ترجمه مقاله انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی - نشریه IEEE

ترجمه مقاله انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی - نشریه IEEE
قیمت خرید این محصول
۳۵,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی
عنوان انگلیسی
Active Data Selection for Motor Imagery EEG Classification
صفحات مقاله فارسی
22
صفحات مقاله انگلیسی
10
سال انتشار
2015
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
119
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی پزشکی
گرایش های مرتبط با این مقاله
پردازش تصاویر پزشکی، بیوالکتریک
مجله
یافته های در حوزه مهندسی پزشکی - Transactions on Biomedical Engineering
دانشگاه
گروه مهندسی ارتباطات و کامپیوتر، موسسه فناوری توکیو، ژاپن
کلمات کلیدی
رابط های مغز و ماشین، پردازش سیگنال با پراکندگی معلوم، تصویرسازی حرکتی، الکترانسفالوگرافی (نوار مغزی (EEG))
فهرست مطالب
چکیده
مقدمه
الگوی فضایی مشترک با توجه به قطری سازی مشترک
انتخاب آزمون با وزن های پراکنده برای ماتریس های کواریانس
پراکندگی ترقی تابع هزینه
کیفیت آزمون برآمده از قطری سازی مشترک تقریبی
روش بهینه سازی تسلسلی
نتایج تجربی
توصیف داده های EEG
تأیید پراکندگی در موقعیت مصنوعی
دسته بندی EEG دو کلاسه
بحث و نتیجه گیری
نمونه چکیده متن اصلی 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 ℓ1-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.

نمونه چکیده ترجمه متن 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.


بدون دیدگاه