دانلود ترجمه مقاله الگوریتم دسته بندی رابط مغز و رایانه بر اساس الکتروانسفالوگرافی

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” الگوریتم دسته بندی رابط مغز و رایانه بر اساس الکتروانسفالوگرافی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1.مقدمه
2. تلقی رابط‌های مغز و رایانه به عنوان یک سیستم الگوشناسی
2.1. استخراج ویژگی برای رابط مغز و رایانه
2.1.1. قابلیت‌های ویژگی
2.1.2. سنجش تغییرات زمانی الکتروانسفالوگرافی
2.2. الگوریتم‌های دسته‌بندی
2.2.1. نظام رده‌بندی دسته‌بندها
2.2.2. مسئله اصلی دسته‌بندی در تحقیق رابط مغز و رایانه
3. بررسی دسته‌بندهای بکار رفته در تحقیقات رابط مغز و رایانه
3.1. دسته‌بندهای خطی
3.1.1. تحلیل افتراقی خطی
3.1.2. ماشین بردار پشتیبانی
3.2. شبکه‌های عصبی
3.2.1. پرسپترون چندلایه
3.2.2. سایر معماری‌های شبکه‌های عصبی
3.3. دسته‌های غیرخطی بیز
3.3.1. درجه دوم بیز
3.3.2. مدل مخفی مارکوف
3.4. دسته‌بندهای نزدیکترین همسایه
3.4.1. k نزدیکترین همسایه
3.4.2. فاصله ماهالانوبیس
3.5. ترکیبات دسته‌بندی
3.6. نتیجه‌گیری

• بخشی از ترجمه:

5. نتیجه‌گیری
مقاله حاضر به ارزیابی‌ الگوریتم‌های دسته‌بندی بکار رفته در طراحی رابط‌های مغز و رایانه (BCI) پرداخته است. این الگوریتم‌ها را به چهار گروه دسته‌بندهای خطی، شبکه‌های عصبی، دسته‌بندهای غیرخطی بیز، دسته‌بندهای نزدیکترین همسایه و ترکیبات دسته‌بندی تقسیم‌بندی کردند. نتایج بدست آمده از این الگوریتم‌ها در زمینه رابط مغز و رایانه با این هدف مورد تجزیه و تحلیل و مقایسه قرار گرفته‌اند تا بتوانند راهنمایی‌هایی برای انتخاب یا طراحی دسته‌بند برای یک سیستم رابط مغز و رایانه در اختیار خوانندگان قرار دهند. در یک کلام، به نظر می‌رسد که ماشین‌های بردار پشتیبانی در رابط‌های مغز و رایانه همزمان بسیار کارآمد باشند. این کارآمدی بالا احتمالاً به دلیل قابلیت تنظیم و ایمنی آن‌ها در مقابل مشقت بعدیت می‌باشد. علاوه بر این، ترکیبات دسته‌بندی و دسته‌بندهای پویا نیز در آزمایشات همزمان بسیار کارآمد به نظر می‌آیند.

• بخشی از مقاله انگلیسی:

5. Conclusion

This paper has surveyed classification algorithms used to design Brain-Computer Interfaces (BCI). These algorithms were divided into five categories: linear classifiers, neural networks, nonlinear Bayesian classifiers, nearest neighbor classifiers and combinations of classifiers. The results they obtained, in a BCI context, have been analysed and compared in order to provide the readers with guidelines to choose or design a classifier for a BCI system. In a nutshell, it seems that SVM are particularly efficient for synchronous BCI. This probably is due to their regularization property and their immunity to the curse-of-dimensionality. Furthermore, combinations of classifiers and dynamic classifiers also seem very efficient in synchronous experiments.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله