این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۴، شماره ۱، صفحات ۱-۸
عنوان فارسی استفاده از شبکه های تجمیع خبرگان(Mixture of Experts)به منظور طبقه بندی سیگنال مغزی افراد سالم و بیماران صرعی
چکیده فارسی مقاله چکیده: EEGیکی از مهمترین و رایجترین مراجع برای مطالعه عملکرد مغز واختلالات نورولوژیک است. به همین دلیل، تشخیص تغییرات EEG توسط سیستم‌های خودکار، موضوعی است که برای سال‌های متوالی تحت مطالعه است.از آنجا که در هر سیستم دسته بندی، صحت تصمیم گیری از اهمیت ویژه ای برخوردار است، لذا نیازمند وجود روش های طبقه بندی بهتر برای سیگنال مغزی هستیم. در این تحقیق، به دنبال ارائه یک سیستم هوشمند مرکب برای بهبود صحت طبقه بندی سیگنال مغزی(EEG) به گروه های مختلف هستیم. این مقاله استفاده از روش تجمیع خبرگان (Mixture of Experts (ME))برای بهبود تفکیک سیگنال هایEEG افراد سالم و بیماران صرعی را نشان داده وصحت طبقه بندی آن را ارزیابی کرده است. تصمیم گیری در دو مرحله انجام شد: 1) استخراج ویژگی به وسیله روش های مختلف بردار ویژه و2) طبقه بندی با استفاده از طبقه بندی کننده های آموزش دیده شده توسط ویژگی های استخراج شده. ورودی های این سیستم هوشمند از ویژگی های مرکب، که متناسب با ساختار شبکه انتخاب شده، تشکیل شده اند. در این مطالعه سه روش مبتنی بر بردارهای ویژه (PISARENKO ,MUSIC ,MINIMUM NORM) برای تولید تخمین طیف چگالی توان (PSD) انتخاب شدند. پس از پیاده سازی MEو آموزش آن روی ویژگی های مرکب، نشان داده که این روش می‌تواند به صحت طبقه بندی بالایی برسد. از این جهت، جداسازی سیگنال های مغزی بیماران صرعی در حالات مختلف و افراد سالم با صحت بالایی امکان پذیر است. از طرفی، از آنجا که مناسب بودن عملکرد شبکه عصبی به اندازه دسته‌های آموزش و تست بستگی دارد، در این مطالعه با تقسیم مشاهدات به سه گروه آموزش (70%) ، آزمون (20%) و اعتبار سنجی (10%) موجبات بهتر آموزش دیدن شبکه فراهم شده و در نهایت صحت طبقه بندی تا 99.50 % افزایش یافته است .
کلیدواژه‌های فارسی مقاله سیگنال EEG، صرع، طبقه بندی، تجمیع خبرگان، شبکه های خبره،
عنوان انگلیسی Classification of Brain Signals in Normal Subjects and Patients with Epilepsy Using Mixture of Experts
چکیده انگلیسی مقاله EEG is one of the most important and common sources for study of brain function and neurological disorders. Automated systems are under study for many years to detect EEG changes. Because of the importance of making correct decision, we are looking for better classification methods for EEG signals. In this paper a smart compound system is used for classifying EEG signals to different groups. Since in each classification the system accuracy of making decision is very important, in this study we look for some methods to improve the accuracy of EEG signals classification. In this paper the use of Mixture of Experts for improving the EEG signals classification of normal subjects and patients with epilepsy is shown and the classification accuracy is evaluated. Decision making was performed in two stages: 1) feature extractions with different methods of eigenvector and 2) Classification using the classifier trained by extracted features. This smart system inputs are formed from composites features that are selected appropriate with network structure. In this study tree methods based on eigenvectors (Minimum Norm, MUSIC, Pisarenko) are chosen for the estimation of Power Spectral Density (PSD). After the implementation of ME and train it on composite features, we propose that this technique can reach high classification accuracy. Hence, EEG signals classification of epilepsy patients in different situations and control subjects is available. In this study, Mixture of Experts structure was used for EEG signals classification. Proper performance of Neural Network depends on the size of train and test data. Combination of multiple Neural Networks even without using the probable structure in obtaining weights in classification problem can produce high accuracy in less time, which is important and valuable in the classification point of view.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله الیاس ابراهیم زاده |


محمد پویان |


سنا آموزگار |


نشانی اینترنتی http://isee.ui.ac.ir/article_15356_6db006e37bb02d83126970556b57d389.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343801.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات