متن کامل خبر


 
جلسه دفاع از پایان‏ نامه: جواد سلیمانی ، گروه مهندسی پزشکی

خلاصه خبر: تشخیص خستگی ذهنی با استفاده از الگوریتم¬های یادگیری عمیق برای تحلیل الگوهای عملکردی در سیگنال EEG

  • عنوان: تشخیص خستگی ذهنی با استفاده از الگوریتم¬های یادگیری عمیق برای تحلیل الگوهای عملکردی در سیگنال EEG
  • ارائه‌کننده: جواد سلیمانی
  • استاد راهنما: دکتر فواد قادری
  • استاد ناظر داخلی اول: دکتر بابک محمدزاده اصل
  • استاد ناظر خارجی اول: دکتر بهادر مکی آبادی دانشگاه: علوم پزشکی تهران
  • مکان: اتاق 710
  • تاریخ: 96/04/26
  • ساعت: 13:30

چکیده: تشخیص خستگی ذهنی در کارها و زمینه¬هایی که از حساسیت زیادی برخوردار هستند و نیاز به هوشیاری کامل دارند دارای اهمیت فوق-العاده¬ای می¬باشد که مشاغل پروازی و خلبانی، رانندگی، سیستم¬های مراقبتی و نظارتی، سامانه¬های نظامی و تحقیقات و مطالعات پزشکی از این نمونه می¬باشند. مهم¬ترین مسئله¬ای که در مورد سیستم¬های هوشمند تشخیص خواب¬آلودگی باید در نظر گرفته شود، این است که با چه دقت و سرعتی می¬توانند خواب¬آلودگی را در مراحل اولیه تشخیص دهند. به نظر می¬رسد EEG عملی¬ترین راه اندازه¬گیری فعالیت¬های مغزی باشد، همچنین سیگنال EEG رزلوشن زمانی خوبی دارد و مستقیمأ عملکرد مغز را منعکس می¬کند و لذا اغلب برای تشخیص خستگی ذهنی از آن بهره می¬گیرند. در این تحقیق، برای تشخیص خستگی ذهنی الگوهای ارتباطی بین سیگنال¬های EEG ثبت شده از نقاط مختلف سر، را به دو روش MSC و PDC به دست آوردیم و به عنوان ویژگی وارد طبقه¬¬بند کردیم. همچنین با استفاده از معیار کندال تائو قدرت تفکیک ویژگی¬ها را اندازه¬گیری کردیم و ویژگی¬هایی که قدرت تفکیک بالاتری داشتند به عنوان ویژگی¬های افتراقی برای طبقه¬بندی مورد استفاده قرار گرفت. برای طبقه-بندی از طبقه¬بند SVM خطی و SVM غیر خطی با تابع پایه¬ی شعاعی (RBF) و نیز از شبکه AlexNet استفاده شد. شبکه AlexNet یک مدل خاص از شبکه¬های کانولوشنی عمیق است که در چند سال اخیر در حوزه بینایی ماشین نتایج بسیار خوبی را به دست داده¬اند. علی¬رغم پیشرفت قابل توجه در این حوزه، هنوز چالش¬های زیادی در مورد دسته¬بندی با استفاده از شبکه¬های عمیق وجود دارد. ما طبقه¬بندی را روی مجموعه کامل ویژگی¬ها و مجموعه ویژگی¬های افتراقی در دو حالت ارزیابی بین شخصی و درون شخصی انجام دادیم. برای ویژگی¬های استخراج شده به روش PDC بیشترین دقت طبقه¬بندی در حالت ارزیابی بین شخصی مربوط به ویژگی¬های افتراقی و طبقه¬بند SVM غیرخطیRBF (60.70%) بود. در حالت ارزیابی درون شخصی بیشترین دقت برای مجموعه کامل ویژگی¬ها و شبکه AlexNet (70%) حاصل شد. برای ویژگی¬های استخراج شده به روش MSC در بالاترین دقت هم در حالت ارزیابی بین شخصی (73.33%) و هم در حالت ارزیابی درون شخصی(98.87%) برای ویژگی¬های افتراقی و شبکه AlexNet به¬دست آمد.

26 تیر 1396 / تعداد نمایش : 294