17055

17055

تشخيص گروه تصاوير مشاهده شده از روي سيگنال EEG با استفاده از شبكه هاي عصبي مصنوعي

كارشناسي ارشد

بيوالكتريك

شهريور ماه 1395

دكتر محمد رضا دليري - دكتر وحيد شالچيان

برق

چكيده: رمزگشايي از سيگنالهاي مغزي ميتواند يكي از جذاب ترين تحقيقات بشري براي يافتن حقايقي هر چند كوچك در برابر اين خلقت بزرگ باشد. يافتن ارتباطي بين يافته هاي محيطي مانند ديدن ، شنيدن و لمس كردن و سيگنالهاي مغزي ميتواند اطلاعات مفيدي در علوم شناختي و اكتسابي در اختيار بشريت قرار دهد. ارتباط بين تصاوير مشاهده شده و سيگنالهاي مغزي مرتبط با آن تصاوير و تفكيك سيگنالهاي مغزي بر اساس تصاوير مشاهده شده موضوعي است كه در اين تحقيق به آن پرداخته شده است. در اين پايان نامه ، رمزگشايي سيگنالهاي مغزي بر اساس تصاوير اعداد مشاهده شده توسط افراد مورد بررسي قرار گرفته است. محرك هاي بينايي شامل تصاوير دست نوشته اعداد يك تا سه بوده كه از مجموعه دادگان اعداد دست نوشته استاندارد به صورت تصادفي انتخاب شده-اند. اين تصاوير به صورت تصادفي به 7 داوطلب كه ثبت سيگنال مغزي از آنها انجام شده است نمايش داده شده است. سيگنالهاي ثبت شده از اين افراد به منظور دسته بندي مورد پيش پردازش و تحليل و آماده سازي قرار گرفته و پس از فيلتر كردن سيگنالها از ICA براي حذف نويزها استفاده شده است. از روش تبديل موجك براي استخراج ويژگي و براي انتخاب ويژگي و كاهش بعد از روشهاي رتبه بندي ويژگيها استفاده شده است. براي طبقه بندي اين سيگنالها از شبكه هاي عصبي مصنوعي مانند شبكه هاي عصبي MLP و شبكه هاي عصبي RBF استفاده شده است. همچنين از تفكيك كننده SVM چند كلاسه به عنوان گزينه ديگري در طبقه بندي استفاده شده است. با اعمال مقادير متفاوتي از نورونها و لايه ها براي تعيين ساختار نهايي طبقه بندي كننده هاي شبكه عصبي ، اين مقادير تعيين گرديدند. نتايج طبقه بندي ها نشان مي¬دهد كه در بين طبقه بندي كننده هاي شبكه عصبي، شبكه عصبي RBF با ميانگين 55 درصد با ويژگيهاي آزمون تي و همينطور در مجموع طبقه بندي كننده SVM با ميانگين 65 درصد بيشترين راندمان را در بين طبقه بندي كننده ها داشته¬اند. كلمات كليدي: طبقه بندي كننده هاي شبكه عصبي ، تبديل موجك ، استخراج ويژگي

1396/01/19

1/1/1900 12:00:00 AM

Decoding of brain signals can be one of the most fascinating human research to find facts, however small, in the face of this great creation. The relationship between environmental findings such as seeing, hearing an​d touching an​d useful information in cognitive science an​d brain signals can be acquired at the disposal of mankind. In this thesis, decoding of brain signals based on the number of images have been viewed by those surveyed. Visual stimuli, including images of handwritten numbers one to three , which is a database of handwritten numbers-have been randomly selected standard. The images were randomly divided into seven volunteers who record the brain signals of them are shown. Wavelet transform method for feature extraction an​d feature selection an​d feature ranking methods have been used to reduce post. To classify these signals such as neural networks MLP artificial neural networks an​d neural networks radial basis functions are used. As well as the separator multi-class support vector machine classifier is used as another option. By applying different amounts of neurons an​d layers to determine the final structure of neural network classifiers, these values were determined. Classification results show that the neural network classifiers, radial basis functions neural network with 55 percent ttest Feature selection , an​d also support vector machine with 65 percent among classifiers had maximum efficiency in between classifiers Keywords: Classification of neural networks, wavelet transform, feature extraction