مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

124
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

53
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

شناسایی مولفه P300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه

صفحات

 صفحه شروع 270 | صفحه پایان 280

چکیده

 زمینه: سیستم های واسط مغز و رایانه با استخراج اطلاعات از سیگنال های مغز, امکان ارتباط مغز با محیط, بدون استفاده از واسط فیزیولوژیک را فراهم می کنند. پتانسیل های وابسته به رخداد نوعی از سیگنال های مغزی هستند که P300 یکی از شاخته شده ترین مولفه ها در این دسته از سیگنال هاست. از مهم ترین بخش ها در طراحی سیستم های واسط مغز و رایانه مبتنی بر P300, طبقه بندی سیگنال دریافتی به دو دسته P300 و nP300 است. در این مطالعه, رهیافتی بر پایه روش های یادگیری ماشین نوین به منظور طبقه بندی این مولفه ارایه شده است. روش کار: در ابتدا کانال های مناسب انتخاب شدند, سپس دادگان با روش نمونه برداری سنتزی تطبیقی افزوده شده و فیلتر شدند و مقدار ثابت از سیگنال حذف شد. چهار شبکه کانولوشن یک بعدی, کانولوشن دو بعدی, شبکه خود رمزگذار کانولوشن یک بعدی و خود رمزگذار کانولوشن دو بعدی جهت طبقه بندی مولفه P300 پیشنهاد شده است. یافته ها: پس از یافتن پارامترهای بهینه و منطبق بر ساختار داده, صحت 92 درصد, به عنوان بیشترین صحت و با استفاده از مدل خود رمزگذار کانولوشن دو بعدی کسب شد که مصالحه ای مناسب بین بار محاسباتی, قابلیت تعمیم پذیری و ثبات در هنگام فرآیند آموزش و اعتبار سنجی دارد. نتیجه گیری: نتایج به دست آمده حاکی از آن است که قابلیت های روش های یادگیری عمیق, آن ها را به ابزاری مناسب جهت طبقه بندی دادگان P300 تبدیل کرده که در نهایت باعث ارتقای عملکرد سیستم های واسط مغز و رایانه می شوند و در این میان روش های کانولوشنی خودرمزگذار ثبات بیشتر و همگرایی سریع تر نسبت به نسخه غیر خود رمزگذار در فرآیند آموزش و اعتبار سنجی دارند. علاوه بر این, روش ADASYN با حفظ ساختار اولیه فضای ویژگی و عدم کپی برداری از دادگان موجود, روشی مناسب برای برابرسازی کلاس ها در طبقه بندی P300 است. پیامدهای عملی: افزایش صحت شناسایی مولفه P300 و همچنین کاهش حجم داده به شکل موثر با استفاده از شبکه خود رمزگذار پیشنهادی و در نتیجه آن افزایش توانایی تشخیص کاراکتر در سیستم های اسپلر مورد استفاده بیماران فلج عصبی عضلانی.

چندرسانه ای

  • ثبت نشده است.
  • استنادها

    ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    افراه، رامین، امینی، زهرا، کافیه، راحله، و ورد، علیرضا. (1401). شناسایی مولفه P300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه. مجله پزشکی دانشگاه علوم پزشکی تبریز، 44(4 )، 270-280. SID. https://sid.ir/paper/1085613/fa

    Vancouver: کپی

    افراه رامین، امینی زهرا، کافیه راحله، ورد علیرضا. شناسایی مولفه P300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه. مجله پزشکی دانشگاه علوم پزشکی تبریز[Internet]. 1401؛44(4 ):270-280. Available from: https://sid.ir/paper/1085613/fa

    IEEE: کپی

    رامین افراه، زهرا امینی، راحله کافیه، و علیرضا ورد، “شناسایی مولفه P300 با استفاده از روش های یادگیری عمیق بدون سرپرست بر پایه شبکه خود رمزگذار به منظور استفاده در سیستم های واسط مغز و رایانه،” مجله پزشکی دانشگاه علوم پزشکی تبریز، vol. 44، no. 4 ، pp. 270–280، 1401، [Online]. Available: https://sid.ir/paper/1085613/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button