این محصول در قالب پی دی اف و 59 صفحه می باشد.
این سمینار جهت ارائه در مقطع کارشناسی ارشد رشته مهندسی برق-الکترونیک طراحی و تدوین گردیده است . و شامل کلیه مباحث مورد نیاز سمینار ارشد این رشته می باشد.نمونه های مشابه این عنوان با قیمت های بسیار بالایی در اینترنت به فروش می رسد.گروه تخصصی ما این سمینار را با قیمت ناچیزی جهت استفاده دانشجویان عزیز در رابطه با منبع اطلاعاتی در اختیار شما قرار می دهند. حق مالکیت معنوی این اثر مربوط به نگارنده است. و فقط جهت استفاده ازمنابع اطلاعاتی و بالابردن سطح علمی شما در این سایت ارائه گردیده است.
چکیده
الکتروانسفالوگرام (EEG) که برای نمایش فعالیت الکتریکی مغز استفاده می شود، ابزار کلینیکی مناسبی برای تشخیص بی نظمی های مربوط به صرع است. آشکارسازی spikeهای صرعی نقش بسیار مهمی در تشخیص صرع ایفا می کند. در این پروژه، طراحی و پیاده سازی سیستم تشخیص spikeهای صرعی با استفاده از روش ترکیبی تبدیل موجک گسسته و شبکه عصبی Fuzzy ARTMAP ارائه شده است. در این پژوهش، از تبدیل موجک برای استخراج ویژگی سیگنال EEG استفاده شده است و توانایی این ویژگی ها در طبقه بندی رخدادهای موجود در سیگنال EEG بررسی شده است. کار طبقه بندی با استفاده از شبکه عصبی Fuzzy ARTMAP انجام شده است. دلیل استفاده از شبکه Fuzzy ARTMAP، عدم فراموشی و یادگیری سریع و عملکرد مناسب این شبکه در مسائل طبقه بندی می باشد. عملکرد سیستم طبقه بندی کننده ارائه شده در این پروژه با استفاده از سه معیار حساسیت، قابلیت تفکیک و گزینش پذیری ارزیابی می شود.
مقدمه
علیرغم اینکه 40 سال از فعالیت و بررسی در زمینه فیزیولوژی صرع می گذرد، هنوز آشکارسازی و پیشگویی آن در حال بررسی است ولی نشان داده شده است که آشکارسازی تخلیه های نرونی صرعی یعنی spike ها و امواج تیز در سیگنال EEG گامی مهم در تشخیص و درمان بیماری صرع است. در زمینه پردازش سیگنال های حیاتی مانند سیگنال EEG، برای آشکارسازی و طبقه بندی یک پدیده حیاتی مانند spike صرعی، روش متداول استخراج ویژگی های مناسب از سیگنال حرارتی و اعمال یک روش طبقه بندی بر روی ویژگی های استخراج شده است. در این پروژه، برای استخراج ویژگی های spike های صرعی از تبدیل موجک و یکسری تحلیل های زمانی و فرکانسی و برای طبقه بندی الگوهای موجود در EEG از شبکه عصبی Fuzzy ARTMAP استفاده شده است. تبدیل فوریه و سایر روش های تحلیل زمان – فرکانس مانند تبدیل فوریه کوتاه مدت برای وقایع تدریجی و آهسته پاسخ خوبی نشان می دهند اما برای وقایع سریع و تیز خوب عمل نمی کنند. وقتی که هر دو نوع نوسان در سیگنال موجود باشد، تبدیل موجک به خوبی می تواند هر دو نوع نوسان را نشان دهد. با تحقیقاتی که در زمینه تشخیص صدای قلب، تحلیل ECG و EEG به عمل آمده است، تبدیل موجک توانایی خود را برای پردازش به خوبی نشان داده است.
در فصل اول به معرفی سیگنال EEG و ویژگی های ظاهری، نحوه ضبط و اندازه گیری سیگنال EEG، فرکانس های سیگنال EEG، نرخ نمونه برداری و برخی اغتشاشات و آشفتگی ها در ثبت سیگنال EEG پرداخته می شود. در فصل دوم روش های مختلف آشکارسازی spikeهای صرعی مورد بررسی قرار گرفته است و نتایج برخی کارهای انجام گرفته روی EEG گردآوری شده است. فصل سوم به معرفی تبدیل موجک به عنوان روشی برای استخراج ویژگی پرداخته شده است. با مطالعه این فصل می توان مقایسه ای بین تبدیل فوریه و تبدیل موجک انجام داد، همچنین می توان مفهوم تبدیل موجک پیوسته و گسسته را دریافت. در انتهای این فصل نیز، چند موجک معرفی شده اند. در فصل چهارم توضیحاتی در خصوص شبکه های عصبی MLP و ARTMAP و Fuzzy و نحوه آموزش این شبکه ها ارائه شده است. در فصل پنجم در خصوص داده های آموزش و آزمون، استخراج ویژگی و نحوه پیش پردازش این داده ها و روش پیاده سازی سیستم آشکارسازی spike های صرعی توضیح داده شده است. فصل ششم در برگیرنده نتایج حاصل از این پروژه و مقایسه بین عملکرد شبکه های MLP و ARTMAP و Fuzzy می باشد و در انتهای فصل نیز پیشنهادات ارائه شده است.
سمینار کارشناسی ارشد برق آشکار سازی و تشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی