|
|
|
|
طبقهبندی سطوح مختلف بارکاری شناختی سیگنال eeg با استفاده از روش emd
|
|
|
|
|
|
|
|
نویسنده
|
قسیمی آرمین ,شامخی سینا
|
|
منبع
|
اولين همايش ملي دستاوردهاي نوين در مهندسي برق، كامپيوتر و مهندسي پزشكي - 1401 - دوره : 1 - اولین همایش ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و مهندسی پزشکی - کد همایش: 01221-53023 - صفحه:0 -0
|
|
چکیده
|
بارکاری شناختی (cw) از مهمترین توانایی‌های فعالیت شناختی است که یک عامل کلیدی در زمینه یادگیری انسان است. دانستن مقدار بهینه بارکاری شناختی برای به حداکثر رساندن عملکرد شناختی ضروری است. بارکاری به عنوان یک متغیر مهم در برنامه‌های کاربردی رابط مغز -کامپیوتر (bci) ظاهر می‌شود. رابط‌‌های مغز-کامپیوتر با ردیابی وضعیت شناختی کاربر، برای سیستم‌های آموزشی مناسب هستند. از این‌رو در این مقاله، روشی کارآمد برای طبقهبندی سطوح مختلف بارکاری شناختی ارائه‌شده است، تا ضمن بکارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روش‌های آموزش به‌دست آید. در روش پیشنهادی، ویژگی‌های میانگین، واریانس، توان باند، جذر میانگین مربعات، کشیدگی و چولگی از 4 مولفه تجزیه‌شده روش تجزیه حالت تجربی(emd) سیگنال eeg استخراج گردیده است. جهت بهینه‌سازی و کاهش ابعاد بردار ویژگی، از روش relieff و mrmr استفاده‌شده، سپس برای طبقهبندی بارکاری شناختی، انواع هسته‌های مختلف ماشین بردار پشتیبان بکار گرفته شد. نتایج نهایی به این صورت بوده است که، طبقه‌بند svm با هسته چندجمله‌ای مرتبه اول(خطی) با روش انتخاب ویژگی relieff با تعداد 50 ویژگی برتر در طبقهبندی حالت دوکلاسه, 0back/2-back ،0-back/3-back و 2back/3-back به ترتیب 93/8 ، 93/16 و 87/39 درصد و در حالت سه کلاسه 0back/2-back/3-back به 72/22 درصد صحت دست یافته‌است.
|
|
کلیدواژه
|
بارکاری شناختی، رابط مغز -کامپیوتر، تجزیه حالت تجربی، ماشین بردارپشتیبان
|
|
آدرس
|
, iran, , iran
|
|
پست الکترونیکی
|
shamekhi@sut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
classification of different cognitive workload levels of eeg signal using emd method
|
|
|
|
|
Authors
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|