طبقه بندی اشکال اولیه با استفاده از رابطهای مغز و رایانه
به اشتراک گذاری:
احسان تارکش اصفهانی، وی. سونداراراجان
چکیده
رابط های مغز-کامپیوتر (BCI) توسعه های اخیر در فناوری های جایگزین تعامل کاربر هستند. هدف این مقاله بررسی پتانسیل BCI ها به عنوان رابط کاربر برای سیستم های CAD است. این مقاله آزمایشات و الگوریتم هایی را توصیف می کند که از BCI برای تمایز بین اشکال اولیه ای که توسط کاربر تصور می شوند، استفاده می کند. کاربران یک هدست الکتروانسفالوگرام (EEG) می پوشند و شکل یک مکعب، توپ، سیلندر، هرم یا مخروط را تصور می کنند. هدست EEG فعالیت مغز را از ۱۴ نقطه روی پوست سر جمع آوری می کند. داده ها با تحلیل مولفه های مستقل (ICA) و تبدیل هیلبرت-هوانگ (HHT) تحلیل می شود. ویژگی های مورد علاقه، طیف های حاشیه ای از باندهای مختلف فرکانس (تتا، آلفا، بتا و گاما) هستند که از طیف هیلبرت هر مولفه مستقل محاسبه می شوند. سپس آزمون U-من و ویتنی برای رتبه بندی کانال های الکترود EEG از نظر ارتباط در پنج طبقه بندی جفتی اعمال می شود. ویژگی های حاصل از مولفه های مستقل با بالاترین رتبه، بردار ویژگی نهایی را تشکیل می دهند که سپس برای آموزش یک طبقه بندی کننده خطی استفاده می شود. نتایج نشان می دهد که این طبقه بندی کننده می تواند بین پنج شیء اولیه اساسی با دقت متوسط حدود ۴۴.۶٪ (در مقایسه با نرخ طبقه بندی ساده ۲۰٪) در ده موضوع تمایز قائل شود (محدوده دقت ۳۶٪–۵۴٪). دقت طبقه بندی به ۳۹.۹٪ تغییر می کند زمانی که از هر دو نشانه بصری و کلامی استفاده می شود. تکرارپذیری استخراج ویژگی و طبقه بندی با انجام آزمایش در ۱۰ روز مختلف با همان شرکت کنندگان بررسی شد. این نشان می دهد که BCI در ایجاد اشکال هندسی در سیستم های CAD نویدبخش است و می تواند به عنوان وسیله ای جدید برای تعامل کاربر استفاده شود.اینجا کلیک کنید برای گزارش کامل.
احسان تارکش اصفهانی، وی. سونداراراجان
چکیده
رابط های مغز-کامپیوتر (BCI) توسعه های اخیر در فناوری های جایگزین تعامل کاربر هستند. هدف این مقاله بررسی پتانسیل BCI ها به عنوان رابط کاربر برای سیستم های CAD است. این مقاله آزمایشات و الگوریتم هایی را توصیف می کند که از BCI برای تمایز بین اشکال اولیه ای که توسط کاربر تصور می شوند، استفاده می کند. کاربران یک هدست الکتروانسفالوگرام (EEG) می پوشند و شکل یک مکعب، توپ، سیلندر، هرم یا مخروط را تصور می کنند. هدست EEG فعالیت مغز را از ۱۴ نقطه روی پوست سر جمع آوری می کند. داده ها با تحلیل مولفه های مستقل (ICA) و تبدیل هیلبرت-هوانگ (HHT) تحلیل می شود. ویژگی های مورد علاقه، طیف های حاشیه ای از باندهای مختلف فرکانس (تتا، آلفا، بتا و گاما) هستند که از طیف هیلبرت هر مولفه مستقل محاسبه می شوند. سپس آزمون U-من و ویتنی برای رتبه بندی کانال های الکترود EEG از نظر ارتباط در پنج طبقه بندی جفتی اعمال می شود. ویژگی های حاصل از مولفه های مستقل با بالاترین رتبه، بردار ویژگی نهایی را تشکیل می دهند که سپس برای آموزش یک طبقه بندی کننده خطی استفاده می شود. نتایج نشان می دهد که این طبقه بندی کننده می تواند بین پنج شیء اولیه اساسی با دقت متوسط حدود ۴۴.۶٪ (در مقایسه با نرخ طبقه بندی ساده ۲۰٪) در ده موضوع تمایز قائل شود (محدوده دقت ۳۶٪–۵۴٪). دقت طبقه بندی به ۳۹.۹٪ تغییر می کند زمانی که از هر دو نشانه بصری و کلامی استفاده می شود. تکرارپذیری استخراج ویژگی و طبقه بندی با انجام آزمایش در ۱۰ روز مختلف با همان شرکت کنندگان بررسی شد. این نشان می دهد که BCI در ایجاد اشکال هندسی در سیستم های CAD نویدبخش است و می تواند به عنوان وسیله ای جدید برای تعامل کاربر استفاده شود.اینجا کلیک کنید برای گزارش کامل.
احسان تارکش اصفهانی، وی. سونداراراجان
چکیده
رابط های مغز-کامپیوتر (BCI) توسعه های اخیر در فناوری های جایگزین تعامل کاربر هستند. هدف این مقاله بررسی پتانسیل BCI ها به عنوان رابط کاربر برای سیستم های CAD است. این مقاله آزمایشات و الگوریتم هایی را توصیف می کند که از BCI برای تمایز بین اشکال اولیه ای که توسط کاربر تصور می شوند، استفاده می کند. کاربران یک هدست الکتروانسفالوگرام (EEG) می پوشند و شکل یک مکعب، توپ، سیلندر، هرم یا مخروط را تصور می کنند. هدست EEG فعالیت مغز را از ۱۴ نقطه روی پوست سر جمع آوری می کند. داده ها با تحلیل مولفه های مستقل (ICA) و تبدیل هیلبرت-هوانگ (HHT) تحلیل می شود. ویژگی های مورد علاقه، طیف های حاشیه ای از باندهای مختلف فرکانس (تتا، آلفا، بتا و گاما) هستند که از طیف هیلبرت هر مولفه مستقل محاسبه می شوند. سپس آزمون U-من و ویتنی برای رتبه بندی کانال های الکترود EEG از نظر ارتباط در پنج طبقه بندی جفتی اعمال می شود. ویژگی های حاصل از مولفه های مستقل با بالاترین رتبه، بردار ویژگی نهایی را تشکیل می دهند که سپس برای آموزش یک طبقه بندی کننده خطی استفاده می شود. نتایج نشان می دهد که این طبقه بندی کننده می تواند بین پنج شیء اولیه اساسی با دقت متوسط حدود ۴۴.۶٪ (در مقایسه با نرخ طبقه بندی ساده ۲۰٪) در ده موضوع تمایز قائل شود (محدوده دقت ۳۶٪–۵۴٪). دقت طبقه بندی به ۳۹.۹٪ تغییر می کند زمانی که از هر دو نشانه بصری و کلامی استفاده می شود. تکرارپذیری استخراج ویژگی و طبقه بندی با انجام آزمایش در ۱۰ روز مختلف با همان شرکت کنندگان بررسی شد. این نشان می دهد که BCI در ایجاد اشکال هندسی در سیستم های CAD نویدبخش است و می تواند به عنوان وسیله ای جدید برای تعامل کاربر استفاده شود.اینجا کلیک کنید برای گزارش کامل.