نویسنده : طاهره نجفی

دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی

رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار

استاد راهنما (استاد مدعو) : , اسداله شاه بهرامی‎,

چكيده : تحقیقات نشان می‌دهد که اعمال انسان نتیجه عملکرد نورونی داخل مغز وی است. بازخورد‎این عملکرد به صورت سیگنال ساطع شده از سطح جمجمه قابل دریافت و پردازش است. یکی از روش‎های دریافت و ثبت سیگنال‎های مغزی، EEG نام دارد. پس از ثبت سیگنال‎های مغز، امکان تجزیه و تحلیل آنها تحت مراحل مختلف پردازش سیگنال مغز وجود دارد که عموما شامل اخذ و پیش پردازش سیگنال، استخراج ویژگی و در صورت نیاز کاهش ابعاد ویژگی و نیز طبقه بندی ویژگی‎های مستخرج می‌شود. محققان از شیوه‌های گوناگونی در راستای پردازش‎این سیگنال‌ها در حوزه‌های مختلف استفاده کرده‌اند. با توجه به بررسی انجام شده، مشخص گردیده است که بیشتر مطالعات در حوزه‎های کاربردی پزشکی و ارتباط مغز با رایانه (BCI) صورت گرفته است و در حوزه‌ی پزشکی در زمینه‎های تشخیص صرع، سطوح درد و بیهوشی و هیپنوتیزم و نیز اضطراب و افسردگی و ... فعالیت صورت گرفته است که در‎این راستا تشخیص و تجزیه و تحلیل سیگنال‎های صرعی بیشترین توجه را داشته است. با توجه به شیوع اختلال اضطراب و افسردگی در جوامع و وابستگی آن به درمانگر، بر‎این آمدیم تا در‎این زمینه گام برداریم. هدف از‎این مطالعه استخراج ویژگی‎های موثر از سیگنال سوژه‌های سالم و بیمار و سپس طبقه‌بندی آنها در دو کلاس مشخص به منظور تعیین دو سطح نرمال و بیمار با اختلال شدید است. در‎این راستا پنج سوژه بیمار و پین سوژه سالم بر اساس نتایج آزمون‎های روانشناسی DSM-IV در دو گروه بیمار با اختلال شدید و سالم در سطح نرمال، برچسب‌گذاری شده و سیگنال‌های آنها تحت استاندارد مشخص از 12 کانال سطح جمجمه، در شرایط یکسان، دریافت شده است. در مرحله پیش پردازش، آرتیفکت‎های اجتناب ناپذیر EOG از سیگنال خام از تمامیه کانال‎ها حذف گردیده و سیگنال‎ها تحت سری زمانی مشخص قطعه بندی شدند. هر قطعه از سیگنال به منزله یک الگو در مرحله استخراج ویژگی، تحت تبدیل زمان-فرکانسی ویولت گسسته با ویولت مادر sym2 در یک سطح تجزیه قرار گرفت. با توجه به دانش فرد خبره، با میانگین‌گیری از ضرایب تقریب کانال‌های نواحی فرونتال مغز و سایر نواحی به صورت مجزا، دو نماینده از هر الگو در نظر گرفته شد. سپس ویژگی‌های آماری میانگین مطلق، واریانس، مینیمم و ماکزیمم ضرایب تقریب از هر دو نماینده از یک الگو به عنوان چهار ویژگی در نظر گرفته شد. با توجه به درخت تصمیم گیری از ویژگی‎های مستخرج در تفکیک دو کلاس بیمار و سالم و نیز به دلیل وابستگی شدید‎این ویژگی‎ها به یکدیگر، از روش LDA به منظور کاهش ابعاد ویژگی استفاده شد و ویژگی‎های مستخرج از فضای ویژگی‎های با چهار بعد به دو بعد انتقال یافت و‎این ویژگی‎ها به طبقه بند SVM با هسته RBF تابع گاوسی داده شد. برای اعتبار بخشیدن به یادگیری ماشین از الگورینم k-fold Cross و k=10 استفاده شد. در‎این پروژه 25 ویولت از خانواده‌های coiflet، symlet و daubechies در سه سطح تجزیه برای هر الگو و برای هر ویولت در هر سطح 50 پارامتر sigma بین 0.1 تا 0.5 مورد بررسی قرار گرفت و در نهایت مقدار MSE برای هر شاخه طی k=10 بار آموزش طبقه بند، محاسبه گردید. در انتها ویولت گسسته sym2 در سطح اول تجزیه با ویژگی‌های آماری استخراج شده و کاهش بعد ویژگی با LDA و استفاده از طبقه بند SVM با هسته RBF تابع گاوسی با پارامتر 0.3

تاريخ دفاع : 1394-6-31