مقاله تشخیص رانندگی خواب آلود توسط تحلیل EEG با استفاده از تبدیل موجک و خوشه بندی KدرMeans با word دارای 15 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله تشخیص رانندگی خواب آلود توسط تحلیل EEG با استفاده از تبدیل موجک و خوشه بندی KدرMeans با word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تشخیص رانندگی خواب آلود توسط تحلیل EEG با استفاده از تبدیل موجک و خوشه بندی KدرMeans با word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله تشخیص رانندگی خواب آلود توسط تحلیل EEG با استفاده از تبدیل موجک و خوشه بندی KدرMeans با word :
سال انتشار: 1394
محل انتشار: کنفرانس بین المللی سیستمهای غیر خطی و بهینه سازی مهندسی برق و کامپیوتر
تعداد صفحات: 15
چکیده:
هدف این مقاله، توسعه یک سیستم نظارت بر خواب آلودگی راننده از طریق تحلیل سیگنال های الکتروانسفالوگرافی (EEG) در یک محیط اسکریپتی نرم افزاری و با استفاده از یک شبیه ساز رانندگی است. این سیگنال ها توسط یک سیستم الکترود چند کاناله ثبت می شوند. هر حرکت عضله، بر ضبط سیگنال EEG اثر می گذارد که به شیء تبدیل می شود. در نتیجه، نویز از ثبت با کم کردن سیگنال دارای نویز از ثبت EEG اصلی حذف می شود. سپس سیگنال های EEG واقعی در معرض فیلتر میان گذر با فرکانس برش 5/0 هرتز و 100 هرتز قرار می گیرند. سیگنال های فیلتر شده با استفاده از یک تکنیک زمان-فرکانس به نام تبدیل موجک گسسته (DWT) تحلیل می شوند. یک موجک دابشیز مرتبه سوم و تجزیه پنج سطحی برای تفکیک سیگنال به پنج زیرباند به نام های دلتا (4-5/0 هرتز)، تتا (8-4 هرتز)، آلفا (12-8 هرتز)، بتا (30-12 هرتز) و گاما (بیشتر از 30 هرتز) مورد استفاده قرار می گیرد. مقادیر آماری مرتبه اول مثل میانگین، میانه، واریانس، انحراف معیار و مد هر یک از زیرباندها محاسبه می شوند و به عنوان «ویژگی» ذخیره می گردند. این ویژگی ها به عنوان ورودی برای مرحله بعدی طبقه بندی سیستم مورد استفاده قرار می گیرند. یادگیری نظارت نشده از طریق خوشه بندی K-means مورد استفاده قرار می گیرد؛ زیرا طبقه های سیگنال ها نامشخص هستند. این کار ابزار تصمیم گیری قدرتمندی برای سیستم بلادرنگ تشخیص خواب آلودگی را فراهم می کند. الگوریتم توسعه داده شده در این مقاله، روی دوازده نمونه از پایگاه داده Physionet sleep-EDF تست شده است.
- ۹۵/۰۸/۱۶