ارایه روشی خودکار برای طبقه بندی سیگنالهای EEG با استفاده ازشبکه عصبی والگوریتم LOA 

تعداد صفحات : 109 با فرمت ورد و قابل ویرایش

چكیده 

الكتروانسفالوگرام(EEG) كه برای نمایش فعالیت الكتریكی مغز استفاده می شود، ابزار كلینیكی مناسبی برای تشخیص بی نظمی های مربوط به صرع است. آشكارسازی spike های صرعی نقش بسیار مهمی در تشخیص صرع ایفا می كند .در این پروژه، طراحی و پیاده سازی سیستم تشخیص  spikeهای صرعی با استفاده از روش تركیبی تبدیل موجك گسسته و شبكه عصبی svm ارائه شده است. در این پژوهش از تبدیل موجك برای استخراج ویژگی سیگنال EEG استفاده شده است و توانایی این ویژگیها در طبقه بندی رخدادهای موجود در سیگنال EEG بررسی شده است. كار طبقه بندی با استفاده از شبكه عصبی svm انجام شده است. دلیل استفاده از شبكه svm، آموزش نسبتا ساده و برخلاف شبکه های عصبی در ماکزیمم محلی گیر نمی افتد، برای داده های با ابعاد بالا خوب جواب میدهد، مصالحه بین پیچیدگی دسته بندی کننده ومیزان خطا به طور واضح کنترل می شود و عملكرد مناسب این شبكه در مسائل طبقه بندی می باشد.الگوریتم فرا ابتکاری شیران ،در مرحله انتخاب ویژگی سیگنال های مغزی و کاهش انتخاب ویژگی بهینه مورد توجه قرار گرفته است و از ماشین بردار برای طبقه بندی نهایی استفاده می شود.

کلید واژه ها: الكتروانسفالوگرامEEG  ,ماشین بردارپشتیبان    

۱-۱ مقدمه ۲

۲-۱ انگیزه هدف و بیان مساله تحقیق ۳

۱-۳ضرورت انجام تحقیق۴

۱-۴فرضیه های تحقیق۵

۱-۵اهداف تحقیق  ۵

۱-۶ تعاریف اولیه۶

1-6-1 اندازه گیری سیگنال EEG  ۶

1-6-2امواج مختلف در سیگنال EEG ۱2

1-6-3نرخ نمونه برداری سیگنال EEG 17

1-6-4آشفتگیها و اغتشاشات الكتریكی سیگنال EEG 17

۵-۶-۱نرم افزار متلب ۲0

1-7ساختار پایان نامه 1۲

1-8جمع بندی 21

فصل دوم ادبیات پیشینه مروری بر تحقیق

۲-۱مقدمه 23

۲-2 تحلیل در حوزه زمان 24

۲-۳ تحلیل در حوزه فركانس 27

۲-۴ آشكارسازی spike های موجود در EEGبا استفاده از تبدیل موجك 28

۲-5مقایسه تبدیل موجك با تبدیل فوریه و STFT 29

2-6 تبدیل موجك پیوسته و گسسته 33

2-6-1تبدیل موجك پیوسته  34

2-6-2تبدیل موجك گسسته  35

2-7 تبدیل موجك گسسته توسط فیلتر کردن مرحله ای37

2-8معرفی چند موجك40

2-9مروری بر تحقیقات انجام گرفته 44

فصل سوم شرح روش پیشنهادی والگوریتم شبیه سازی

3-1مقدمه47

3-2 مساله انتخاب ویژگی 48

3-2-1 بررسی توابع مختلف تولید کنند وارزیابی 0۵

3-2-1-1 توابع تولید کننده1۵

3-2-1-2توابع ارزیابی 2۵

3-۳ارایه یک الگوریتم فراابتکاری نوین 4۵

۳-3-1نگاهی اجمالی به زندگی شیرها 4۵

3-3-2الگوریتم بهینه سازی شیرهاLOA))8۵

3-۱-2-۳ مقدار دهی اولیه9۵

۳-۲-2-۳ شکار 0۶

3-3-2-3حرکت به سوی یکی از محل های امن قلمرو 60

3-3-2-4پرسه زدن 61

3-3-2-5جفت گیری 64

3-3-2-6 دفاع 64

3-3-2-7مهاجرت 65

3-3-2-8تعادل درجمعیت66

3-3-2-9شرط توقف67

3-3-3نتایج محاسباتی 67

3-3-3-1توابع محک 68

3-3-3-2مقایسهLOA با PSO، DE،RGA 68

3-4 رهیافت ارائه شده 76

۴-3-1مراحل طبقه بندی سیگنالهای EEG 76

3-4-2انتخاب ویژگی های بهینه ی سیگنالهای  EEG با استفاده از الگوریتم بهینه سازی شیران 77

5-3شبكه عصبی79

3-1-5 مدل سازی نرون تنها 79

2-5-3تابع فعالیت80

3-3-5 معماری شبكه عصبی 81

3-5-1-3 شبكه های پیش خور 81

5-3-3-2 شبكه های برگشتی 82

3-6 الگوریتم های یادگیری83

3 -7 شبكه عصبی MLP 84

3- 7- 1 الگوریتم پس انتشار خطا 84

3- 7- 2 سیگنال خطا 85

3-7-3کل انرژی خطا 85

3- 7-4 انتخاب نرخ یادگیری 86

3- 7- 5 مرحله آموزش 86

3- 7- 6 قابلیت تعمیم دهی 87

3- 7- 7 توقف آموزش 87

6-3طبقه بندی کننده SVM  88

3-6-1 ماشین‌های بردارپشتیبان درحالت چند کلاسه 90

3-6-1-۱ روش یکی درمقابل همه 90

3-6-۲-۱ روش یکی درمقابل یکی 91

فصل چهارم پیاده سازی و تجزیه تحلیل داده ها

4-1 مقدمه93

4-2 مجموعه داده ها 94

3-۴پیاده سازی راهکار پیشنهادی 95

3-۴استخراج ویژگی 95

3-۴کاهش ابعاد ویژگی ها 9۶

3-۴دسته بندی SVM 97

3-۴بررسی میزان کارآیی راهکار پیشنهادی۹۸

فصل پنجم نتیجه گیری و پیشنهادات

نتیچه گیری

پیشنهادات

منابع و ماخذ

فهرست منابع فارسی

قهرست منابع لاتین

چکیده انگلیسی