{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK832",
        "title": "استفاده از فیلتروفقی و تجزیه حالت تجربی (EMD) به منظور افزایش کارایی تشخیص خواب‌آلودگی مبتنی بر سیگنال‌های مغزی",
        "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": "1400",
        "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": "TK832",
        "title": "استفاده از فیلتروفقی و تجزیه حالت تجربی (EMD) به منظور افزایش کارایی تشخیص خواب‌آلودگی مبتنی بر سیگنال‌های مغزی",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1400,
        "authors": [
            {
                "name": "نگار ادیبی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "هادی  گرایلو",
                "role": "پدیدآور اصلی"
            }
        ],
        "keywords": [
            "سیگنال‌های مغزی-خواب آلودگی-هوشیاری- تجزیه حالت تجربی گروهی –تبدیل هیلبرت"
        ],
        "abstract": "رانندگی با خواب‌آلودگی عامل اصلی صدها هزار حادثه مرگبار در سراسر جهان است. از این رو، لازم است روش‌هایی برای تشخیص خستگی برای رانندگان طراحی شود. پردازش سیگنال به تکمیل جنبه‌های مختلفی از مشکل کمک کرده است و رفتار خواب‌آلودگی به عنوان الگویی از سیگنال‌های مغز شناخته شده است. مطالعات قبلی معمولا از تبدیل فوریه سریع یا تبدیل موجک گسسته به عنوان تکنیک انتخاب ویژگی استفاده کرده‌اند.\r\nدر این پژوهش یک روش نوین جهت تشخیص و حذف آرتیفکت‌های پلک‌زدن و تشخیص خواب‌آلودگی راننده از روی الکترودهای ناحیه پیشانی پیشنهاد شده است. این روش براساس ترکیب الگوریتم تجزیه حالت تجربی گروهی (  EEMD) و تبدیل هیلبرت بر روی سیگنال‌های ثبت ‌شده الکتروانسفالوگرام پیشانی ‏ (  EEG)‏است.  سیگنال‌های EEG ابتدا برای استخراج توابع حالت ذاتی ‏IMF)ها ‏ ( با استفاده از تکنیک EEMD تجزیه شده‌اند. مولفه‌های IMF  با استفاده از تبدیل هیلبرت استخراج ویژگی شده و با بکارگیری و مقایسه هفت طبقه‌بند بهترین آن انتخاب می‌شود. معیارهای ارزیابی پس از تکرار چهار آزمایش‌ متعدد و میانگین‌ گیری بین مقادیر هر معیار، تعیین می‌شوند. داده‌ها از یک پایگاه موجود دریافت شده که دارای ۳4 الکترود جمع‌آوری  EEGاست. ثبت تغییر الکتروآنسفالوگرام ۵ دقیقه‌ای داوطلب، به عنوان داده‌های EEG در نظر گرفته شده است. \r\nدر شبیه‌ سازی یک روش مبتنی بر تجزیه حالت تجربی (EMD) و آنتروپی با مقیاس چهار را بهبود داده‌ایم، ما با حذف آرتیفکت‌ پلک‌زدن توسط فیلتر وفقی و با استفاده از EEMD و استخراج ویژگی توسط تبدیل هیلبرت به حساسیت 61/90% و اختصاص 15/94 % رسیدیم و صحت را از 74/88% به 86/92% افزایش دادیم.",
        "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_TK832.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"
    }
}