دسته بندی سیگنال های EEG (نوار مغز) با استفاده از PCA، ICA، LDA و ماشین های برداری پشتیبان

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

دسته بندی سیگنال های EEG (نوار مغز) با استفاده از PCA، ICA، LDA و ماشین های برداری پشتیبان

عنوان لاتین

EEG signal classification using PCA, ICA, LDA and support vector machines

در این نوشته، ما یک چهارچوب تطبیق پذیر تحلیل و پردازش سیگنال را برای نوار مغز (EEG) پیشنهاد می دهیم. در داخل این چهارچوب سیگنال ها با استفاده از DWT به زیرباندهای فرکانسی تجزیه شده اند و مجموعه ای از ویژگی های آماری از زیرباندها استخراج شده تا توزیع ضرایب موج را نشان دهد. تحلیل مولفه اصلی (PCA)، تحلیل مولفه مستقل (ICA) و تحلیل تفکیک کننده خطی (LDA) استفاده شده تا ابعاد داده را کاهش دهد. سپس این ویژگی ها به عنوان یک ورودی ماشین برداری پشتیبان (SVM) با دو خروجی گسسته استفاده شده: تشخیص صرع داشتن یا نه. عملکرد فرآیند دسته بندی به خاطر روش های متفاوت ارائه شده است و مقایسه شده تا برتری فرآیند دسته بندی را نشان دهد. این اکتشاف با یک مثال از یک روش برای تمرین و آزمایش یک روش پیش بینی ابتلاء روی داده منحصر بفرد بیماران مبتلا به صرع جزیی، ارائه شده است. دو گونه متفاوت از صرع را فرض کنید، احتمالا روش های این گونه احتیاج خواهد شد تا وسایل هوشمند برای رفتار با صرع پیکربندی شوند تا هر عصب شناسی منحصربفرد قبل از فرآیند بستری باشد.

In this work, we proposed a versatile signal processing and analysis framework for Electroencephalogram (EEG). Within this framework the signals were decomposed into the frequency sub-bands using DWT and a set of statistical features was extracted from the sub-bands to represent the distribution of wavelet coefficients. Principal components analysis (PCA), independent components analysis (ICA) and linear discriminant analysis (LDA) is used to reduce the dimension of data. Then these features were used as an input to a support vector machine (SVM) with two discrete outputs: epileptic seizure or not. The performance of classification process due to different methods is presented and compared to show the excellent of classification process. These findings are presented as an example of a method for training, and testing a seizure prediction method on data from individual petit mal epileptic patients. Given the heterogeneity of epilepsy, it is likely that methods of this type will be required to configure intelligent devices for treating epilepsy to each individual’s neurophysiology prior to clinical operation.