Tag Archive: پروژه تشخیص خواب EMG پایتون

فروش پروژه طبقه بندی خودکار مرحله خواب با استفاده از شبکه عصبی عمیق CNN و LSTM با Python

کد پروژه: 2990

عنوان پروژه: فروش پروژه طبقه بندی خودکار مرحله خواب با استفاده از شبکه عصبی عمیق CNN و LSTM با Python

قالب بندی: p – داکیومنت کامل

دسته: کامپیوتر – Python

قیمت: 150.000 تومان

قابلیت اجرا در نرم افزار: Pycharm – Python – Tensor Flow – Cross

شرح مختصر:

فروش پروژه طبقه بندی خودکار مرحله خواب با استفاده از شبکه عصبی عمیق CNN و LSTM با Python

تقسیم خواب به مراحل مختلف با استفاده از سیگنال های EEG یک روش معمول در آزمایشگاه های خواب و ابزاری ضروری برای پزشکان و محققان است. با وجود پیشرفت های فراوان در زمینه هوش مصنوعی، روند امتیاز دهی مرحله خواب در بیشتر موارد هنوز هم به صورت دستی انجام می شود. از آن جا که روند امتیاز دهی خسته کننده و وقت گیر است، اتوماسیون آن مطلوب است. در این تحقیق، یک شبکه عصبی عمیق کانولوشن آموزش داده شده است تا به طور خودکار از ویژگی ای خام 30 ثانیه‌ ای EEG ، EMG و EOG استخراج شود. با استفاده از شش دوره قبل، از یک شبکه با استفاده از حافظه کوتاه مدت طولانی یا LSTM برای پیش بینی مرحله خواب استفاده می شود. برای اعتبارسنجی استخراج ویژگی خودکار، مقایسه ای با یک روش استخراج ویژگی دستی انجام شده با استفاده از 37 ویژگی انجام گرفته است. این شبکه ها با استفاده از 50 رکورد اولین بار از مجموعه داده های عمومی CCSHS آموزش داده شدند و در داده های عمومی Sleep EDFx ، مجموعه داده UCD عمومی، مجموعه داده EMSA خصوصی و همچنین ضبط 50 تا 100 CCSHS تایید شدند. نتایج نشان می دهد که شبکه قادر به دستیابی به پیشرفته ترین عملکرد در CCSHS (ضبط 0-50 ، دقت 89٪ ، F1 81٪) است. علاوه بر این، شبکه بدون آموزش مجدد، مراحل موفقیت آمیز بودن مراحل خواب را بر روی داده های دیده نشده از یک گروه مشابه (سابقه CCSHS 50-100: دقت 91٪ ، F1 84٪ ، دقت Sleep-EDFx 81٪ ، F1 72٪ ، EMSA 83٪ F1 72٪ ) عملکرد به طور مداوم در مقایسه با رویکرد ویژگی دستی ساخته شده بالاتر بود. نتایج نشان می دهد که استخراج ویژگی خودکار در داده های خواب امکان پذیر است و ویژگی هایی شبیه به مواردی را که در دفترچه راهنمای نمره دهی خواب آکادمی آمریکایی آموخته شده است، می آموزد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.