دانلود مقاله Temporal windowing in CSP method for multiدرclass Motor Imagery Classification با word
دانلود مقاله Temporal windowing in CSP method for multiدرclass Motor Imagery Classification با word دارای 6 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد دانلود مقاله Temporal windowing in CSP method for multiدرclass Motor Imagery Classification با word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی دانلود مقاله Temporal windowing in CSP method for multiدرclass Motor Imagery Classification با word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن دانلود مقاله Temporal windowing in CSP method for multiدرclass Motor Imagery Classification با word :
سال انتشار: 1391
محل انتشار: بیستمین کنفرانس مهندسی برق ایران
تعداد صفحات: 6
چکیده:
Brain Computer Interface (BCI) is a system which straightly converts the acquired brain signals such as Electroencephalogram (EEG) to commands for controllingexternal devices. One of the most successful methods in Motor Imagery based BCI applications is Common Spatial method(CSP). In existing methods based on CSP, the spatial filters are extracted from the whole EEG signal as one time segment. In this study we use the fact that ERD/ERS events are not steady over time. This means that the importance of EEG channels vary for different time segments. Therefore we divide EEG signals into anumber of time segments. Then we extract a feature vector from each time segment using CSP. We use OVR (One-Versus-theRest) algorithm to break four classes problem into two classes problems. The considered four classes MI are left hand, righthand, foot and tongue. We used dataset 2a of BCI competition IV to evaluate our method. The result of experiment shows that this method outperforms both CSP and the best competitor of theBCI competition IV. In fact the effect of noise and outliers on extracted features is reduced by the proposed time windowing method.