{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK201",
        "title": "کلاسه بندی سیگنال های EEG ناشی از تصور حرکتی در کاربردهای  BCI بکمک ویژگی های حوزه زمان و فرکانس",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1390",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK201",
        "title": "کلاسه بندی سیگنال های EEG ناشی از تصور حرکتی در کاربردهای  BCI بکمک ویژگی های حوزه زمان و فرکانس",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1390,
        "authors": [
            {
                "name": "حبیبه قاهری",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "علیرضا احمدی فرد",
                "role": "استاد راهنما"
            },
            {
                "name": "هادی  گرایلو",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "واسط مغز و رایانه",
            "سیگنال های الکتروآنسفالوگرام",
            "روش CSP",
            "روش LTCSP",
            "الگوریتم OVR",
            "قطعه بندی زمانی",
            "گسسته سازی چند بازه ای در داده های با مقادیر پیوسته",
            "تکنیک رتبه بندی ویژگی ها",
            "مدل مخلوط توابع گوسی"
        ],
        "abstract": "یکی از موضوعاتی که در سال های اخیر مورد توجه بسیاری از محققین قرار گرفته است، سیستم های واسط مغز و رایانه  (BCI) می باشد. BCI سیستمی است که به کمک سیگنال های مغزی نظیر الکتروآنسفالوگرام (EEG) ، ارتباط بین شخص و وسایل جانبی مثل دست مصنوعی را برقرار نماید. \r\nدر BCI مبتنی بر تصور حرکتی از شخص خواسته می شود تا تصور کند که بخشی از بدن خود را حرکت می دهد. در نتیجه  تصور حرکت رخدادهایی در مغز اتفاق می افتد. وظیفه  سیستم BCI این است که این رخدادها را از سیگنال های EEG استخراج نموده و براساس آنها نوع حرکت را تشخیص دهد. \r\nهدف از این پایان نامه کلاسه بندی داده های EEG ناشی از چهار نوع تصور حرکتی دست چپ، دست راست، دو پا و زبان در مغز می باشد. در این پایان نامه از مجموعه 2a از پایگاه داده مسابقه چهارم BCI که در سال 2008 برگزار شده استفاده شده است. در این پایان نامه چهار روش برای کلاسه بندی داده های این مجموعه داده پیشنهاد شده است.\r\nیکی از موفق ترین روش ها در تشخیص تصور حرکتی روش CSP  می باشد. این روش به کمک ماتریس کواریانس داده ها در کلاس های مختلف فیلترهای فضایی استخراج می کند تا داده های ورودی را کلاسه بندی نماید. مشکل CSP این است که ساختار زمانی سیگنال های EEG را در نظر نمی گیرد. از طرفی نویز یک نمونه زمانی می تواند تأثیر مخربی بر نتیجه این روش داشته باشد.\r\nروش بهبود یافته LTCSP  ساختار زمانی داده ها را در نظر گرفته و تأثیر نویز در نتیجه آن کمتر از CSP است. این روش اولین بار برای کلاسه بندی داده های دو کلاسه مطرح شده که در این پایان نامه توسط تکنیک OVR  به مسئله چهار کلاسه تعمیم یافته است. \r\nهمچنین ما در این پایان نامه روشی به نام SEG-CSP-Var پیشنهاد داده ایم که در آن ابتدا سیگنال هایEEG  به قطعات زمانی شکسته شده و سپس بر روی هر قطعه زمانی روش CSP اعمال می شود. این روش پیشنهادی بطور متوسط نتایج بهتری از روش CSP دارد. نتایج این روش نشان می دهد که اهمیت کانال ها برای جداسازی کلاس ها در قطعات زمانی مختلف متفاوت است. \r\nدر روش پیشنهادی دیگر با نام SEG-CSP-BP به جای ویژگی واریانس از توان در باندهای فرکانسی متفاوت به عنوان ویژگی استفاده می شود. در این روش از تکنیک گسسته سازی چند بازه-ای به عنوان کلاسه بند و از تکنیک رتبه بندی ویژگی ها به منظور کاهش ابعاد بردار ویژگی استفاده شده است. \r\nعملکرد بهتر روش OVR-SEG-CSP-BP نسبت به روش OVR-CSP، OVR-LTCSP،  OVR-SEG-CSP-Var و حتی برنده مسابقه 2008 در کلاسه بندی داده های EEG چهار کلاسه حاکی از آن است که استفاده از ویژگی های حوزه زمان و حوزه فرکانس در کنار هم می تواند منجر به نتایج مطلوبی شود. بنابراین در انتهای پایان نامه روشی پیشنهاد داده ایم که در آن از توزیع زمان-فرکانس کانال ها در روش CSP استفاده می شود. در این روش تابع چگالی احتمال مؤلفه ها در حوزه زمان-فرکانس توسط مخلوط توابع گوسی بدست می آید. این روش نیز نتایج بهتری نسبت به روش CSP داشته است.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK201.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}