{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK501",
        "title": "طبقه‌بندی سیگنال‌های EEG با استفاده از روش CSP بهینه‌سازی شده  جهت کاربرد در سیستم‌های BCI",
        "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": "1395",
        "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": "TK501",
        "title": "طبقه‌بندی سیگنال‌های EEG با استفاده از روش CSP بهینه‌سازی شده  جهت کاربرد در سیستم‌های BCI",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1395,
        "authors": [
            {
                "name": "مریم فریور",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "علیرضا احمدی فرد",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "واسط مغز و رایانه",
            "الگوی فضایی مشترک",
            "الگوی فضایی مشترک منظم شده",
            "ضریب تیخونوف"
        ],
        "abstract": "بیماری‌های مختلفی می‌توانند باعث صدمه دیدن سیستم عصبی عضلانی، که مغز از طریق آن قادر به ایجاد ارتباط و اعمال کنترل به محیط خارج است، شوند. پیشرفت‌های اخیر در سخت افزار و پردازش سیگنال، استفاده از سیگنال‌های EEG را برای ارتباط انسان و رایانه ممکن ساخته است. سیستم واسط مغز و رایانه(BCI)، یک سیستم ارتباطی برای انتقال پیام از یک شخص به دنیای بیرون است که از طریق مسیرهای خروجی معمولی مغز، یعنی عصب‌های محیطی و ماهیچه‌ها صورت نمی‌گیرد.\r\nیکی از عمده‌ترین روش‌های استخراج ویژگی در سیستم‌های واسط مغز و رایانه (BCI) مبتنی بر ثبت الکتروانسفالوگرام(EEG)، استفاده از الگوی فضایی مشترک (CSP) می‌باشد. با وجود کاربرد گسترده این روش CSP بسیار حساس به نویز است و در مقابل داده‌های کم دچار مشکل می‌شود.\r\nآنچه در این تحقیق مورد توجه قرار گرفته است این است که با استفاده از روش‌های بهینه سازی فیلترهای CSP را به گونه‌ای طراحی کنیم که مشکل نویز تا حد ممکن از بین برود. از این رو از روش‌های رگولار شده و بهبود یافته الگوی فضایی مشترک به عنوان راهکاری جهت استخراج دقیق‌تر ویژگی‌های موردنظر استفاده شده است. \r\nهمچنین در این تحقیق ما روش‌های ارائه شده را به صورتی تعمیم داده‌ایم که قابل اعمال بر روی داده‌های مربوط به چهار کلاس باشد و محدودیت دو کلاسه بودن که در بسیاری از مقالات وجود دارد از بین برود. \r\nالگوریتم دیگری که در این تحقیق ارائه شده است تقسیم بندی زمانی داده‌ها می‌باشد. برای این منظور ابتدا داده‌ها را به بازه های زمانی تقسیم کرده و سپس فیلتر CSP را روی هر بازه زمانی اعمال نموده و ویژگی‌های آن را استخراج می‌کنیم. در این صورت اثر نویز بسیار کمتر می‌گردد .\r\nدر این پژوهش از مجموعه داده 2a از چهارمین دوره مسابقات BCI استفاده شده است. این مجموعه شامل 22 کانال از سیگنال‌های EEG مربوط به 9 فرد با نرخ نمونه‌برداریHz  250 می‌باشد.\r\nدر نهایت عملکرد 4 الگوریتمRCSP را روی مجموعه داده‌های چهارمین دوره مسابقات جهانی BCI مقایسه می‌کنیم. نتایج نشان می‌دهد که الگوی فضایی منظم شده تیخونوف دارای کارآیی بهتری نسبت به دیگر روش‌های الگوی فضایی منظم شده هستند.",
        "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_TK501.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"
    }
}