| تعداد دوره ها | 7 |
| تعداد شماره | 28 |
| تعداد مقالات | 254 |
| تعداد نویسندگان | 490 |
| تعداد مقالات ارسال شده | 3207 |
| تعداد مقالات رد شده | 2890 |
| درصد عدم پذیرش | 73 |
| درصد پذیرش | 27 |
| زمان پذیرش (روز) | 120 |
| تعداد پایگاه های نمایه شده | 39 |
| تعداد داوران | 138 |
طبقه بندی سیگنال های مغز در سیستم BCI با استفاده از تبدیل موجک
دوره 2، شماره 3، 1398، صفحات 0 - 0
1 دانشجوی کارشناسی ارشد، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران
2 عضو هیات علمی، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران
3 عضو هیات علمی، گروه برق و الکترونیک، دانشگاه حکیم سبزواری، سبزوار، ایران
چکیده :
رابط مغز و رایانه (BCI) مبتنی بر الکتروانسفالوگرافی(EEG) در دو دهه اخیر بسیار مورد توجه قرار گرفته است. در این مطالعه رویکرد ابتکاری بکارگرفته شده تا بتوان سیگنالهای EEG مبتنی بر تصور حرکتی را به دو دسته تصور دست راست و دست چپ دسته بندی کرد. در این راستا ابتدا باندهای مرتبط با تصور حرکتی از سیگنالEEG جدا و با اعمال تابع تبدیل موجک روی آنها ویژگی های آماری و ضرایب اتورگرسیون از آن استخراج شده است. سپس از بین ویژگیهای استخراج شده با روش SFFS بهترین ویژگیها انتخاب و آنها به کلاس بندهایLDA ،KNN ، NB وSVM اعمال کردیم. نتایج بدست آمده نشان می دهند که کلاس بند SVM با دقت 14/87% نسبت به سایر کلاس بندها از دقت بالاتری برخوردار است.
رابط مغز و رایانه (BCI) مبتنی بر الکتروانسفالوگرافی(EEG) در دو دهه اخیر بسیار مورد توجه قرار گرفته است. در این مطالعه رویکرد ابتکاری بکارگرفته شده تا بتوان سیگنالهای EEG مبتنی بر تصور حرکتی را به دو دسته تصور دست راست و دست چپ دسته بندی کرد. در این راستا ابتدا باندهای مرتبط با تصور حرکتی از سیگنالEEG جدا و با اعمال تابع تبدیل موجک روی آنها ویژگی های آماری و ضرایب اتورگرسیون از آن استخراج شده است. سپس از بین ویژگیهای استخراج شده با روش SFFS بهترین ویژگیها انتخاب و آنها به کلاس بندهایLDA ،KNN ، NB وSVM اعمال کردیم. نتایج بدست آمده نشان می دهند که کلاس بند SVM با دقت 14/87% نسبت به سایر کلاس بندها از دقت بالاتری برخوردار است.
کلمات کلیدی :
BCI، EEG ، تصور حرکتی ، تبدیل موجک ، اتورگرسیون، SFFS ،SVM
BCI، EEG ، تصور حرکتی ، تبدیل موجک ، اتورگرسیون، SFFS ،SVM
