ترجمه مقاله بررسی الگوریتم های دسته بندی رابط های مغز و رایانه بر مبنای الکتروانسفالوگرافی

عنوان فارسی: | بررسی الگوریتم های دسته بندی رابط های مغز و رایانه بر مبنای الکتروانسفالوگرافی |
عنوان انگلیسی: | A Review of Classification Algorithms for EEG-based Brain-Computer Interfaces |
تعداد صفحات مقاله انگلیسی : 17 | تعداد صفحات ترجمه فارسی : 23 |
سال انتشار : 2007 | نشریه : (Hal (inria |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 7978 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 694.31Kb |
رشته های مرتبط با این مقاله: سایبرنتیک پزشکی، مهندسی پزشکی و پزشکی |
گرایش های مرتبط با این مقاله: بیوالکتریک، مغز و اعصاب |
دانشگاه: فرانسه |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1.مقدمه
2. تلقی رابطهای مغز و رایانه به عنوان یک سیستم الگوشناسی
2.1. استخراج ویژگی برای رابط مغز و رایانه
2.1.1. قابلیتهای ویژگی
2.1.2. سنجش تغییرات زمانی الکتروانسفالوگرافی
2.2. الگوریتمهای دستهبندی
2.2.1. نظام ردهبندی دستهبندها
2.2.2. مسئله اصلی دستهبندی در تحقیق رابط مغز و رایانه
3. بررسی دستهبندهای بکار رفته در تحقیقات رابط مغز و رایانه
3.1. دستهبندهای خطی
3.1.1. تحلیل افتراقی خطی
3.1.2. ماشین بردار پشتیبانی
3.2. شبکههای عصبی
3.2.1. پرسپترون چندلایه
3.2.2. سایر معماریهای شبکههای عصبی
3.3. دستههای غیرخطی بیز
3.3.1. درجه دوم بیز
3.3.2. مدل مخفی مارکوف
3.4. دستهبندهای نزدیکترین همسایه
3.4.1. k نزدیکترین همسایه
3.4.2. فاصله ماهالانوبیس
3.5. ترکیبات دستهبندی
3.6. نتیجهگیری
1. Introduction
A Brain-Computer Interface (BCI) is a communication system that does not require any peripheral muscular activity [1]. Indeed, BCI systems enable a subject to send commands to an electronic device only by means of brain activity [2]. Such interfaces can be considered as being the only way of communication for people affected by a number of motor disabilities [3]. In order to control a BCI, the user must produce different brain activity patterns that will be identified by the system and translated into commands. In most existing BCI, this identification relies on a classification algorithm [4], i.e., an algorithm that aims at automatically estimating the class of data as represented by a feature vector [5]. Due to the rapidly growing interest for EEG-based BCI, a considerable number of published results is related to the investigation and evaluation of classification algorithms. To date, very interesting reviews of BCI have been published [1] [6] but none has been specifically dedicated to the review of classification algorithms used for BCI, their properties and their evaluation.
1.مقدمه
رابط مغز و رایانه با علامت اختصاری BCI نوعی سیستم ارتباطی است که به فعالیت عضلانی جانبی نیاز ندارد [1]. به واقع، سیستمهای رابط مغز و رایانه این امکان را برای شخص فراهم میکند تا فرمانها را تنها به وسیله فعالیت مغزی به یک دستگاه الکترونیکی ارسال کند [2]. اینگونه رابطها را میتوان تنها شیوه ارتباطی برای افراد مبتلا به ناتواناییهای حرکتی مختلف در نظر گرفت.
کاربر جهت کنترل رابط مغز و رایانه باید الگوهای مختلفی از فعالیتهای مغزی ایجاد کند که سیستم بتواند آنها را شناسایی و به فرمان تبدیل کند. در اکثر رابطهای مغز و رایانه فعلی، عمل شناسایی به یک الگوریتم دستهبندی متکی میباشد [4]، یعنی، الگوریتمی که تخمین خودکار دسته دادهها را به شکل یک بردار ویژگی هدف قرار میدهد [5]. به علت رشد سریع گرایش به سمت رابط مغز و رایانه مبتنی بر الکتروانسفالوگرافی، حجم قابل ملاحظهای از نتایج منتشر شده به بررسی و ارزیابی الگوریتمهای دستهبندی پرداخته شده است. تاکنون، نقد و بررسیهای بسیار جالبی در زمینه رابط مغز و رایانه منتشر شده است [1] [6] ولی هیچیک از آنها به طور ویژه به بررسی الگوریتمهای دستهبندی بکار رفته برای رابط مغز و رایانه ، ویژگیها و ارزیابی آن اختصاص نیافته است.