متداولترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنالهای EEG حاصل از انجام الکتروآنسفالوگرافی میباشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود میآورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز ب چکیده کامل
متداولترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنالهای EEG حاصل از انجام الکتروآنسفالوگرافی میباشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود میآورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز بازشناسی اعمال عادی فرد مبتلا به عارضه از طریق نظارت ویدئویی میباشد. در این مقاله از ترکیب دو تکنیک بینایی ماشین و یادگیری ماشین به منظور تشخیص صرع گراندمال و بازشناسی اعمال عادی برای فردی استفاده میشود که روی زمین و یا تخت دراز کشیده است. بعد از حذف پسزمینه از دنباله قابهای ویدئویی و جداسازی شبح تصاویر، ویژگیهای هندسی مناسب استخراج شده و به عنوان ورودی به دستهبند ماشین بردار پشتیبان چندکلاسه اعمال گردید تا عمل دستهبندی ویدئوها و تخصیص برچسب رفتاری مناسب به صورت خودکار انجام شود. تمامی پیادهسازیهای این تحقیق در محیط نرمافزار Matlab نسخه a.2011 انجام شده است. در این سیستم هوشمند، میانگین دقت تشخیص و بازشناسی 21/90 درصد میباشد. به کارگیری این سیستم علاوه بر کاهش ناظر انسانی، کمک زیادی در تشخیص به موقع و همیشگی عارضه مینماید. این روش به دلیل نیاز به یک دوربین فیلمبرداری ساده و یک سیستم کامپیوتری معمولی، روشی مقرون به صرفه بوده و برای قشرهای درآمدی مختلف قابل تهیه است. علاوه بر آن غیر تماسی بودن سیستم پیشنهادی، عاملی برای حذف مشکلات حرکتی است. دقت بالا تأییدکننده کارایی مناسب این سیستم میباشد.
پرونده مقاله
بهکارگیری دادههای بدون برچسب در خودآموزی نیمهنظارتی میتواند به طور قابل توجهی دقت طبقهبند نظارتشده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقهبندی را به مقدار چشمگیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسبگذاری اشتباه به دادههای بدون برچسب میباشد. در چکیده کامل
بهکارگیری دادههای بدون برچسب در خودآموزی نیمهنظارتی میتواند به طور قابل توجهی دقت طبقهبند نظارتشده را بهبود بخشد، اما در برخی موارد ممکن است دقت طبقهبندی را به مقدار چشمگیری کاهش دهد. یکی از دلایل چنین تنزلی، برچسبگذاری اشتباه به دادههای بدون برچسب میباشد. در این مقاله، روشی را برای برچسبگذاری با قابلیت اطمینان بالا به دادههای بدون برچسب پیشنهاد میکنیم. طبقهبند پایه در الگوریتم پیشنهادی، ماشین بردار پشتیبان است. در این روش، برچسبگذاری فقط به مجموعهای از دادههای بدون برچسب که از مقدار مشخصی به مرز تصمیم نزدیکتر هستند انجام میشود. به این دادهها، دادههای دارای اطلاعات میگویند. اضافهشدن دادههای دارای اطلاعات به مجموعه آموزشی در صورتی که برچسب آنها به درستی پیشبینی شود در دستیابی به مرز تصمیم بهینه تأثیر بهسزایی دارد. برای کشف ساختار برچسبزنی در فضای داده از الگوریتم اپسیلون- همسایگی (DBSCAN) استفاده شده است. آزمایشهای مقایسهای روی مجموعه دادههای UCI نشان میدهند که روش پیشنهادی برای دستیابی به دقت بیشتر طبقهبند نیمهنظارتی خودآموز به نسبت برخی از کارهای قبلی عملکرد بهتری دارد.
پرونده مقاله