عنوان پایان‌نامه

طراحی وتحلیل الگوریتمی برای دسته بندی داده ها ی مکانی -زمانی حرکت و کاربردآن در تشخیص اتیسم



    دانشجو در تاریخ ۲۷ دی ۱۳۹۱ ، به راهنمایی ، پایان نامه با عنوان "طراحی وتحلیل الگوریتمی برای دسته بندی داده ها ی مکانی -زمانی حرکت و کاربردآن در تشخیص اتیسم" را دفاع نموده است.


    رشته تحصیلی
    مهندسی کامپیوتر- آلگوریتم ها و محاسبات
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس یک فنی شماره ثبت: 39..;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56630
    تاریخ دفاع
    ۲۷ دی ۱۳۹۱
    دانشجو
    سرور اختیاری امیری
    استاد راهنما
    بابک نجاراعرابی, منوچهر مرادی سبزوار
    چکیده
    لینک فایل چکیده
    این پژوهش الگوریتمی جهت تحلیل وبازشناسایی الگوهای داده‌های زمانی-مکانی ارائه می‌دهد. از نتایج این پژوهش می‌توان در کاربردهای پزشکی همچون تشخیص بیماری‌هایی چون اوتیسم استفاده کر. یکی از نکات اساسی که در این پژوهش به آن پرداخته شده است طراحی طبقه‌بندی کننده با استفاده از تعداد ویژگی‌های محدود می‌باشد. از آنجایی که در برخی از کاربردها به خصوص در کاربردهای پزشکی که جمع‌آوری داده در حجم زیاد، بسیار دشوار است برای آن‌که طبقه‌بندی کننده دچار پدیده پارامترزدگی نشده و بتواند به خوبی آموزش ببیند، کاهش ابعاد بردار ویژگی الزامی است. به همین سبب بر آن شدیم تا با استفاده و ارائه الگوریتم‌هایی جهت کاهش ابعاد بردار ویژگی و بررسی کارایی هر کدام از آن‌ها توسط معیارهای ارزیابی و اعتبارسنجی، به بهترین روش جهت پالایش ویژگی‌ها و در نهایت طراحی طبقه‌بندی کننده کاراتر با نرخ طبقه‌بندی درست بیشتر، دست‌یابیم. ویژگی‌های انتخاب شده در بردار ویژگی مناسب برای شناسایی حرکات تکراری و متناوب در حرکت بوده، و مجموعاٌ متشکل از 44 ویژگی می‌باشد. برای ساخت پایگاه‌داده مورد نیازبرای آزمودن الگوریتم‌های ارائه شده از داده‌های مربوط به کودکان مبتلا به اوتیسم و کودکانی که مبتلا به این بیماری نیستند، هنگام بازی با یک اسباب‌بازی هوشمند استفاده شده است. برای جمع‌آوری داده‌های ذکر شده از شتاب‌سنج لحظه‌ای که در دسته Wii ساخت شرکت نینتندو جاسازی شده است، استفاده می‌شود. به این ترتیب هنگام بازی با اسباب‌بازی داده‌های مربوط به شتاب ماشین اسباب‌بازی در راستای سه محور مختصات به کامپیوترمنتقل می‌گردد. پس از پیش‌پردازش‌های مورد نیاز برروی داده‌های خام، نوبت به استخراج ویژگی از آن داده‌ها می‌رسد. در خاتمه توانستیم در بهترین حالت با استفاده از الگوریتم انتخاب ویژگی پیش‌رونده و با استفاده از طبقه‌بندی کننده SVM با هسته چندجمله‌ای درجه 5 با نرخ طبقه‌بندی درست 87 درصد به طبقه‌بندی داده‌های ذکر شده و غربالگری کودکان مبتلا به اوتیسم بپردازیم.
    Abstract
    In this thesis an algorithm is proposed for the detection and analysis of patterns in Spatio-Temporal data. The results of this research are applicable to medical fields such as autism screening. Vast data gathering is a tiresome and difficult task, especially in medical experiments; therefore, one of the focuses of this research was on the design of a classifier with reduced number of features. Additionally, to prohibit over parameterization in the classifier, it is essential to reduce the size of the feature vector by an appropriate method. Several feature selection methods were proposed and implemented, identifying each one’s advantages and disadvantages with validation and evaluation methods. Finally, using the best method for feature vector processing we were able to design classifiers with improved correct classification rate. A total number of 44 features were designated for the recognition of repetitive and periodic patterns. In order to test the designed algorithms and methods a database of raw experimental data was required. An intelligent toy car was introduced which can collect and save movement data while the subjects play with it. An instantaneous accelerometer embedded in a Nintendo Wii Remote was used to the sense and transfer accelerations in three orthogonal spatial axes to a computer. After preconditioning and processing the acquired signals, features were extracted from them which in turn were used for classification of autistic children from normal ones. The final results showed a correct classification rate of 87 percent using a forward selection method and SVM classifier with kernel of degree 5.