[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
صفحه اصلی::
مدیریت دانشکده::
درباره دانشکده::
معرفی افراد::
امور آموزش ::
امور پژوهش::
اخبار دانشکده::
فضاهای آموزشی و تحقیقاتی::
تسهیلات پایگاه::
ارتباط با صنعت::
لینک های مفید::
تماس با ما::
گروه های دانشجویی::
::
مصاحبه تخصصی دکترای برق 98
98
..
مراکز تحقیقاتی و پزوهشی
مرکز تست و پایش ماشین های الکتریکی

مرکز تحقیقات نانوپترونیکس 

پژوهشکده سبز  

پژوهشکده الکترونیک 

آزمایشگاه تحقیقاتی الکترونیک قدرت 

قطب علمی اتوماسیون و بهره برداری از سیستمهای قدرت 

مجله مهندسی برق و الکترونیک 

پژوهشکده مهندسی و فناوری عصبی ایران  

آزمایشگاه تحقیقاتی آنتن 

مرکز مطالعات راهبردی وبین الملل فاوا

..
پیوند با سیستم های دانشگاه

AWT IMAGE
AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

AWT IMAGE

..
گواهینامه HSE
..
جستجو در پایگاه

جستجوی پیشرفته
..
نظرسنجی
کدام بخش از سایت دانشکده مهندسی برق بیشتر مورد استفاده شما قرار می گیرد؟
آموزش و اطلاعیه های آموزشی
پژوهش و اطلاعیه های پژوهشی
اطلاعات دانشکده و اساتید
اخبار
اکثر موارد موجود در سایت
   
..
نظرسنجی
ارزیابی شما از سایت دانشکده مهندسی برق چیست؟
اطلاعات ارائه شده در حد کفایت است.
اطلاعات ارائه شده مطلوب است ولی نیاز به اطلاعات بیشتر می باشد.
اطلاعات ارائه شده کافی نیست.
   
..
درج نظر
به نظر شما کمبودهای سایت دانشکده برق چیست و برای رفع آن ها چه اقداماتی باید انجام شود؟ برای درج نظر کلیک نمایید.
..
:: دفاعیه آقای امیر سلیمان خانی ::
 | تاریخ ارسال: ۱۳۹۷/۹/۱۰ | 
چکیده
سیستم‌های واسط مغز-رایانه مبتنی بر اسپایک معمولا از روش‌های طبقه‌بندی اسپایک ساده استفاده می‌کنند. با توجه به این‌که اسپایک‌ها در طول زمان در پس‌زمینه نویزی گم شده و کیفیت سیگنال ثبت‌شده کاهش می‌یابد ارایه الگوریتمی که در این شرایط عملکرد سیستم را بهبود دهد، کمک خوبی به رمزگشایی بهتر خواهد کرد.
در این پروژه قصد داریم با کمک شناسایی و طبقه‌بندی اسپایک‌های عصبی ثبت شده از مغز موش، سیگنال نیروی دست جاندار را رمزگشایی کنیم. برای این هدف ابتدا الگوریتمی برای طبقه‌بندی اسپایک‌های عصبی ارایه شد. به‌منظور کسب نتیجه مطلوب سعی بر آن شد که الگوریتم پیشنهادی نسبت به تغییرات سیگنال ناشی از گذشت زمان مقاوم باشد. با کمک آن و پس از به‌دست آوردن نرخ آتش نورونی اقدام به رمزگشایی این سیگنال کردیم.
در روش ارایه‌شده برای استفاده هرچه بهتر از الگوریتم ویولت، پارامترهای بهینه به‌دست می‌آیند و با کمک آن‌ها نتیجه مطلوب‌تری در خوشه‌بندی ایجاد می‌شود. منظور از این پارامترها، پارامترهای مقیاس و انتقال زمانی هستند. الگوریتم پیشنهادی ابتدا بر روی داده شبیه‌سازی شده اعمال گردید و عملکرد آن در خوشه‌بندی اسپایک‌های عصبی مورد ارزیابی قرار گرفت. پس از کسب اطمینان از صحت عملکرد آن، به‌منظور رمزگشایی سیگنال نیروی داده‌های واقعی استفاده شد. نرخ آتش به‌دست آمده از الگوریتم پیشنهادی را با دو روش متداول رمزگشایی حداقل مربعات جزیی و فیلتر کالمن رمزگشایی نمودیم.
نتایج حاصل از کار ما نشان داد که پارامتر نیروی اعمال شده را می‌توان با کمک داده‌های ثبت‌شده از ناحیه حرکتی مغز موش صحرایی رمزگشایی نمود. در داده تحلیل شده الگوریتم رمزگشایی حداقل مربعات جزیی کارایی بهتری نسبت به الگوریتم فلیتر کالمن نشان داد.
دفعات مشاهده: 99 بار   |   دفعات چاپ: 4 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر

کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی برق دانشگاه علم و صنعت ایران می باشد . نقل هرگونه مطلب با ذکر منبع بلامانع می باشد .
Persian site map - English site map - Created in 0.21 seconds with 54 queries by YEKTAWEB 3937