چطور این مقاله مهندسی پزشکی را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2009367 رایگان است. ترجمه چکیده این مقاله مهندسی پزشکی در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
806 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
طبقهبندی آمادهسازی حرکت در میان تکالیف حرکتی خودگام با حواسجمعی و با حواسپرتی
عنوان انگليسي
Classification of Movement Preparation between Attended and Distracted Self -Paced Motor Tasks
نویسنده/ناشر/نام مجله
IEEE Transactions on Biomedical Engineering
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی پزشکی شامل 10 صفحه انگلیسی به صورت پی دی اف و 33 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
هدف: سیستم‌های رابط مغز و کامپیوتر (BCI) سعی در کنترل دستگاه‌های خارجی با استفاده از سیگنال‌های مغز دارند. عملکرد این سیستم‌ها از وضعیت روانی کاربر مانند توجه تاثیر می‌پذیرد. در این مطالعه دو حالت توجه را نسبت به تکلیف مورد نظر (سطح تکلیف با حواسجمعی و با حواسپرتی) طبقهبندی کردیم در حالی که توجه به تکلیف به واسطه‌ی یکی از سه نوع عامل حواسپرتی تغییر می‌کرد. روش‌ها: 24 شرکت‌کننده به سه گروه آزمایشی تقسیم شدند و در معرض یکی از سه نوع عامل حواسپرتی قرار گرفتند. وضعیت با حواسجمعی كه برای هر سه گروه يكسان بود، فقط انجام تکلیف اصلي (دورسی‌فلکشن خودگام) را دربرداشت در حالي كه وضعیت با حواسپرتی شامل انجام هم‌زمان تکلیف اصلی و تکلیف آدبال (وضعیت تکلیف دوگانه) بود. سیگنال‌های EEG از 28 الکترود ثبت شدند تا دو حالت توجه در وضعیت تکلیف با حواسجمعی یا با حواسپرتی از طریق استخراج ویژگی‌های زمانی و طیفی طبقهبندی شوند. يافته‌ها: نتايج حاصل نشان دادند كه دقت طبقه‌بندي این گروه‌ها با استفاده از تركيب ويژگي‌هاي زماني و طيفي (ويژگي‌هاي طيفی-زماني، %2.7 ± 82.3)) بيش‌تر از حالتی بود که ويژگي‌هاي زمانی (%2.2 ± 69) و طيفی (%2.6 ± 80.3) به طور جداگانه مورد استفاده قرار گرفتند. دقت طبقهبندی با استفاده از ترکیب مکان‌های مختلف کانال محاسبه شد و نشان داده شد که ترکیب کانال‌های آهیانه‌ای و مرکزی برای طبقهبندی دو حالت توجه در حین آمادهسازی حرکت گزینه‌ی بهتری است (کانال‌های آهیانه‌ای: %1.3 ± 84.6، کانال‌های مرکزی و آهیانه‌ای: %1.5 ± 87.2)). نتیجه‌گیری: توجه کاربران نسبت به تکلیف مورد نظر را می‌توان برای انواع مختلف عوامل حواسپرتی تحت نظارت قرار داد. معناداری: دلالت‌هایی وجود دارند که سیستم‌های آنلاین BCI نیازمند دقت بالایی در تشخیص قصد هستند.
1-مقدمه
سیستم‌های رابط مغز و کامپیوتر (BCI) که برای توان بخشی عصبی طراحی شده‌اند، امکان تعامل دوطرفه بین کاربر و محیط خارجی را با تبدیل سیگنال‌های مغزی به فرمان‌های خارجی میسر می‌سازند [1، 2]. ما در 10 سال گذشته یک سیستم BCI برای تعدیل عصبی طراحی کرده‌ایم که در آن تشخیص زمان دقیق شروع حرکت برای ایجاد انطاف‌پذیری ضروری است [3]، [4، 5]…
انحراف توجه طبقهبندی آمادهسازی حرکت رابط مغز و کامپیوتر (BCI)
:کلمات کلیدی
Abstract
Objective: Brain-computer interface (BCI) systems aim to control external devices by using brain signals. The performance of these systems is influenced by the user’s mental state, such as attention. In this study, we classified two attention states to a target task (attended and distracted task level) while attention to the task is altered by one of three types of distractors. Methods: Twenty-seven participants were allocated into three experimental groups and exposed to one type of distractor. An attended condition that was the same across the three groups comprised only the main task execution (self-paced dorsi-flexion( while the distracted condition was concurrent execution of the main task and an oddball task (dual-task condition). EEG signals were recorded from 28 electrodes to classify the two attention states of attended or distracted task conditions by extracting temporal and spectral features. Results: The results showed that the ensemble classification accuracy using the combination of temporal and spectral features (spectro-temporal features) ,82.3±2.7%) was greater than using temporal (69±2.2%) and spectral (80.3±2.6%) features separately. The classification accuracy was computed using a combination of different channel locations and it was demonstrated that a combination of parietal and centrally located channels was superior for classification of two attention states during movement preparation (parietal channels: 84.6±1.3 %, central and parietal channels: 87.2±1.5%). Conclusion: It is possible to monitor the users’ attention to the task for different types of distractors. Significance: It has implications for online BCI systems where the requirement is for high accuracy of intention detection.
Keywords:
Attention diversion Classification of movement preparation Brain-computer interface (BCI)
سایر منابع مهندسی پزشکی در زمینه مغز-کامپیوتر