Tag Archive: پروژه ویلکاکسن ECG

فروش پروژه طبقه بندی داده EEG با استفاده از ویژگی های انتخاب شده موجک به وسیله روش آماری ویلکاکسن با نرم افزار MATLAB

كد: 2392

عنوان پروژه: فروش پروژه طبقه بندی داده EEG با استفاده از ویژگی های انتخاب شده موجک به وسیله روش آماری ویلکاکسن با نرم افزار MATLAB

قالب بندی: m

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه طبقه بندی داده EEG با استفاده از ویژگی های انتخاب شده موجک به وسیله روش آماری ویلکاکسن با نرم افزار MATLAB

BCI ابزاریست که از مغز انسان یا حیوانات جهت فعال سازی دستگاه های خارجی بدون مشارکت بخش های عصبی و عضله ها استفاده می کند. این ابزار جهت فهال کردن ارتباط مستقیم بین مغز و دستگاه های خارجی از محیط بدن، طراحی شده اند. ابزار BCI را می توان در حوزه های مختلف مورد استفاده قرار داد، زیرا دارای ابزاری مناسب جهت برقراری ارتباط از یک محیط داخلی به محیط خارجی است.

ضبط کردن فعالیت های الکتریکی سلول های عصبی غشای مغزی را EEG می گویند. بررسی سیگنال های EEG جهت درک فعالیت های مغزی یکی از مشکلات اساسی BCI است. بنابراین ساختار یک BCI قابل استفاده و پایدار، نیاز به طبقه بندی دقیق و موثر سیگنال های EEG دارد. روش های مختلفی جهت طبقه بندی سیگنال های EEG تا به امروز ارائه شده است که خواندن مراجع، خالی از لطف نیست.

روش ارائه شده در این پروژه و مقاله، استفاده از تبدیل موجک هار و روش آماری ویلکاکسن جهت استخراج ویژگی های سیگنال EEG ارائه شده است. دلیل استفاده از روش تبدیل موجک در این پروژه این است که جهت پشتیبانی پایه ای و متعامد که اجازه متمایز ساختن ویژگی های نمونه های داده ای را برای استفاده برای ضرایبی ویولت می دهد، می باشد. روش آزمون آماری ویلکاکسن به عنوان یک فیلتر به کار گرفته شده است. مشخه متعامد تبدیل موجک هار به استفاده مناسب و بجای به کارگیری ویلکاکسن اطمینان می دهد. رویکرد پیش رو، یک ترکیب بین تبدیل موجک و طبقه بند نایو بیزین جهت طبقه بندی سیگنال های EEG در سیستم BCI را ارائه می دهد. روش نایو بیزین فرض بر این دارد که مقدار ویژگی خاص، یک نمونه مستقل است که برای حضور یا عدم حضور هرگونه ویژگی در طبقه ها، عمل کند. البته این فرض در عمل، گاهی بی ارزش است. لازم به ذکر است که به کار گرفتن ویژگی های تبدیل موجک هار با مشخصه متعامد، به بایو بیزین اجازه طبقه بندی موثرتری را ارائه می دهد.

طبقه بندی نایو بیزین نیاز به یک مقدار کوچک از داده آموزشی جهت تخمین پارامترها دارد. این یکی از مزیت های روش نایو بیزین است که که در زمان طبقه بندی داده نیاز به داده آموزشی دارد. تبدیل موجک به داده در هر کانال از سیگنال به صورت مجزا اضافه می شود که جهت استخراج اطلاعات شامل سیگنال ها است. ضرایب تبدیل موجک با استفاده از مدل آماری ویلکاکسن، رتبه بندی می شوند که برای انتخاب ضرایب متمایز هر کانال می باشند. در گام بعدی ، ضرایب انتخاب شده جهت تولید مجموعه ویژگی ترکیب می شوند که به عنوان ورودی برای طبقه بندی کننده نایو بیزین عمل می کند. سپس جزئیات تبدیل موجک و روش آزمون آماری ویلکاکسن برای انتخاب ضرایب تبدیل موجک، استفاده می شود.

در واقع در ابتدا یک سری داده خام EEG داریم که به عنوان داده های ورودی اولیه هستند. سپس 4 مرحله استخراج ویژگی داریم و 1 مرحله طبقه بندی و یک مرحله برچسب گذاری کلاس های حاصل از طبقه بندی. در بخش انتخاب ویژگی ها، در ابتدا، تجزیه تبدیل موجک برای داده های هر کانال از سیگنال، اعمال می شود. سپس رتبه بندی ضرایب تبدیل موجک توسط روش آزمون آماری ویلکاکسن انجام می گیرد. سپس انتخاب بیشترین ضرایب متمایز برای هر کانال در نظر گرفته می شود و در نهایت برای استخراج بهترین ویژگی ها، ضرایب انتخاب شده، ترکیب می شوند و مجموعه ویژگی ها را به وجود می آورند. در مرحله طبقه بندی، روش نایو بیزین استفاده می شود که هر ویژگی را در کلاس خودش قرار می دهد. در انتها نیز برچسب گذاری برای هر کلاس اتفاق می افتد.

عكس خروجی برنامه

عکس 1
عکس 2
عکس 3
عکس 4
عکس 5
عکس 6
عکس 7

برای خرید این پروژه با شماره 09360703858

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