عنوان المقالة:تمييز إشارات تخطيط الدماغ باستخدام شبكة الانتشار العكسي المعتمدة على المميزات الهيكلية الموضعية المستخلصة 3- EEG Recognition by using back propagation neural network based on localized structural information.
تم في هذا البحث استخلاص المميزات الهيكلية الموضعية بوصفها أساساً لقياس التغيرات
المستحصلة من أربعة EEG الهيكلية مع الزمن لتصنيف السلسلة الزمنية لإشارات تخطيط الدماغ
حالات اثنتان منها مرضية والأخرى سليمة (مفتوح ومغلق العينين في كل منهما). بعدها تم إدخال
المميزات الهيكلية الموضعية إلى الشبكة العصبية ذات الانتشار العكسي لغرض تمييز الإشارة بالطرق
مع بيانات الشبكة إذ BFGS Quasi-Newton Back propagation الذكية. واستخدمت الدالة
حققت نتائج جيدة عند الاختبار لقيم المميزات المستخلصة التي لم يتم التدريب عليها، كما إنها وصلت
إلى الهدف في التدريب بعدد دورات اقل من باقي الدوال الشائعة الاستخدام مع شبكة الانتشار
العكسي.
باستخدام شبكة الانتشار العكسي إن مرض EEG وقد أظهرت النتائج لتصنيف المميزات
الزهايمر يمكن اكتشافه بقوة ١٠٠ % في العديد من القنوات في حالة اخذ إشارات تخطيط الدماغ
للمريض عندما يكون مغلق العينين. وقد كان الإدخال المتحول (من البيانات الأصلية للإشارة إلى
كانت نسبة ،EEG المميزات المعتمدة في البحث) مناسباً بشكل مثالي في التصنيف الفعال لبيانات
١٠٠ % في حالة التمييز - إذ تراوحت بين ٥٠ EEG التمييز متباينة في بيانات كل قناة من قنوات
ويمكن الاستفادة من الطريقة المتبعة في .(ho, hc, ao, ac) الصحيح في كل من الحالات الأربعة
هذا البحث في كثير من التطبيقات، من ضمنها تحليل السلاسل الزمنية، ومعالجة الإشارة، وتمييز
الكلام.
الملخص الانجليزي
In this research, it localized structural feature selection method has been
used as a base of quantifying structural changes with time for
Electroencephalograms (EEG) obtained from four states two patient and two
healthy with eyes open and eyes closed in both. Then these structural
characteristics have been submitted to the back propagation neural network for
the purpose of signal distinction by the intelligent methods. BFGS Quasi-
Newton Back propagation function has been used with the data of the
network. It gives good results at testing to the values of features extractions that
they have not been training with, and it has been reached to the goal with
minimum iteration from other common function that is used with back
propagation neural network.
The results for classifying EEG using back propagation neural network
show that Alzheimer sick can be detected hardly 100% in many channels in
case in taken EEG for the patient with eyes closed. The transformed inputs
(from the original data of the signal to the features intentional in the research)
are ideally suited for effective classification of EEG data. Recognition rates
vary for each EEG channel data between 50-100% correct recognition in the
four cases. The follow up method can be useful in several applications
including time-series analysis, signal processing and speech recognition.
نجلاء متي اسحق سفر | Najla Matti Isaac Safar | 10019