عنوان پایان‌نامه
آنالیز سیکنالهای مغزی به کمک ترکیب طبقه بندی عصبی
- رشته تحصیلی
- علوم کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 4895;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55663
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۱
- دانشجو
- کیومرث باباخانی
- استاد راهنما
- مرتضی محمدنوری
- چکیده
- طبقه‌بندی سیگنالهای مغزی بویژه سیگنالهای الکتروانسفالوگرام به دلایل متعدد مانند بعد زیاد داده‌های ورودی، خاصیت ناایستایی سیگنال‌ها، هم‌پوشانی بالای کلاس‌ها و تعداد کم نمونه‌های آموزشی، در رده مسائل پیچیده دسته‌بندی می‌شود. ترکیب طبقهبندها دیدگاهی است که برای مواجهه با چنین مسائلی پیشنهاد شده است. همچنین، شبکههای عصبی ناهموار که ترکیبی از نظریه مجموعه ناهموار و شبکههای عصبی است، یکی از ابزارهای تقریبا نوین در حوزه یادگیری ماشین است که برای حل مسائلی با پیچیدگی و نایقینی زیاد مطرح شده است. در ساختار یک شبکه عصبی ناهموار، به جای نورون‌های مرسوم از نورون‌های ناهموار استفاده می‌شود. ویژگی خاص یک نورون ناهموار این است که با بهره‌گیری از یک جفت نورون به جای تک نورون، یکی به عنوان حد بالا و دیگری به عنوان حد پایین، و نیز امکان به اشتراک‌گذاری خروجی آنها، به افزایش سرعت همگرایی شبکه و بهبود قدرت تعمیم آن کمک می‌کند. در این پایان‌نامه، ابتدا مدل مرسوم شبکههای عصبی ناهموار مورد بررسی قرار گرفته و با اعمال تغییراتی در ساختار آن، مدل بهبودیافته‌ای از شبکههای عصبی ناهموار معرفی شده است. سپس، شبکه عصبی ناهموار بهبودیافته به عنوان خبره و شبکه میانجی در ساختار مدل اختلاط خبرهها به عنوان روش پیشنهادی این پایان‌نامه برای طبقه‌بندی سیگنالهای الکتروانسفالوگرام ارائه شده است. آزمایش‌های متعددی برای ارزیابی کارایی روش پیشنهادی در طبقه‌بندی سیگنالهای الکتروانسفالوگرام انجام گرفته است. نتایج آزمایش‌ها نشان داده است که روش پیشنهادی اختلاط خبره‌های ناهموار بهبودیافته نسبت به مدل اختلاط خبره‌های پایه به نرخ طبقه بندی بالاتری دست یافته است. کلمات کلیدی : سیگنالهای الکترواسنفالوگرام، ترکیب طبقهبندها، شبکههای عصبی ناهموار، اختلاط خبرهها
- Abstract
- Abstract Diagnosis of several neurological disorders such as epilepsy and alzheimer is based on the detection of typical pathological patterns in electroencephalogram (EEG). This requires a time consuming analysis of EEG recordings by a highly trained expert. Automatic detection and classification of EEG patterns using machine learning and pattern recognition algorithms have emerged for many years. However, due to have non-stationary signals, poor signal to noise ratio, highly overlapped classes, small training sample size and high dimensional feature sets, EEG signal classification can be categorized into complex problems. Combining classifiers is an approach to improve the performance in classification particularly for complex problems. Also, the Rough Neural Networks (RNNs) as the neural networks based on rough sets are one kind of hot research in artificial intelligence in recent years, which synthesize the advantage of rough set to solve complex problems. An RNN consists of conventional neurons and rough neurons connected to each other. Rough neurons can be defined in the context of rough patterns. Each value in a rough pattern is a pair of upper and lower bound. In this thesis, the incorporation of RNNs into a Mixture of Experts (ME) model was investigated. The conventional RNN was initially proposed based on a single layer Multilayer Perceptron (MLP) network. In this type of RNNs which is named Rough-based MLP (RMLP), the rough neurons were only used in the hidden layer of the network. The learning process of RMLP network was first investigated using Back-Propagation (BP) training algorithm. In modified version of RNNs named modified-RMLP (mRMLP), was then proposed by using rough neurons in both hidden and output layers of MLP network. On the other hand, unlike the RMLP network, the outputs of rough neurons in hidden layer of mRMLP network were also fed to the output layer without any averaging. The mRMLP networks were then used as individual experts and gating network of an ME model. The proposed ensemble method, mRMLP-based Mixture of Experts (mRME), was then used to classify EEG signals. Different types of EEG signals were first decomposed into wavelet coefficients using Discrete Wavelet Transform (DWT). The informative and relevant features of wavelet coefficients were then extracted using different feature extraction techniques such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA). The extracted feature vectors were finally classified by several ensemble methods. Experimental results show that our proposed ensemble method, mRME, classifies the EEG signals with the higher accuracy in comparison with previous combining techniques. Keywords: EEG Signal Classification, Combining Classifiers, Rough Neural Networks, Mixture of Experts, Discrete Wavelet Transform
