این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۲۹، شماره ۱۷۴، صفحات ۰-۰
عنوان فارسی انتخاب یک فضای ویژگی بهینه در تفکیک فعالیت‌های ذهنی بر پایه‌ی الگوریتم EMD
چکیده فارسی مقاله مقدمه: طراحی سیستم های ارتباط مغز با رایانه (Brain computer interface یا BCI)، از دغدغه های بشر امروز به شمار می رود. این سیستم ها بر اساس سیگنال مغز عمل می کنند و تاکنون تحقیقات زیادی در این راستا انجام شده است. مرسوم ترین آن ها، سیستم های بر پایه ی سیگنال های مغزی مربوط به فعالیت های ذهنی می باشد. در طراحی سیستم های BCI بر پایه ی فعالیت های ذهنی، انتخاب یک فضای ویژگی با قدرت تفکیک بالاتر و زمان پردازش کمتر، امری مهم به شمار می رود. در این مطالعه، سیگنال های مغزی مربوط به فعالیت های ذهنی گروه Andersonکه جزء دادگان معروف و در دسترس این گونه سیستم ها می باشد، استفاده شده است. روش ها: این مطالعه به بررسی و اعمال الگوریتم جدید EMD (Empirical mode decomposition) با توجه به خصوصیات منطبق آن بر سیگنال EEG (Electroencephalography) در کنار روش های مرسوم و موفقی چون طیف AR و آنتروپی پرداخت. یافته ها: الگوریتم EMD به طور کامل با خواص غیرخطی و غیرایستان سیگنال های EEG سازگار بود. لذا به کار بردن مفاهیم آنتروپی، برای مدل کردن مقادیر پیچیدگی، و طیف AR، به عنوان تابعی معنی دار در حوزه ی فرکانس، در ادامه ی الگوریتم EMD انتظار تفکیک خوبی را به وجود آورد. نتیجه گیری: اعمال الگوریتم EMD و تمهیدات موازی با آن (آنتروپی EMD) نسبت به روش های قبل، علاوه بر دارا بودن بُعد بسیار کمتر بردار ویژگی، به زمانی کمتر از 2 ثانیه برای استخراج ویژگی و حداکثر زمانی برابر با 1/0 ثانیه، برای تفکیک سیگنال های 10 ثانیه ای نیاز دارند. این نتایج برای یک سیستم BCI، Real-time بسیار مفید می باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Selection of an Optimal Feature Space for Separating Mental Tasks based on the EMD Algorithm
چکیده انگلیسی مقاله Background: Designing brain-computer interface (BCI) systems is one of the concerns of people today. These systems operate by brain signals and so far, much research has been done in this regard. The most conventional systems are based on mental task signals. In the design of BCI systems based on mental activity, selecting a feature space with higher resolution and less processing time is important. In this study, Anderson mental task signals, a known and available database in such systems, were used. Methods: According to the nonlinear and non-stationary properties of electroencephalogram (EEG) signals, this study tried to review and analyze new empirical mode decomposition (EMD) algorithms, as well as conventional and successful methods such as autoregressive (AR) spectrum and entropy, for discrimination of mental task signals. Findings: EMD algorithm is compatible with nonlinear and non-stationary properties of EEG signals. Therefore, using an EMD algorithm along with the concept of entropy for modeling complexity values and AR spectrum, as a significant function in the frequency domain would provide great discrimination. Conclusion: Application of EMD algorithm and its parallel schemes (EMD entropy) would result in a feature vector with less dimensions requiring less than 2 seconds to extract features. Thus, such combination would require a maximum of 0.1 seconds to separate 10-second signals which can be beneficial in real-time BCI systems.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله وحید ابوطالبی | vahid aboutalebi
استادیار، گروه مهندسی برق، دانشکده ی فنی، دانشگاه یزد، یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

محمدتقی صادقی | mohammad taghi sadeghi
استادیار، گروه مهندسی برق، دانشکده ی فنی، دانشگاه یزد، یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

سمیه نوشادی | somayeh noshadi
کارشناسی ارشد، گروه مهندسی برق، دانشکده ی فنی، دانشگاه یزد، یزد، ایران
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/1264
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-318580.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات