[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: بهدخت کیافر - 1397/08/14 ::
 | تاریخ ارسال: ۱۳۹۷/۸/۹ | 

ارائه­ دهنده:

بهدخت کیافر

  استاد راهنما:

آقای دکتر محمدرضا جاهدمطلق

  استاد ممتحن خارجی : آقای دکتر محمدباقر شمس اللهی
استاد ممتحن داخلی: آقای دکتر رضا برنگی

  زمان :  دوشنبه 14 آبان ماه

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304


خانم بهدخت کیافر دانشجوی کارشناسی ارشد آقای دکتر محمدرضا جاهدمطلق روز دوشنبه  1397/08/14 ساعت 17:00  در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان ارائه‌ی یک سیستم هوشمند پردازش سیگنال‌های الکتروانسفالوگرام به منظور افزایش دقت پیش‌بینی وقوع حملات تشنجی ناشی از صرع دفاع خواهند نمود.

چکیده پایان نامه:

در این پروژه ضمن بررسی اثر ویژگی‌های مختلف سیگنال بر دقت و عملکرد سیستم آشکار‌سازی حملات صرعی، بر آن هستیم هم‌زمان با حفظ دقت مدل پیشنهادی، زمان پیش‌بینی حمله‌ی ناشی از صرع را بهبود بخشیم.
برای دسته­بندی داده­ها از شبکه عصبی  ARTMAPفازی جهت پیاده­سازی سیستم تشخیص حملات صرعی استفاده شده است. این شبکه یک فرآیند یادگیری بر مبنای تطابق را بکار می‌گیرد. در این روش، یادگیری بر اساس شباهت میان الگوی ورودی و وزن نرون‌های دسته است که برتری آن نسبت به روش­های یادگیری بر مبنای خطای میان خروجی شبکه و خروجی مطلوب که در شبکه‌های عصبی  معمول مورد استفاده قرار می‌گیرند سهولت استخراج اطلاعات، عدم فراموشی و یادگیری سریع است. از آنجا که توسعه و بهینه­سازی شبکه ARTMAP فازی تحت تأثیر ترتیب ارائه­ی داده­های آموزشی است، به همین منظور از ﺧﺼﻮﺻﻴﺖ و ﻗﺎﺑﻠﻴﺖ الگوریتم­های ژﻧﺘﻴﻚ اﺳﺘﻔﺎده شد ﺗﺎ ﺑﺎ ﺗﻮﻟﻴﺪ نسلﻫای ﺟﺪﻳﺪ بتوانیم ﺗﺮﺗﻴﺐ ارائه­ی ﺑﻬﺘﺮی بیابیم و درﻧﻬﺎﻳﺖ ﺷﺒﻜﻪ ﻳﺎدﮔﻴﺮی ﺑﻬﺘﺮی داشته باشد. تبدیلات موجک اطلاعاتی انعطاف‌پذیرتر از اطلاعات زمان فرکانس از سیگنال را با استفاده از طول پنجره‌ی متفاوت به ما می‌دهند. وقتی که هر دو نوع نوسان در سیگنال موجود باشد، تبدیل موجک به خوبی می‌تواند هر دو را نشان دهد. به همین دلیل از تبدیل موجک برای استخراج ویژگی سیگنال EEG استفاده شده است.
عملکرد سیستم‌ طبقه‌بندی‌کننده‌ی ارائه شده با استفاده از سه معیار دقت، حساسیت و قابلیت تفکیک ارزیابی ‌شد که به ترتیب 44/98٪ ، 66/97٪ و 83/98٪ است که در مقایسه با دیگر سیستم‌های آشکارسازی اسپایکهای صرعی، سیستم پیاده‌سازی شده در این پروژه با بهبود زمان تشخیص پیش از شروع حمله (1/8 ثانیه قبل از شروع حمله) عملکرد مطلوب‌تری دارد.
 


  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

دفعات مشاهده: 155 بار   |   دفعات چاپ: 2 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.21 seconds with 50 queries by YEKTAWEB 3781