مقاله انگلیسی انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی با ترجمه فارسی – IEEE 2015

 

دانلود رایگان مقاله انگلیسی PDF + خرید ترجمه آماده و تایپ شده ورد

 

مشخصات مقاله انگلیسی به همراه ترجمه فارسی
عنوان فارسی مقاله

 انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی

عنوان انگلیسی مقاله

Active Data Selection for Motor Imagery EEG Classification

چاپ شده در

مجله آی تریپل ای – IEEE

سال انتشار

سال ۲۰۱۵

 

قسمتی از متن مقاله
بخشی از ترجمه فارسی

چکیده

رد یا انتخاب داده ها از آزمون های چندگانه ضبط الکترانسفالوگرافی (نوار مغزی، (EEG)) بسیار مهم است. ما یک روش با پراکندگی معلوم برای انتخاب داده از یک مجموعه از داده های ثبت شده در الکترانسفالوگرافی در حین تصویرسازی حرکتی با هدف استفاده در رابط مغز و ماشین پیشنهاد می دهیم. به جای میانگین گیری تجربی روی ماتریس های کواریانس نمونه برای آزمون های چندگانه شامل داده های کم کیفیت که منجر به عملکرد ضعیف در دسته بندی رابط مغز و ماشین می شود، ما یک میانگین گیری وزنی با ضرایب وزنی که می توانند این داده های کم کیفیت را مردود اعلام کنند معرفی می کنیم. ضرایب وزنی با استفاده از مسأله کمینه سازی تعیین می شوند که منتهی به اوزان پراکنده ای می شوند که دارای مقادیر تقریبا صفر برای آزمونهای کم کیفیت هستند. روش پیشنهادی با موفقیت برای برآورد ماتریس های کواریانس برای روش به اصطلاح الگوی فضایی مشترک (CSP) به کار برده می شوند، که به صورت گسترده جهت استخراج ویژگی از الکترانسفالوگرافی در دسته بندی دو کلاسی استفاده می شوند. دسته بندی سیگنالهای الکترانسفالوگرافی در حین تصویرسازی حرکتی برای تأیید روش پیشنهادی بررسی شد. باید توجه داشت که روش انتخاب داده های پیشنهادی برای انواع مختلفی از روش الگوی فضایی مشترک اصلی قابل استفاده است.

بخشی از متن انگلیسی

Abstract

Rejecting or selecting data from multiple trials of electroencephalography (EEG) recordings is crucial. We propose a sparsity-aware method to data selection from a set of multiple EEG recordings during motor-imagery tasks, aiming at brain machine interfaces (BMIs). Instead of empirical averaging over sample covariance matrices for multiple trials including lowquality data, which can lead to poor performance in BMI classifi- cation, we introduce weighted averaging with weight coefficients that can reject such trials. The weight coefficients are determined by the ℓ۱-minimization problem that lead to sparse weights such that almost zero-values are allocated to low-quality trials. The proposed method was successfully applied for estimating covariance matrices for the so-called common spatial pattern (CSP) method, which is widely used for feature extraction from EEG in two-class classification. Classification of EEG signals during motor imagery was examined to support the proposed method. It should be noted that the proposed data selection method can be applied to a number of variants of the original CSP method.

 

باکس دانلود مقاله
دانلود رایگان مقاله انگلیسی با فرمت pdf

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده به صورت تایپ شده با فرمت ورد doc

خرید ترجمه آماده ورد

 

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *