دانلود پروژه درس شبکه عصبی

توضیحات محصول

بررسی و شبیه سازی مقاله

EEG signals classification using the k-means clustering and a multilayer perceptron neural network model

مقدمه :

حدود ۱% از مردم جهان از بیماری صرع رنج می برند. بنابراین تشخیص صرع امکان انتخاب درمان دارویی یا جراحی را فراهم می کند. از آنجایی که سیگنال EEG رکورد شده فعالیت الکتریکی مغز را نشان می دهد، می تواند درک ارزشمندی از اختلالات الکتریکی مغز ارائه دهد. اگرچه رخداد تشنج های صرعی به نظر می رسد که غیر قابل پیش بینی می باشد، تلاش های بیشتری متمرکز بر توسعه ی مدل های محاسباتی برای تشخیص اتوماتیک تخلیه های صرعی است. در این مقاله یک مدل طبقه بندی بر اساس شبکه عصبی پرسپترون چند لایه معرفی شده است.
.#۸۲۱۱;    کارهای پیشین :
برای آنالیز سیگنال های EEG، مدل های ANN با معماری های مختلفی مورد استفاده قرار گرفته است مثل شبکه عصبی پرسپترون چند لایه (Alkan , etal , 2005)، سیستم رابط نوروفازی تطبیقی (Guler&ubeyli, 2005)ANFIS، شبکه عصبی تابع پایه شعاعی (Aslan , etal , 2008)RBFNN ، شبکه عصبی بازگشتی (Petrosian etal , 2000 , Srinivasan etal 2005) RNN و . . . .
برای استخراج ویژگی های همبسته از سیگنال های EEG بدون اطلاعات اولیه، سیگنال می تواند با یک روش خوشه بندی گروه بندی شود. در کارهای پیشین از الگوریتم K-means استفاده شده است.       (Faraoun etal , 2007 , Hekim etal , 2011 , Mwasiagi etal , 2009)
کارهای انجام شده تأثیر الگوریتم  K-means در تخمین صحت MLPNN بررسی نشده است. هدف این مقاله بررسی اثر K-means بر صحت MLPNN برای تشخیص حمله صرعی است.
.#۸۲۱۱;    روش ارائه شده :
گام اول در روش ارائه شده انتخاب داده می باشد. از داده موجود در مقاله Andrzejak etal 2001) استفاده شده است. داده شامل ۵ مجموعه است. (A,B,C,D,E). مجموعه ی A و B از ۵ فرد سالم ثبت شده است. داده های E و D و C از ۵ فرد مبتلا به صرع گرفته شده است. که D و C شامل فعالیت EEG اندازه گیری شده در فواصل تشنج- آزاد  از دو نیمکره مغز بیمار ثبت شده است و E تنها شامل حمله صرعی است. در شکل (۳) سگمنت هایی به عنوان نمونه از مجموعه داده ها نمایش داده شده است.

.#۸۲۱۱;    تبدیل ویولت :
تبدیل ویولت گسسته یک تکنیک آنالیز طیفی است که برای آنالیز سیگنال های غیر ایستان به کار می رود و نمایش زمان- فرکانس سیگنال را فراهم می آورد. از آنجایی که سیگنال EEG غیر ایستان است، تبدیل ویولت گسسته برای آنالیز این سیگنال ها به طور گسترده استفاده می شود. در این مقاله از تبدیل ویولت گسسته با ویولت Daubechies با مرتبه ۲ (db2) استفاده کرده است. با استفاده از کد زیر می توان سیگنال EEG را به زیر باند هایش با DWT تجزیه کرد.

عنوان                                                                                     صفحه
مقدمه      ……………………………………………………………………………………………………..   ۳
I)    بررسی مقاله     ………………………………………………………………………   ۵
.#۸۲۱۱;    مقدمه     ……………………………………………………………………………………………….   ۵
.#۸۲۱۱;    کارهای پیشین     ………………………………………………………………………………..   ۵
.#۸۲۱۱;    روش ارائه شده     …………………………………………………………………………………   ۶
II)    شبیه سازی مقاله (MATLAB)     ……………………………………………………   ۸
.#۸۲۱۱;    تبدیل ویولت     …………………………………………………………………………………….   ۸
.#۸۲۱۱;    خوشه بندی     ……………………………………………………………………………………..   ۱۲
.#۸۲۱۱;    توزیع احتمال     …………………………………………………………………………………..   ۱۴
.#۸۲۱۱;    شبکه عصبی پرسپترون چندلایه     …………………………………………………….   ۱۶

III)    بحث و نتیجه گیری     ……………………………………………………..   ۲۲

تماس با ما