مقاله انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی (2015 آی تریپل ای)

عنوان فارسی مقاله انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی
عنوان انگلیسی مقاله Active Data Selection for Motor Imagery EEG Classification
فهرست مطالب چکیده

مقدمه

الگوی فضایی مشترک با توجه به قطری سازی مشترک

انتخاب آزمون با وزن های پراکنده برای ماتریس های کواریانس

پراکندگی ترقی تابع هزینه

کیفیت آزمون برآمده از قطری سازی مشترک تقریبی

روش بهینه سازی تسلسلی

نتایج تجربی

توصیف داده های EEG

تأیید پراکندگی در موقعیت مصنوعی

دسته بندی EEG دو کلاسه

بحث و نتیجه گیری

بخشی از متن مقاله انگلیسی Abstract

Rejecting or selecting data from multiple trials of electroencephalography (EEG) recordings is crucial. We propose a sparsity-aware method to data selection from a set of multiple EEG recordings during motor-imagery tasks, aiming at brain machine interfaces (BMIs). Instead of empirical averaging over sample covariance matrices for multiple trials including lowquality data, which can lead to poor performance in BMI classifi- cation, we introduce weighted averaging with weight coefficients that can reject such trials. The weight coefficients are determined by the ℓ1-minimization problem that lead to sparse weights such that almost zero-values are allocated to low-quality trials. The proposed method was successfully applied for estimating covariance matrices for the so-called common spatial pattern (CSP) method, which is widely used for feature extraction from EEG in two-class classification. Classification of EEG signals during motor imagery was examined to support the proposed method. It should be noted that the proposed data selection method can be applied to a number of variants of the original CSP method.

ترجمه بخشی از متن مقاله چکیده

رد یا انتخاب داده ها از آزمون های چندگانه ضبط الکترانسفالوگرافی (نوار مغزی، (EEG)) بسیار مهم است. ما یک روش با پراکندگی معلوم برای انتخاب داده از یک مجموعه از داده های ثبت شده در الکترانسفالوگرافی در حین تصویرسازی حرکتی با هدف استفاده در رابط مغز و ماشین پیشنهاد می دهیم. به جای میانگین گیری تجربی روی ماتریس های کواریانس نمونه برای آزمون های چندگانه شامل داده های کم کیفیت که منجر به عملکرد ضعیف در دسته بندی رابط مغز و ماشین می شود، ما یک میانگین گیری وزنی با ضرایب وزنی که می توانند این داده های کم کیفیت را مردود اعلام کنند معرفی می کنیم. ضرایب وزنی با استفاده از مسأله کمینه سازی   تعیین می شوند که منتهی به اوزان پراکنده ای می شوند که دارای مقادیر تقریبا صفر برای آزمونهای کم کیفیت هستند. روش پیشنهادی با موفقیت برای برآورد ماتریس های کواریانس برای روش به اصطلاح الگوی فضایی مشترک  (CSP) به کار برده می شوند، که به صورت گسترده جهت استخراج ویژگی از الکترانسفالوگرافی در دسته بندی دو کلاسی استفاده می شوند. دسته بندی سیگنالهای  الکترانسفالوگرافی در حین تصویرسازی حرکتی برای تأیید روش پیشنهادی بررسی شد. باید توجه داشت که روش انتخاب داده های پیشنهادی برای انواع مختلفی از روش الگوی فضایی مشترک اصلی قابل استفاده است.

سال انتشار 2015
ناشر آی تریپل ای
مجله  یافته های در حوزه مهندسی پزشکی – Transactions on Biomedical Engineering
کلمات کلیدی  رابط های مغز و ماشین، پردازش سیگنال با پراکندگی معلوم، تصویرسازی حرکتی، الکترانسفالوگرافی (نوار مغزی (EEG))
 تعداد صفحات مقاله انگلیسی 10
تعداد صفحات ترجمه مقاله 22
مناسب برای رشته مهندسی پزشکی
مناسب برای گرایش پردازش تصاویر پزشکی، بیوالکتریک
دانلود رایگان مقاله انگلیسی ○ دانلود رایگان مقاله انگلیسی با فرمت pdf
خرید ترجمه فارسی ○ خرید ترجمه آماده این مقاله با فرمت ورد
سایر مقالات این رشته ○ مشاهده سایر مقالات رشته مهندسی پزشکی

دیدگاهتان را بنویسید