ترجمه مقاله یادگیری ماشینی و هوش مصنوعی در خدمت پزشکی – نشریه الزویر
مبلغ : 50800 تومان
سال انتشار : 2020
ترجمه مقاله انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی – نشریه IEEE
قیمت خرید این کالا
33,800 تومان
| عنوان فارسی: | انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی |
| عنوان انگلیسی: | Active Data Selection for Motor Imagery EEG Classification |
| تعداد صفحات مقاله انگلیسی : 10 | تعداد صفحات ترجمه فارسی : 22 |
| سال انتشار : 2015 | نشریه : آی تریپل ای - IEEE |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 119 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 2.09Mb |
| 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)) |
| 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 |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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 متن 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 متن ترجمه
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.
