توضیحات
شبیه سازی مقاله کلاس بندی سیگنال EEG با متلب
سیگنال EEG با روش غیر تهاجمی توسط الکتروهایی بر روی سر استخراج میشود و مجموع فعالیت الکتریکی سلول های عصبی زیادی از مغز که باهم همپوشانی دارند است و تشنج ناهنجاری این فعالیت سلول های عصبی است تشنج زمانی غیر قابل پیشبینی دارد و مقدار و شدت زیاد آن میتواند باعث ناتوانی یا حتی مرگ شود. دستگاهی که تشنج را به سرعت تشخیص دهد میتواند آسیب حاصل از آن را کاهش دهد. ویژگی EEGمیان بیماران مختلف متفاوت است و تشنج در بیماران مختلف نیز الگوهای مختلف دارد که باعث میشود طبقه بندی کننده های غیر ویژه بیمار درصد خطای بالا داشته باشند ویا به علت تاخیر در تشخیص تشنج بی اثر میشود.
برای تشخیص بر خط تشنج نیاز به تقسیم بندیsegmentationالگوریتم نیاز داریم. طبقه بندی کننده با استفاده از ورودی ویژگی های سیگنال EEG تشخیص تشنج را انجاگ میدهد. تحقیقات پیشین برای تشخیص تشنج با استفاده از هوش ماشین توسط گاتمن و گریوال 2005 و همچنین گاردنر 2006 انجام شده است. الگوریتم هایی که از سیگنال EEGدرون جمجمه ای برای استخراج ویژگی استفاده میکردند اما این سیگنال ها نویز زیادی داشتند که امکان عدم کشف تشنج را زیاد میکرد. برای طبقه بندی کردن در هنگام آموزش طبقه بندی کننده ما از طبقه بندی بایونری که تشنج و غیر تشنج را با صفر و یک مشخص میکند. تابع ویژگی ها نیز بسیار در خروجی طبقه بندی کننده مهم است. برخی ویژگی ها با یکدیگر در جهت تشخیص تشنج در تناقض اند که باعث افزایش درصد خطا در خروجی طبقه بندی کننده میگردد که باید در بهینه سازی حذف گردند. با توجه به ناپایدار بودن تشنج در سیگنال باید در دوره کوتاه زمانی ویژگی ها استخراج شوند. ویژگی های استفاده شده به صورت جدول زیر است :
| MAV | مقدار میانگین مطلق |
| RMS | مربع ریشه میانگین |
| Mean | میانگین |
| Integral | انتگرال |
| Slope | شیب |
| Signslope | علامت شیب |
| Log | لوگاریتم |
| Logdetector | تشخیص لوگاریتم |
| Variance | واریانس |
| Frequency mean | میانگین فرکانس |
این ویژگی ها با توجه به اثری که در خروجی طبقه بندی کننده دارند اضافه یا کم میشوند.
میباشد که الگوریتم خاصی که با استفاده از کرنل، عدم وجود حداقل و پراکندگی راه حل ها، خط تصمیم گیری را با گونه ای که طبقه بندی با بهینه سازی بالا انجام میدهد. در واقع به گونه ای خط تصمیم گیری را تنظیم میکند که نقاط را براساس ویژگی های آنها دسته بندی کند طبقه بندی بردار پشتیبانی با تعداد کوچک از داده ها آموزش را انجام میدهد.
WSVMاز تابع کرنل موجک چند بعدی تشکیل شده است که میتواند توابع غیر خطی دلخواه را تقریب بزند و با تحلیل کامپیوتری اعتبار و امکان سنجی تشخیص الگو مورد استفاده قرار گیرد
برای استخراج ویژگی ها ابتدا بیس لاینbaseline را حذف میکنیم بعد سیگنال را به پنجره های کوچک زمانی تقسیم میکنیم و از هر قسمت با رزلوشن ۱۰۲۴ تبدیل فوریه میگیریم با توجه به فرکانس نمونه برداری و مقادیر تبدیل فوریه هر یک از ویژگی ها را بدست اورده و در یک ماتریس ذخیره می کنیم . سپس ماتریس دیگری از مقادیر صفر و یک که مولف دوره های زمانی تشنج و بدون تشنج در سیگنال است تولید کرده به عنوان ماتریس هدف برای آموزش به بردار پشتیبانی میدهیم. پس از نصب کتابخانه SVM در متلب و انتخاب تصادفی ۳۰ درصد از ورودی کلسیفایر را برای طبقه بندی ۲ بعدی آماده و تنظیم میکنیم پس از آموزش حال با ورودی های باقیمانده تست را انجام میدهیم و در نهایت با مقایسه مقادیر بدست آمده از کلسیفایر و مقایسه انها با ماتریس هدف درصد خطا را بدست میاوریم.
- شبیه سازی مقاله کلاس بندی سیگنال EEG با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.