این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۶، شماره ۱، صفحات ۷۱-۷۸
عنوان فارسی تشخیص و بررسی کاهش دامنۀ P۳۰۰ در پتانسیل‌های وابسته به رویداد شنوایی تک‌ثبت با استفاده از الگوریتم ژنتیک و طبقه بندی‌کنندۀ شبکۀ عصبی
چکیده فارسی مقاله P3000 را برجسته‌ترین مؤلّفۀ در بین مؤلّفه‌های شناختی مختلف موجود در سیگنال الکتریکی مغز می‌دانند. طبق تحقیقات انجام شده، هنگامی که مغز در حین پردازش یک سری از تحریکات معمول، به یک تحریک جدید (تحریک غیرمعمول) برمی‌‌خورد، در سیگنال مغزی ثبت‌‌شده، یک موج P300 ظاهر می‌‌شود که با تشخیص این مؤلّفه می‌توان تحریکات جدید را از تحریکات معمول جداسازی کرد. دامنۀ مؤلّفۀ P300 در هنگام اعمال تحریکات صوتی، پس از گذشت مدّت زمانی از شروع آزمایش کاهش می‌یابد؛ به نحوی که در تشخیص دامنۀ این مؤلّفه با مشکل روبرو می‌شویم. در این تحقیق با استفاده از پنج تحریک صوتی، به بررسی کاهش دامنۀ این مؤلّفه و علل آن در سه بلوک ثبت مجزّا و همچنین تشخیص این مؤلّفۀ شناختی، به وسیلۀ شبکۀ عصبی و الگوریتم ژنتیک پرداخته‌ایم. در نهایت با استفاده از ده ویژگی بهینه، به عنوان ورودی طبقه بندی کنندۀ شبکۀ عصبی در کانال Pz با صحّت 47/61% در دادگان آموزش و 60% در دادگان آزمون در بلوک اوّل، تک‌ثبت‌های حاوی موج P300 از تک‌ثبت‌های فاقد این موج جداسازی شده‌اند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Single Trial P300 Recognition in Auditory Event Related Potential Using Genetic Algorithm and Neural Network Classifier
چکیده انگلیسی مقاله Abstract P300 is known as the most prominent component between cognitive components in electrical brain activity. According to done research, when brain encounters an inconsistent stimulation during processing a series of usual stimulation, a P300 component appears in recorded brain signal which could distinguishes from usual ones. Amplitude of P300 decreases after a short during act of auditory simulation; so that we face difficulty in recognition of component features. In the research we considered reduction of the amplitude of P300 with five auditory stimulations and its reasons in three separate record blocks as well as recognition of the component with Neural Network and Genetic Algorithm. Finally single-trial recordings containing P300 component from single-trial recordings without P300 component have been discriminated by six optimum features as Neural Network classifier input in Pz channel with accuracy of 80.55% in learning data and 50% in test data in the first block.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهدی عبدالصالحی |


محمدعلی خلیل زاده |


محمودرضا آذرپژوه |


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-60-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-600167.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات