آمار
| تعداد نشریات | 39 |
| تعداد شماره‌ها | 1,175 |
| تعداد مقالات | 8,460 |
| تعداد مشاهده مقاله | 6,353,815 |
| تعداد دریافت فایل اصل مقاله | 3,604,101 |
طبقهبندی سیگنالهای ترکیبی EEG-fNIRS با استفاده از ویژگیهای عمیق کاهش‌یافته برای کاربردهای BCI | ||
| علوم و فناوریهای پدافند نوین | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 آذر 1402 اصل مقاله (1.31 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| اکبر اصغرزاده بناب* 1؛ امیر حاتمیان2 | ||
| 1دانشگاه فرماندهی و ستاد آجا، تهران، ایران | ||
| 2دانشگاه ارومیه، ارومیه، ایران | ||
| تاریخ دریافت: 04 مرداد 1402، تاریخ بازنگری: 01 مهر 1402، تاریخ پذیرش: 05 آبان 1402 | ||
| چکیده | ||
| رابط مغز و کامپیوتر (BCI) مبتنی بر تخیل حرکتی (MI) به‌عنوان یک روش مؤثر برای برقراری ارتباط مستقیم بین مغز و دستگاههای الکترونیکی خارجی ارائه شده است. مسئله اصلی در سیستمهای BCI تبدیل سیگنالهای تولید شده در مغز به دستورات قابل‌اعتماد برای کنترل دستگاههای الکترونیکی است. سیگنال الکتروانسفالوگرافی (EEG) پرکاربردترین سیگنال در پژوهشهای مرتبط با BCI است. اخیراً ترکیب با برخی سیگنالهای حیاتی دیگر نظیر طیفسنجی نزدیک مادون‌قرمز (NIRS) برای افزایش کار آیی سیستمهای BCI مورد توجه قرار گرفته است. مهمترین چالش در سیستمهای BCI با چندین سیگنال حیاتی، استخراج ویژگی و ترکیب ویژگیهای سیگنالهای مختلف است. برای این منظور، در این مقاله ابتدا سیگنالهای EEG و اجزای NIRS، شامل HbO و HbR، به باندهای فرکانسی مختلف تجزیه شدند. در ادامه با استفاده از شبکههای عصبی کانولوشنی یکبعدی، ویژگیهای عمیق از هر زیرباند استخراج شده و با هم ادغام میشوند. با توجه به ابعاد بالای بردار ویژگی نهایی، با استفاده از تجزیه‌وتحلیل اجزای اصلی با هسته (KPCA)، ویژگیهای غیرمفید را حذف کرده و ویژگیهای باقیمانده با استفاده از بردار پشتیبان ماشین طبقهبندی میشوند. نتایج نشان میدهند روش پیشنهادی دقت بالایی دارد و روشهای ارائهشده اخیر را بهبود میدهد. | ||
| کلیدواژه‌ها | ||
| الکتروانسفالوگرافی؛ شبکه عصبی کانولوشنی؛ طیفسنجی نزدیک مادون‌قرمز؛ کاهش ویژگی؛ واسط مغز و کامپیوتر | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 117 تعداد دریافت فایل اصل مقاله: 51 |
||