دانلود مقاله طبقه بندی سیگنال EEG و استخراج ویژگی با یادگیری عمیق
خلاصه
مقدمه
II. روش و دستاوردها
III. مقایسه و بحث
IV. نتیجه گیری
منابع
Abstract
I. Introduction
II. Method and Achievements
III. Comparison and Discussion
IV. Conclusions
References
چکیده
الکتروانسفالوگرافی (EEG)، که امواج مغزی حاوی فعالیت عصبی مغز را ردیابی می کند، نقش اساسی در تشخیص حرکت انسان و درمان بیماری های عصبی دارد. در عصر هوش مصنوعی (AI)، الگوریتم‌های یادگیری عمیق به طور گسترده در تشخیص و طبقه‌بندی کنش انسان استفاده می‌شوند. شبکه های عصبی پیچشی مختلفی که این سیگنال را پردازش می کنند نیز در حال ایجاد هستند. این مقاله بررسی دقیقی از کاربرد یادگیری عمیق در سیگنال‌های EEG ارائه می‌کند و فرآیند تحقیق را هنگام طبقه‌بندی سیگنال‌های EEG تشریح می‌کند. در عین حال، این مقاله تحقیقات مربوطه را در مورد طبقه بندی سیگنال های EEG عمل انسانی در سال های اخیر مرور می کند. سیگنال‌های حرکتی انسان معمولاً از الگوریتم‌های یادگیری عمیق و معماری‌های شبکه عصبی پیچشی در کار آنالیز سیگنال EEG استفاده می‌کنند. این مقاله مزایا و چالش های هر روش را در مطالعات دیگر مورد بحث قرار خواهد داد. در نهایت، این مقاله جهت‌های آینده را برای طبقه‌بندی سیگنال EEG مبتنی بر یادگیری عمیق مورد بحث قرار می‌دهد.
Abstract
Electroencephalography (EEG), which tracks the brain waves that contain the brain’s neural activity, plays an essential role in detecting human motion and treating neurological diseases. In the Artificial Intelligence (AI) era, deep learning algorithms are widely used in human action recognition and classification. Various convolutional neural networks that process this signal are also being born. This paper provides a detailed survey of the application of deep learning to EEG signals and outlines the research process when classifying EEG signals. At the same time, this paper reviews the relevant research on the classification of human action EEG signals in recent years. Human motion signals usually use different deep learning algorithms and convolutional neural network architectures in the EEG signal analysis task. This article will discuss the advantages and challenges of each method in other studies. Finally, the paper discusses future directions for deep learning-based EEG signal classification.