عنوان المقالة:تمييز إشارات تخطيط الدماغ باستخدام شبكة الانتشار العكسي المعتمدة على معاملات مرشح التوقع الخطي EEG RECOGNITION BY USING BACKPROPAGATION NEURAL NETWORK BASED ON LINEAR PREDICTION FILTER COEFFICIENTS
تم في هذا البحث استخلاص معاملات مرشح التوقع الخطي ذات المرتبة (15) linear prediction filter coefficients لإشارات تخطيط الدماغ ((EEG Electroencephalograms لتصنيف السلسلة الزمنية المستحصلة من أربع حالات اثنتان منها مرضية والأخرى سليمة (مفتوح ومغلق العينين في كل منهما). بعدها تم إدخال معاملات التوقع الخطي إلى الشبكة العصبية ذات الانتشار العكسي لغرض تمييز الإشارة بالطرق الذكية. ظهرت نتائج جيدة عند الاختبار لقيم المعاملات المستخلصة التي لم يتم التدريب عليها.
وقد أظهرت النتائج لتصنيف معاملات التوقع الخطي ذات المرتبة 15 لإشارات الدماغ EEG باستخدام شبكة الانتشار العكسي إن مرض الزهايمر يمكن اكتشافه بقوة 80-100% في العديد من القنوات في حالة اخذ إشارات تخطيط الدماغ للمريض عندما يكون مغلق العينين، كما استطاعت الشبكة تمييز خلو الشخص من مرض الزهايمر بقوة 100% في العديد من القنوات في حالة اخذ إشارات تخطيط الدماغ للشخص السليم عندما يكون مغلق العينين. وقد كان الإدخال المتحول (من البيانات الأصلية للإشارة إلى المميزات المعتمدة في البحث) مناسباً بشكل جيد في التصنيف الفعال لبيانات EEG، كانت نسبة التمييز متباينة في بيانات كل قناة من قنوات EEG في حالة التمييز الصحيح في كل من الحالات الأربعة (ho, hc, ao, ac). ويمكن الاستفادة من الطريقة المتبعة في هذا البحث في كثير من التطبيقات، من ضمنها تحليل السلاسل الزمنية، ومعالجة الإشارة، وتمييز الكلام.
الملخص الانجليزي
quantifying changes with time series for Electroencephalograms (EEG) obtained from four states two abnormal and two healthy with eyes open and eyes closed in both. Then it has been submit these linear prediction filter coefficients to the back propagation neural network for the purpose of signal distinction by the intelligent methods. It has been gives a good results at testing to the values of features extractions that they not been training with.
The results for classifying EEG using back propagation neural network shows that Alzheimer sickness can be detected with power 80-100% in many channels in case in taken EEG for the abnormal 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 for correct recognition in the four cases (ho, hc, ao, ac). 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