چکیده
ردیابی EEG ثابت با مدل های ARMA متغیر با زمان بحث شده است. یک روش برای تشخیص دوک ها در EEG موش ارائه شده است. این روش بر اساس ردیابی یک قطب سیستم واحد مدل ARMA است.
1 مقدمه
هدف تجزیه و تحلیل خودکار EEG, اغلب تشخیص اشکال موج خاص و یا تقسیم بندی EEG به دوره های شبه ثایت و طبقه بندی بعدی اینهاست. مشخص شده است که پارامترهای اتورگرسیو (خود کاهشی) (AR) و مدل های متوسط حرکت اتورگرسیو متوسط (ARMA), نمایشگر بازده تمایز معقول خوبی در بسیاری از موارد [1] هستند. با این حال، شرایطی وجود دارند که در آن کلاس های مختلف, مراتب مختلف مدل را ضروری می نمایند. برآورد مرتبه های مدل برای هر بخش از نظر محاسباتی غیرعملی خواهد بود و در عمل ما باید از مراتبی استفاده کنیم که برای هر کلاس کافی هستند. این به این معنی است که واریانس های تخمین های پارامتر برای کلاس هایی بزرگ خواهد بود که برای آن, مراتب بسیاری بالا هستند و بازده تمایز کاهش می یابد. با این حال، واریانس های ریشه های چند جمله ای مشخصه مدل, همه مثل این رفتار نمی کنند. برخی از ریشه ها می توانند واریانس های کم را حفظ کنند در حالی که افزایش در واریانس های پارامتر, بر دیگر ریشه ها, بیشتر از اینها اثر می گذارد.
استفاده از ریشه های مدل قبلاً برای طبقه بندی اعصار ثابت EEG پیشنهاد شده است [2]. همچنین مشاهده شده است که حملات صرعی را می توان با حرکت برخی از ریشه ها در صفحه مختلط پیش بینی نمود [3].
این مقاله در نشریه آی تریپل ای منتشر شده و ترجمه آن با عنوان ردیابی EEG ثابت در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
