کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور (2019) لی هو 435 صفحه پی دی اف

توضیحات

سایت پروژه یک دانلود PDF کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور (2019) لی هو و ژیگو ژانگ 435 صفحه پی دی اف پردازش سیگنال EEG (الکتروانسفالوگرافی) و استخراج ویژگی از آن یکی از حوزه‌ های مهم در زمینه پردازش سیگنال‌ های زیستی است که کاربردهای گسترده‌ ای در تشخیص بیماری‌ های عصبی، رابط‌ های مغز-رایانه (BCI)، و پژوهش‌ های علوم اعصاب دارد. سیگنال EEG معمولاً شامل سیگنال‌ های نویزی و پیچیده‌ ای است که ویژگی‌ های مختلفی در حوزه زمان و فرکانس دارد. در ادامه، مراحل کلی پردازش سیگنال EEG و روش‌ های رایج استخراج ویژگی برای این سیگنال توضیح داده شده است. با سایت پروژه یک همراه باشید.

معرفی کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور

سیگنال‌ های EEG معمولاً شامل نویز های مختلفی از جمله نویز خط برق، نویز حرکتی و نویز‌ های محیطی است که باید قبل از استخراج ویژگی حذف یا کاهش داده شوند. نویز 50 یا 60 هرتزی ناشی از برق شهری یکی از نویز های معمول در سیگنال EEG است که با استفاده از فیلتر ناتچ (Notch Filter) قابل حذف است. با توجه به فرکانس‌ های مفید EEG که بین 0.5 تا 40 هرتز هستند، از فیلتر باندباس استفاده می‌ شود تا نویز های فرکانس‌ های بالاتر و پایین‌ تر حذف شوند.

پی دی اف کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور

نویز های حرکتی ناشی از پلک زدن یا حرکت سر را می‌ توان با روش‌ های پردازش سیگنال مثل تحلیل مولفه‌ های مستقل (ICA) شناسایی و حذف کرد. سیگنال EEG معمولاً در پنجره‌ های زمانی کوتاه (به‌ طور معمول بین 1 تا 4 ثانیه) بخش‌ بندی می‌ شود. این بخش‌ بندی باعث می‌ شود تا ویژگی‌ های محلی سیگنال در طول زمان استخراج و بررسی شوند. پس از پیش‌ پردازش، نوبت به استخراج ویژگی‌ ها می‌ رسد. ویژگی‌ های EEG به دو دسته کلی تقسیم می‌ شوند: ویژگی‌ های حوزه زمان و ویژگی‌ های حوزه فرکانس. 

دانلود کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور

خرید کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور

این ویژگی‌ ها از طریق تکنیک‌ هایی مانند تبدیل موجک (Wavelet Transform) به دست می‌ آیند. تبدیل موجک امکان تحلیل سیگنال را در زمان و فرکانس به طور همزمان فراهم می‌ کند و به ویژه برای سیگنال‌ های غیر ایستا مانند EEG مناسب است.

بررسی کتاب پردازش سیگنال EEG و استخراج ویژگی – فنر سنگاپور

با توجه به تعداد زیاد ویژگی‌ های استخراج شده، گاهی اوقات انتخاب ویژگی و کاهش ابعاد لازم است. روش‌ ها یی مانند تجزیه و تحلیل مولفه‌ های اصلی (PCA) و انتخاب ویژگی با استفاده از روش‌ های آماری یا یادگیری ماشین برای کاهش ابعاد و انتخاب ویژگی‌ های مهم‌ تر استفاده می‌ شوند. پس از استخراج ویژگی‌ ها، از مدل‌ های یادگیری ماشین یا شبکه‌ های عصبی برای طبقه‌ بندی و تحلیل سیگنال استفاده می‌ شود. برخی از الگوریتم‌ های محبوب شامل SVM، شبکه‌ های عصبی عمیق (DNN)، و درخت تصمیم هستند.