دانلود و نمایش مقالات مرتبط با Electroencephalogram (EEG)::صفحه 1

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
نتیجه جستجو - Electroencephalogram (EEG)

تعداد مقالات یافته شده: 4
ردیف عنوان نوع
1 Characterization of phase space trajectories for Brain-Computer Interface
توصیف خط سیر فضایی فاز برای رابط مغز و کامپیوتر-2017
Article history:Received 27 August 2016Received in revised form 4 May 2017 Accepted 15 May 2017Keywords:Brain-Computer Interface (BCI) Electroencephalogram (EEG) Distance series (DS)Moment invariantsPhase space reconstruction (PSR)A new processing framework that allows detailed characterization of the nonlinear dynamics of EEG signals at real-time rates is proposed. In this framework, the phase space trajectory is reconstructed and the underlying dynamics of the brain at different mental states are identified by analyzing the shape of this trajectory. Two sets of features based on affine-invariant moments and distance series trans- form allow robust estimation of the properties of the phase space trajectory while maintaining real-time performance. We describe the methodological details and practical implementation of the new frame- work and perform experimental verification using datasets from BCI competitions II and IV. The results showed excellent performance for using the new features as compared to competition winners and recent research on the same datasets providing best results in Graz2003 dataset and outperforming competition winner in 6 out of 9 subject in Graz2008 dataset. Furthermore, the computation times needed with the new methods were confirmed to permit real-time processing. The combination of more detailed descrip- tion of the nonlinear dynamics of EEG and meeting online processing goals by the new methods offers great potential for several time-critical BCI applications such as prosthetic arm control or mental state monitoring for safety.© 2017 Elsevier Ltd. All rights reserved.1.
Keywords:Brain-Computer Interface (BCI) | Electroencephalogram (EEG) | Distance series (DS) | Moment invariants | Phase space reconstruction (PSR)
مقاله انگلیسی
2 Electroencephalogram-based emotion assessment system using ontology and data mining techniques
سیستم ارزیابی احساسات با استفاده از تکنیک داده کاوی و هستی شناسی و داده های مبتنی بر الکتروانسفالوگرام-2015
Article history:Received 9 April 2013Received in revised form 23 August 2014 Accepted 5 January 2015Available online 14 January 2015Keywords:Emotion assessment Human–machine interaction Electroencephalogram OntologyCurrently, emotion is considered as a critical aspect of human behavior; thus it should be embedded within the reasoning module in an intelligent system where the aim is to anticipate or respond to human reactions. Therefore, current research in data mining shows an increasing interest in emotion assessment for improving human–machine interaction. Based on the analysis of electroencephalogram (EEG) which derives from automatic nervous system responses, computers can assess user emotions and find corre- lations between significant EEG features extracted from the raw data and the human emotional states. With the advent of modern signal processing techniques, the evaluative power of human emotion derived from EEG is increased exponentially due to the huge number of features that are typically extracted from the EEG signals. Notwithstanding that the expanded set of features could allow computers to evaluate emotions in an accurate way, it is too complex a task to manage in a structured way and, for the reasons stated, methods and approaches to enable both EEG information management and evaluation are neces- sary to support emotion assessment. Starting from this consideration, this paper proposes an enhanced EEG-based emotion assessment system exploiting a collection of ontological models representing EEG feature sets and arousal–valence space (two-dimensional emotion scale), statistical tests capable of eval- uating the gender-specific correlations between EEG features and emotional states, and a classification methodology inferring arousal and valence levels. As will be shown in the experimental section where the proposed approach has been tested on a public dataset, the experimental results demonstrate that better performance in emotion assessment can be achieved using our framework as compared with other studies using the same dataset and with three other classification techniques.
Keywords: Emotion assessment | Human–machine interaction | Electroencephalogram | Ontology
مقاله انگلیسی
3 Epileptic seizure prediction using relative spectral power features
پیش بینی صرع با استفاده از ویژگی های قدرت نسبی طیفی-2015
Objective: Prediction of epileptic seizures can improve the living conditions for refractory epilepsy patients. We aimed to improve sensitivity and specificity of prediction methods, and to reduce the number of false alarms. Methods: Relative combinations of sub-band spectral powers of electroencephalogram (EEG) recordings across all possible channel pairs were utilized for tracking gradual changes preceding seizures. By using a specifically developed feature selection method, a set of best candidate features were fed to support vector machines in order to discriminate cerebral state as preictal or non-preictal. Results: Proposed algorithm was evaluated on continuous long-term multichannel scalp and invasive recordings (183 seizures, 3565 h). The best results demonstrated a sensitivity of 75.8% (66 out of 87 seizures) and a false prediction rate of 0.1 h1. Performance was validated statistically, and was superior to that of analytical random predictor. Conclusion: Applying machine learning methods on a reduced subset of proposed features could predict seizure onsets with high performance. Significance: Our method was evaluated on long-term continuous recordings of overall about 5 months, contrary to majority of previous studies using short-term fragmented data. It is of very low computational cost, while providing acceptable levels of alarm sensitivity and specificity.  2014 International Federation of Clinical Neurophysiology. Published by Elsevier Ireland Ltd. All rights reserved Keywords: Epileptic seizure prediction Relative spectral power Feature reduction Classification
مقاله انگلیسی
4 طبقه بندی وظایف ذهنی از داده های EEG با استفاده از بهینه سازی الگوریتم جستجوی برگشتی مبتنی بر دسته بندی کننده های عصبی
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 29
رابط هوشی کامپیوتر (BCI) با افزایش تخریب عملکرد شناختی انسان به و سیله ی برگشت سیگنال های هوشی به سیگنال های کنترلی به انجام عملیات می پردازد.. این مقاله به ارائه ی طبقه بندی بهینه ی عصبی با استفاده از بهینه سازی الگوریتم جستجوی برگشتی (BSANN) به منظور طبقه بندی سه وظیفه ی هوشی که شامل تصور حرکتی دست راست یا چپ و تولید عبارات است, می پردازد.BSA یک الگوریتم تکاملی) EA ) می باشد که مناسب برای سرگشایی مسائل غیر طولی و قابل تشخیص است. پارامتر های کنترلی واحد به ارائه ی BSA به عنوان نتیجه ای برای دیگر EU ها به علت درجات پایین غیر مترقبه بودن میپردازند.BSA به نگهداری حافظه ی مربوط به موارد قدیمی به منظور تولید دسته ای از راه حل ها به کار می رود., بنابراین این مورد با استفاده از نتایج به دست آمده از جستجوی نتایج موارد قبلی به کار خود ادامه می دهد. روش پیشنهادی برای BSANN) ) بر روی دسته های داده ای عمومی مربوط به رقابت BCI 5-3 امتحان شده است. نتایج تجربی نشان دهنده ی این قضیه است که به نمایش گذاشتن BSANN دارای نتایج بهتری نسبت به 21 الگوریتم دیگر که برای طبقه بندی وظایف هوشی از نظر صحت طبقه بندی شده اند, بوده است.
کلمات کلیدی: الگوریتم بهینه سازی جستجوی برگشتی(BSA) | رابط هوش کامپیوتر BCI) ) | شبکه ی عصبی طبقه بندی شده هوشی وظیفه ای (NN) | الکترونسفالگرام (EEG)
مقاله ترجمه شده
موضوعات
footer