ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Towards Developing an Efficient EEG Classification Model Based on DWT

العنوان بلغة أخرى: نحو تطوير نموذج فعال لتصنيف أشعة الدماغ الكهربائية يعتمد على تحويل المويجات المنفصلة
المؤلف الرئيسي: بلاعو، خيري محمد خليفة (مؤلف)
مؤلفين آخرين: القرم، أحمد (مشرف)
التاريخ الميلادي: 2018
موقع: الزرقاء
الصفحات: 1 - 85
رقم MD: 1026124
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة الزرقاء
الكلية: كلية الدراسات العليا
الدولة: الاردن
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

25

حفظ في:
LEADER 03831nam a22003257a 4500
001 1517382
041 |a eng 
100 |9 556050  |a بلاعو، خيري محمد خليفة  |e مؤلف 
245 |a Towards Developing an Efficient EEG Classification Model Based on DWT 
246 |a نحو تطوير نموذج فعال لتصنيف أشعة الدماغ الكهربائية يعتمد على تحويل المويجات المنفصلة 
260 |a الزرقاء  |c 2018 
300 |a 1 - 85 
336 |a رسائل جامعية 
502 |b رسالة ماجستير  |c جامعة الزرقاء  |f كلية الدراسات العليا  |g الاردن  |o 0182 
520 |a تم استخدام إشارات الدماغ ‎(EEG)‏ على نطاق واسع لتصنيف العديد من حالات التشخيص وعادة ما يتم البدء بالخطوات الرئيسية لتصنيف EEG من خلال إزالة الضجيج للإشارات، متبوعة باستخراج الميزات، ثم اختيار الميزات المهمة وأخيرا عملية التصنيف في هذا العمل، يقترح نهج جديد قائم على الهجين من عائلة Wavelet والتطور التفاضلي (DE) لتصنيف حالات الصرع علي أساس إشارات EEG. يستخدم تحويل المويجات المنفصلة (DWT) على نطاق واسع في خطوة استخلاص الميزة لأنه فعال جدا في هذا المجال، كما أكدت نتائج الدراسات السابقة. يتم استخدام خطوة تحديد الميزة لتقليل الأبعاد من خلال استبعاد الميزات الضعيفة. تتم هذه الخطوة باستخدام التطور التفاضلي، وأخيرا، استخدمنا في هذه الدراسة خوارزميات التعلم الآلي الخاضع للإشراف وثلاث مقاييس مطابقة لمهمة التصنيف. تقدم هذه الأطروحة نموذجا فعالا لتصنيف EEG من خلال التفكير في استخلاص الميزة واختيارها. يتم استخدام عدة أنواع من DWT لإنتاج مجموعة واسعة من الميزات. بعد ذلك، استخدمنا التطور التفاضلي لاختيار الميزات المناسبة التي تحقق أفضل أداء لتصنيف الإشارات. بالنسبة لخطوة التصنيف، فإننا نستخدم خمسة تقنيات تعلم آلي وتقنيات تعلم تزايدي، ويتم تطبيق نتائج هذا العمل مع قواعد بيانات مختلفة اعتمادا على مقاييس التقييم المختلفة بما في ذلك؛ الدقة والحساسية والخصوصية مع التحقق من الصحة عبر 10 أضعاف. تثبت النتائج فعالية النموذج المقترح بدقة قريبة من 100٪ في معظم النتائج. 
653 |a تقنيات التعلم الآلي  |a إشارات الدماغ  |a تصنيف EEG  |a التطور التفاضلي  |a حالات الصرع 
700 |a القرم، أحمد  |g Al-Qerm, Ahmad  |e مشرف  |9 535082 
856 |u 9802-026-001-0182-T.pdf  |y صفحة العنوان 
856 |u 9802-026-001-0182-A.pdf  |y المستخلص 
856 |u 9802-026-001-0182-C.pdf  |y قائمة المحتويات 
856 |u 9802-026-001-0182-F.pdf  |y 24 صفحة الأولى 
856 |u 9802-026-001-0182-1.pdf  |y 1 الفصل 
856 |u 9802-026-001-0182-2.pdf  |y 2 الفصل 
856 |u 9802-026-001-0182-3.pdf  |y 3 الفصل 
856 |u 9802-026-001-0182-4.pdf  |y 4 الفصل 
856 |u 9802-026-001-0182-O.pdf  |y الخاتمة 
856 |u 9802-026-001-0182-R.pdf  |y المصادر والمراجع 
930 |d y 
995 |a Dissertations 
999 |c 1026124  |d 1026124 

عناصر مشابهة