این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۳، شماره ۳، صفحات ۱۱۳-۱۲۸
عنوان فارسی غربالگری خودکار افراد خطاکار با تحلیل تفکیک پذیری مشخصات سیگنال هدایت الکتریکی پوست و حجم سنجی نوری
چکیده فارسی مقاله غربالگری افراد خطاکار به کمک سامانه­ای کم حجم و حصول نتیجه در کمترین زمان ممکن یکی از نیازمندی­های اساسی در زمینه کنترل مبادی ورود و خروج، در مناطق حساس به شمار می­رود. در راستای این مهم، هدف از انجام این تحقیق، بررسی امکان تشخیص خودکار استرس در فرد خطاکار به کمک دو سیگنال هدایت الکتریکی پوست و حجم سنجی نوری است که حسگرهای آنها کمترین مزاحمت را برای افراد ایجاد می­کنند. مجموعه دادگانی در قالب یک مصاحبه حاوی سوالات کنترل و مربوط و با ثبت سیگنال هدایت الکتریکی پوست و حجم سنجی نوری از 40 نفر در قالب سناریوی دزدیدن جواهرات تهیه شده است. جهت تحلیل خودکار این سیگنال­ها پس از هنجارسازی آنها به استخراج 28 ویژگی زمانی-فرکانسی از دو سیگنال ذکر شده پرداخته شده است. عملکرد روش‌های کاهش بعد؛ تحلیل مولفه‌های مستقل، تحلیل مولفه‌های مستقل هسته محور، تحلیل تفکیک پذیر خطی، تحلیل تفکیک پذیر خطی مبتنی بر خوشه جهت استخراج ویژگی‌های بهینه ارزیابی شده است. طبقه‌بندهای مورد بررسی ماشین بردار پشتیبان، بیزین و AdaBoost می‌باشند. ارزیابی روش‌ها براساس روش LOO در میان دادگان بوده است. بیشترین درصد صحت (81.08%) با روش کاهش بعد تحلیل مولفه‌های مستقل و تحلیل تفکیک پذیر خطی و طبقه‌بند بیزین حاصل شده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Automatic credibility assessment screening using discriminate analysis of skin conductance response and photoplethysmograph signals
چکیده انگلیسی مقاله Credibility assessment screening by a small system and receiving optimum result in minimum time is a basic need in critical gates. Therefore the aim of this research is automatic detection of stress in guilty persons through skin conductance response and photoplethysmograph signals which are convenient and ease-of-use sensors .In this paper, a set of database with interview protocol (including control and relevant questions) in mock crime (Stealing jewels) is provided. 40 subjects participated in the experiments. 28 time-frequency features are extracted from two mentioned signals. The function of dimension reduction algorithms including principal component analysis, Kernel based PCA, linear discriminant analysis, cluster based LDA is evaluated to select optimum features. Support Vector Machine, Bayesian and AdaBoost are used as classifiers. The evaluation of algorithms on database is based on LOO method. Maximum accuracy (81.08%) is obtained through principal components analysis as feature selection method and Bayesian as classifier.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم سعیدی | maryam saidi
rcَِdat
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی

امین محمدیان | amin mohammadian
rcَِdat
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی

مرضیه دانش کهن |
rcَِdat
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی

زهره سیدصالحی | zohreh seyedsalehi
rcَِdat
پژوهشگاه توسعه فناوریهای پیشرفته خواجه نصیرالدین طوسی

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-515-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-386427.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات