1]. در مطالعه پیشِ رو، امکان پیشگویی با صحت بالاتر، با استفاده از بررسی شش نوع تخمینگر متفاوت نرخآتش به نامهای تخمین به روش کرنل با پهنایباند (دلخواه، بهینه ثابت و بهینه متغیرLocfit و BARS ،PSTHو استفاده از طبقهبندKNNمورد آزمایش قرار گرفته شده است. به همین منظور الگوریتمی جهت استخراج مشاهدات ارائه شده است. نتایج نشان داد که در میان تخمینها، تخمین به روش کرنل با پهنایباند دلخواه قادر به پیشگویی در حدود 97 % میباشد.

نویسندگان

ندا شعبانی

کارشناس ارشد، دانشکده مهندسی برق، گروه مخابرات، دانشگاه آزاد اسلامی واحد نجف آباد

امین مهنام

استادیار، دانشکده فنی مهندسی، گروه مهندسی پزشکی، دانشگاه اصفهان

همایون مهدوی نسب

استادیار، دانشکده مهندسی برق، گروه مخابرات، دانشگاه آزاد اسلامی واحد نجف آباد

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 :
  • J. S. Brumberg, E. J. Wright, D. S. Andreasen, F. ...
  • C. Jorgensen, D. D. Lee, and S. Agabon, "Sub auditory ...
  • M. J. Fagan, S. _ R. Ell, and J. M. ...
  • Neurophysiol, vol. 70, pp. 510-523, 1988. ...
  • N. Birbaumer, N. Ghanayim, T. Hinterberger, and et al., _ ...
  • D. Valbuena, I. Sugiarto, and A. Graser, "Spelling with the ...
  • v. L. Towle, H. A. Yoon, M. Castelle, J. C. ...
  • B. Blankertz, G. Dornhege, M. Krauledat, K. R. Miller, _ ...
  • C. S. DaSalla, H. Kambara, M. Sato, and Y. Koike, ...
  • 1 Peri Stimulus Time Histogram 1 2 Mean Integrated Square ...
  • P. Dayan and L. Abbott, "Neural Encoding I: Firing Rates ...
  • E. Parzen, "On estimation of a probability density function and ...
  • H. Shimazaki and S. Shinomoto, "Kernel width optimization in the ...
  • H. Shimazaki and S. Shinomoto, "Kernel bandwidth optimization in spike ...
  • I. DiMatteo, C. R. Genovese, and R. E. Kass, "Bayesian ...
  • R. E. Kass, _ Ventura, and C. Cai, "Statistical smoothing ...
  • G. Wallstrom, J. Liebner, and R. E. Kass, :An implementation ...
  • R. E. Kass, "Adaptive Spline Smoothing of Neural Data, " ...
  • neuroscience, 2008, pp. 35-42. ...
  • C. Loader, Local regression and likelihood. NewYork: Springer, 1999. ...
  • R. O. Duda, P. E. Hart, and D. G. Stork, ...
  • نمایش کامل مراجع