انجام پروژهای برنامه نویسی متلب matlab

انجام پروژهای برنامه نویسیمتلب matlab

انجام پروژهای برنامه نویسی متلب matlab

انجام پروژهای برنامه نویسیمتلب matlab

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


09367292276
09367292276
azsoftir@gmail.com
azsoftir.com




    عنوان پروژه: شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب
    نرم افزار مورد استفاده: متلب
    فرمت: m.
    فایل راهنما: دارد
    عنوان انگلیسی مقالات مرجع:

Neuroprosthetic control of an EEG-EOG BNCI system by a paralyzed patient with high spinal cord injury

Enhancing brain-machine interface (BMI) control of a hand exoskeleton using electrooculography EOG
دانلود رایگان مقالات انگلیسی مرجع

    پس از خرید، بلافاصله فایلهای شبیه سازی مقاله با نرم افزار متلب برای شما ایمیل خواهد شد.
    فایلهای پروژه به صورت 100% تست شده و تمامی فایل ها سالم می باشد.


دسته: پروژه آماده متلب, مقالات شبیه سازی شده, فروشگاه مهندسی کامپیوتر برچسب: matlab, پردازش سیگنال, سیگنال مغزی, سیگنال مغزی EEG, شبیه سازی, شبیه سازی با متلب, شبیه سازی مقاله, متلب Item sold: 6

توضیحات

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب
یک پروژه پردازش سیگنال eeg از روی dataset ذخیره شده در فایل S01.mat به صورت زیر انجام شده است.
با توجه به آنچه در فایل description.pdf نوشته شده، این پروژه شامل 6 کانال یعنی 5 کانال EEG و یک کانال EOG می باشد.
سیگنال EOG تنها برای حذف آرتیفکت ها است و پردازش روی سیگنال های EEG  صورت میگیرد.
مراحل انجام پروژه :
1) پیش پردازش یا pre-processing شامل :
فیلترینگ و حذف نویز. توسط فیلتر میان گذر(BPF) در باند میو یا بتا ، پنجره گذاری و محاسبه توان.
کاهش نرخ داده و نرمالیزاسیون
فیلترینگ فضایی
حذف آرتیفکت های محیطی و بیولوژیکی با استفاده از روش های ICA, PCA و CSP
2) استخراج ویژگی ها (feature extraction)
3) ترجمه ویژگی ها (feature translation) و کلاس بندی (classification)
مراحل بالا  از روش های مطرح شده در فایل Neuroprosthetic control of an EEGEOG BNCI.pdf انجام شده اند.
داده ها در فایل S01.mat ذخیره شده اند.

روند شبیه سازی پروژه به قرار زیر می باشد:

در ابتدا دیتا لود می شود.

و سپس به تفکیک کانالها هر کدام را به صورت جداگانه ذخیره می کنیم.

پس از اعمال فیلتر میانگذر روی سیگنال EEG به صورت زیر می شود.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

با اعمال فیلتر در باند میو سیگنال مغزی و به دست آوردن طیف توان در آن باند نتیجه به صورت زیر می باشد.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

حال اگر در باند بتای سیگنال مغزی طیف توان را محاسبه کنیم، نتیجه زیر را به دست می دهد.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

بعد از این مرحله سیگنال EOG را از یک فیلتر بالاگذر عبور می دهیم.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


با اعمال فیلتر مکانی CSP داریم:

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

با استفاده از الگوریتم PCA نتیجه زیر قابل مشاهده می باشد

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

همچنین اعمال الگوریتم ICA به عنوان فیلتر جهت حذف آرتیفکت به صورت زیر قابل مشاهده می باشد.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

با دقت در نتایج ICA که درواقع یک روش کارامد برای تشخیص منابع کور می باشد می بینیم که روی C4، Cz، P4 و   EOG به خوبی عمل کرده است ولی T8 و F4 را خیلی خوب فیلتر نکرده است. اول اینکه با توجه به شکل زیر در سیستم 10-20 T8نداریم.

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

و لی در سیستم 10-10 T8 داریم مطابق شکل زیر:

شبیه سازی مقاله پردازش سیگنال مغزی EEG با متلب

از آنجایی که سیستم به کار رفته در ثبت سیگنال ها 10-20 بوده است پس T8 یک اشتباه می باشد و درواقع آن باید F8 باشد که در روش ICA به دلیل نزدیکی منبع تولید سیگنال F8 (همانند F4) به منبع تولید EOG تشخیص و تفکیک آنها به خوبی صورت نگرفته است.

در بخش استخراج ویژگی با نگاه کردن به کامنتهایی که در جلو هر ویژگی f1 تا f21 آمده است می توان پی برد که هرکدام از کجا آمده اند.

با دانستن ویژگی مورد نظر و با توجه به برچسب کلاس ها، ویژگی های به دست آمده قابل ترجمه بوده و می توان آنها را به کلاسبند داد.

در این پژوهش روش خاصی برای کلاسه بندی بیان نشده است از این رو با توجه به روشهای گوناگونی که برای کلاسه بندی وجود دارد ما تنها از یک روش خطی جهت کلاسه بندی استفاده کرده ایم. SVM یک روش کار آمد می باشد ولی با توجه به نوع دادگان گاهی استفاده از ورژن های غیر خطی آن نتیجه بهتری را به دست می دهد.

09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


09367292276
09367292276
azsoftir@gmail.com
azsoftir.com


در اینجا ما از دو ویژگی f11 و f12 که مبتنی بر واریانس کلاس های تفکیک شده در روش CSP می باشد برای دو دسته داده تست و آموزش متفاوت، درصد درستی 50 درصد را به دست آورده ایم. پایین بودن این درصد درستی به خاطر غیر خطی بودن چینش دادگان بر اساس دو ویژگی استفاده شده در فضای دو بعدی می باش
نظرات 0 + ارسال نظر
امکان ثبت نظر جدید برای این مطلب وجود ندارد.