این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Journal of Artificial Intelligence and Data Mining، جلد ۲، شماره ۱، صفحات ۶۳-۷۱
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Time-Frequency approach for EEG signal segmentation
چکیده انگلیسی مقاله The record of human brain neural activities, namely electroencephalogram (EEG), is generally known as a non-stationary and nonlinear signal. In many applications, it is useful to divide the EEGs into segments within which the signals can be considered stationary. Combination of empirical mode decomposition (EMD) and Hilbert transform, called Hilbert-Huang transform (HHT), is a new and powerful tool in signal processing. Unlike traditional time-frequency approaches, HHT exploits the nonlinearity of the medium and non-stationarity of the EEG signals. In addition, we use singular spectrum analysis (SSA) in the pre-processing step as an effective noise removal approach. By using synthetic and real EEG signals, the proposed method is compared with wavelet generalized likelihood ratio (WGLR) as a well-known signal segmentation method. The simulation results indicate the performance superiority of the proposed method.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله میلاد آذرباد |
babol university of technology

حامد اعظمی |
iran university of science and technology
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

سعید صانعی |
faculty of engineering and physical sciences, university of surrey

a ابراهیم زاده |
department of electrical and computer engineering, babol university of technology, babol, iran

نشانی اینترنتی http://jad.shahroodut.ac.ir/article_151_7bf964d0d2b1ef1353e582625f70df1e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات