یک روش ترکیبی زمان-فرکانس برای دسته بندی و کنترل سیگنال های EEG الکلی

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک روش ترکیبی زمان-فرکانس برای دسته بندی و کنترل سیگنال های EEG الکلی

عنوان لاتین

A Hybrid Method based on Time-Frequency Images for Classification of Alcohol and Control EEG Signals

طبقه بندی اسکن سیگنال های مغزی الکلی (EEG) یک کار چالش برانگیز در تحقیقات پزشکی برای بیماری های مغز الکلی است. هدف از این مطالعه معرفی روشی کارامد برای شناسایی خودکار سیگنال های EEG الکلی بر مبنای زمان-فرکانس است و داده هایی که این اطلاعات کلیدی سیگنال های EEG را انتقال می دهند. در اینجا یک روش ترکیبی جدید برای طبقه بندی اتوماتیک سیگنال های EEG کنترلی و الکلی ارائه می شود. طرح پیشنهادی براساس تصاویر زمان-فرکانس(T-F)، استخراج ویژگی های بافت و طبقه بندی حداقل مربعات غیرمنفی می باشد(NNLS).در تجزیه و تحلیل T-F، طیف سنج تبدیل فوریه ی کوتاه مدت (STFT) در نظر گرفته شده است. سپس تصاویر T-F بدست آمده، تبدیل به تصاویر خاکستری با اندازه 8 بیتی می شوند. هماهنگ سازی شیب جهت دار هیستوگرام (CoHOG) و Eig(Hess)-CoHOG ویژگی هایی هستند که از تصاویر T-F استخراج شده اند. در نهایت،ویژگی های بدست آمده در طبقه بندی حداقل مربعات منفی (NNLS) بعنوان ورودی طبقه بندی سیگنال های الکلی و کنترلی EEG می باشند. برای اثربخشی بیشتر در روش پیشنهادی،ما طبقه بندی NNLS را با شبکه های عصبی مصنوعی(ANN)، مجاورت و همسایگی(KNN)، تحلیل خطی(LDA) و ماشین های برداری پشتیبان جایگزین می کنیم. نتایج تجربی شامل ارزیابی مقایسه ای با الگوریتم های پیشرفته ای که نشان می دهد روش پیشنهادی الگوریتم های رقابت را بهتر می کند است. نتایج تجربی امیدوار کننده هستند و می توان پیش بینی کرد که اجرای طرح پیشنهادی، مسئولیت پزشکان را کاهش می دهد و تشخیص و تحقیق روی بیماری های عصبی را تسریع می کند.

Classification of alcoholic electroencephalogram (EEG) signals is a challenging job in biomedical research for diagnosis and treatment of brain diseases of alcoholic people. The aim of this study is to introduce a robust method that can automatically identify alcoholic EEG signals based on time-frequency image information as they convey key characteristics of EEG signals. In this paper, we propose a new hybrid method to classify automatically the alcoholic and control EEG signals. The proposed scheme is based on Time-Frequency (T-F) images, texture image feature extraction and non-negative least squares classifier (NNLS). In T-F analysis, the spectrogram of the Short Time Fourier Transform (STFT) is considered. The obtained T-F images are then converted into 8-bits gray-scale images. Co-occurrence of the Histograms of Oriented Gradients (CoHOG) and Eig(Hess)-CoHOG features are extracted from T-F images. Finally obtained features are fed into Non-negative least squares (NNLS) classifier as input for classify alcoholic and control EEG signals. To verify the effectiveness of the proposed approach, we replace the NNLS classifier by Artificial Neural Networks (ANN), k-nearest neighbor (KNN), Linear Discriminant Analysis (LDA) and Support Vector Machine (SVM) classifier separately, with the same features. Experimental outcomes along with comparative evaluations with the state-of-the-art algorithms manifest that the proposed method outperforms competing algorithms. The experimental outcomes are promising and it can be anticipated that upon its implementation in clinical practice, the proposed scheme will alleviate the onus of the physicians and expedite neurological diseases diagnosis and research