حامد اعظمی

چکیده

در بسیاری از کاربردهای پردازش سیگنال  از قبیل تشخیص علت بیماری صرع به کمک سیگنال های EEG، سیگنال به بخش های معینی که دارای ویژگی های آماری یکسانی از قبیل دامنه و فرکانس هستند، تقسیم می گردد. به این عمل سگمنت کردن سیگنال گفته می شود. در این تحقیق، روش هایی برای بهبود درصد صحت سگمنت کردن سیگنال‌های غیرایستا و به طور خاص سیگنال‌های EEG به کمک بعد فرکتالی، فیلترها و الگوریتم‌های هوشمند ارائه گردیده است.
 ابتدا برای حذف تغییرات کوچک و یا حذف نویزها در سیگنال های EEG از تبدیل موجک و فیلتر کالمن استفاده شده است. تبدیل موجک توانایی این را دارد که نویزهایی شبیه به EMG و ECG را که به طور طبیعی به عنوان نویز در سیگنال EEG وجود دارند را حذف کند. بعد از فیلتر کردن سیگنال از بعد فرکتالی که ابزار بسیار توانایی برای نشان دادن تغییرات دامنه و یا فرکانس یک سیگنال می باشد استفاده شده است. برای یافتن مقادیر مناسب برای دو متغیر طول پنجره و طول گام، از الگوریتم های هوشمند PSO، NPSO، PSO همراه با جهش، زنبور عسل، رقابت استعماری و ژنتیک استفاده شده است. روش پیشنهادی به کمک تبدیل موجک، بعد فرکتالی و الگوریتم زنبور عسل توانست مقدار مجموع درصد خطاها (FP+FN) را برای سیگنال های واقعی EEG از %15/70 به %9/17 تبدیل کند. همچنین روش پیشنهادی به کمک فیلتر کالمن، بعد فرکتالی و الگوریتم رقابت استعماری توانست مقدار مجموع درصد خطاها را برای سیگنال های واقعی EEG از %15/70 به %6/18 تبدیل کند.
همچنین در این تحقیق یک روش ریاضی بسیار ساده، کارا و سریع برای سگمنت کردن سیگنال‌ها معرفی شده است. در این روش از ابزارهای ساده ی ریاضی از قبیل انتگرال، انحراف معیار و حد آستانه متغیر استفاده گردیده است. 

تاریخ دفاع:  سه شنبه   22/9/90     ساعت:  16
   محل:  کلاس 305 دانشکده برق