مقاله ترجمه شده درباره انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی – سال 2015
مشخصات مقاله:
عنوان فارسی مقاله:
انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی
عنوان انگلیسی مقاله:
Active Data Selection for Motor Imagery EEG Classification
کلمات کلیدی مقاله:
رابط های مغز و ماشین، پردازش سیگنال با پراکندگی معلوم، تصویرسازی حرکتی، الکترانسفالوگرافی (نوار مغزی (EEG))
مناسب برای رشته های دانشگاهی زیر:
مهندسی پزشکی
مناسب برای گرایش های دانشگاهی زیر:
پردازش تصاویر پزشکی، بیوالکتریک
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
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
قسمتی از مقاله انگلیسی و ترجمه آن:
I. INTRODUCTION
The brain machine interface (BMI) is a challenging application of signal processing, machine learning, and neuroscience [1]. Such interfaces capture brain activities associated with mental tasks and external stimuli and enable nonmuscular communication and a control channel for conveying messages and commands to the external world [1]–[5]. A noninvasive BMI uses recordings of brain activities such as electroencephalogram (EEG), magnetoencephalogram (MEG), and functional magnetic response imaging (fMRI). Because of its simplicity of device and high temporal resolution, using EEG is the most practical for engineering applications [6], [7]. A crucial technique for enabling BMIs associated with motor-imagery (MI-BMI) [8], [9] is efficient decoding around the motor-cortex, which leads to practical biomedical applications in rehabilitation and neuroprosthesis [10]–[13]. For instance, real and imaginary movements of hands and feet evoke a change in the so-called mu rhythm in different brain regions [2], [3]. Therefore, by accurately capturing these changes from EEG in the presence of measurement noise and spontaneous components related to other brain activities, we can classify the EEG signal associated with imagination of different motor actions such as hand, arm, or foot movement.
1- مقدمه
رابط مغز و ماشین (BMI) یک کاربرد چالش برانگیز در پردازش سیگنال، یادگیری ماشین و علم اعصاب است [1]. این گونه رابط ها، فعالیت های مغز را به همراه وظایف فکری و محرک های خارجی دریافت می کنند و یک ارتباط غیرعضلانی و کانال کنترل جهت انتقال پیام ها و دستورات با دنیای خارج را برقرار می کنند [5]-[1]. یک رابط ذهن و ماشین غیرتهاجمی از فعالیت های ضبط شده مغزی نظیر نوار مغزی یا الکترانسفالوگرافی (EEG)، مگنتوآنسفالوگرام (MEG) و تصویربرداری پاسخ مغناطیسی کارکردی (fMRI) استفاده می کند. به دلیل سادگی استفاده از دستگاه و تفکیک زمانی بالا، استفاده از موج نگار مغزی در کاربردهای مهندسی بیشتر قابل استفاده است [6] و [7].
یک تکنیک مهم برای رابط های مغز و ماشین مرتبط با تصویرسازی حرکتی (MI-BMI) [8]، [9] رمزگشایی مؤثر در اطراف قشر حرکتی است که منتهی به کاربردهای زیست پزشکی در توان بخشی و نوروپروستتیکس می شود [13]-[10]. به عنوان نمونه، حرکت های موهومی و حقیقی دست ها و پاها یک تغییر در به اصطلاح ریتم مو در مناطق مختلف مغز ایجاد می کند [2]، [3]. بنابراین با دریافت دقیق این تغییرات از EEG در حضور نویز اندازه گیری و مؤلفه های خودبخودی مرتبط با دیگر فعالیتهای مغزی، می توانیم سیگنال EEG مرتبط با تصور اعمال حرکتی مختلف نظیر حرکت دست، بازو یا پا را دسته بندی کنیم.
