پديد آورنده :
فروزمهر، فوزيه
عنوان :
مطالعه و بهبود روش هاي دسته بندي سيگنالهاي ضربه اي شكل نورون هاي مغز
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
هشت، 84ص.: مصور
استاد راهنما :
بهزاد نظري، سعيد صدري
استاد مشاور :
ريحانه ريخته گران
توصيفگر ها :
دسته بندي اسپايك , آشكارسازي , استخراج ويژگي , خوشه بندي , استنباط بيزي , ديريكله , داده غير ايستان
تاريخ ورود اطلاعات :
1394/12/01
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
1 چكيده در اين پاياننامه هدف مطالعه و توسعه روشهاي دستهبندي اسپايك است فرايندي كه طي آن سيگنالهاي ضبط شده از الكترودهاي فرورفته در مغز تحت عمليات آشكارسازي استخراج ويژگي و خوشهبندي قرار ميگيرند با اين مراحل در حقيقت اسپايكهاي نورونهاي مختلف كه واحد انتقال اطالعات در مغز هستند جداسازي شده و الگوي توليد اسپايك هر نورون در ازاي تحريك ايجاد شده بدست ميآيد بنابراين دستهبندي اسپايك اولين مرحله در پردازش اطالعات مغز خواهد بود در اين پروژه روشهاي ارائه شده براي هر يك از مراحل دستهبندي اسپايك مطالعه شده است به عالوه دو چالش اصلي پيش روي اين موضوع يعني اوال وجود اسپايكهاي درهم فرورفته و دوما تغيير اسپايكها در طول زمان مورد بررسي قرار گرفته است در تحقيقات انجام شده سعي ميشود يا روشي سادهتر با پيچيدگي محاسباتي و خطاي كمتر براي هر يك از مراحل ارائه شود و يا براي چالشها راه حلي پيشنهاد گردد در اين پاياننامه نيز تمركز بر مسئله خوشهبندي و ارائه راهكاري براي دنبال كردن تغييرات زماني است به اين منظور از روشهاي خوشهبندي مبتني بر مدل و به طور مشخص از روشهاي خوشهبندي بيزي استفاده شده است در اين نوع خوشهبندي ابتدا تابع توزيع احتمال مجموعه داده به صورت توزيع آميخته در نظر گرفته ميشود يعني دادههاي هر خوشه كه همان اسپايكهاي توليدي يك نورون هستند توسط يكي از اجزاي توزيع توليد شدهاند حال براي تخمين پارامترهاي مدل در ديدگاه بيزي به خود پارامترها نيز به صورت متغير تصادفي نگاه شده و براي آنها تابع چگالي احتمال پيشين در نظر گرفته ميشود روشهاي خوشهبندي بيزي به دو دسته پارامتري و ناپارامتري تقسيم ميشوند در روشهاي پارامتري تعداد خوشهها دانستهشده است و تنها پارامترها مجهول هستند اما در روشهاي ناپارامتري تعداد خوشهها نيز به همراه پارامترهاي آنها مجهولاند يكي از روشهايي كه در چارچوب برآورد يابي بيزي جهت برآورد تعداد خوشهها مورد استفاده قرار ميگيرد توزيع آميخته فرايند ديريكله است بنا بر توضيحات داده شده و به منظور دنبال كردن تغييرات زماني دادهها در اين پاياننامه روشي مبتني بر توزيع آميخته فرايند ديريكله ارائه شده است ويژگي اين روش استفاده از اطالعات بدست آمده از فريم قبل به عنوان اطالعات پيشين براي فريم فعلي است بنابراين عالوه بر امكان دنبال كردن تغييرات خوشهها نسبت به فريم قبل به دليل بهرهمندي از خواص فرايند ديريكله امكان تشخيص دادن تغيير تعداد خوشهها در طول زمان نيز فراهم شده است به منظور بررسي روش پيشنهادي ابتدا آشكارسازي دادههاي واقعي و استخراج ويژگي به روش PCA صورت گرفت سپس خوشهبندي اين دادهها توسط روش پيشنهادي و روشي مشابه كه از اطالعات فريم قبل هيچ استفادهاي نميكند انجام شد نتايج بدست آمده حاكي از عملكرد بهتر روش پيشنهادي در نرخ خطاي به وجود آمده و دنبال كردن مناسب تغييرات زماني خوشهها بوده است كلمات كليدي دستهبندي اسپايك آشكارسازي استخراج ويژگي خوشهبندي استنباط بيزي فرايند ديريكله داده غير ايستان
چكيده انگليسي :
Study and Enhancement of Spike Sorting Methods for the Brain Neurons Foozie Foroozmehr foozie foroozmehr@ec iut ac ir 2015 12 21 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Dr Behzad Nazari nazari@cc iut ac ir Dr Saeed Sadri sadri@cc iut ac irAbstractThe main purpose of this thesis is to study spike sorting methods and to develop a newmethod using Bayesian Non parametric Models Spike sorting is the process of detection feature extraction and clustering signals recorded from deep brain embedded electrodes The output of the process is the neuronal firing pattern Spike sorting is the first step ineach brain information process The most important methods for detection featureextraction and clustering in spike sorting are studied in this thesis In addition the twomain challenges i e the existence of overlapped spikes and variations of spike waveformsover time are investigated This thesis is focused on non stationary data clustering and proposes a new method toovercome the second challenge Model based clustering and especially Bayesian clusteringmethods have already been used for this purpose In these methods a mixture distributionis considered as probability density function of the data It means that each data point isproduced by one of the mixture components In the Bayesian point of view modelparameters are random variables with a prior probability distribution Bayesian clustering is categorized in two main groups parametric and non parametric Inthe parametric approaches the number of clusters is assumed to be known and theparameters are unknown However the number of clusters is also unknown in the non parametric Bayesian methods Dirichlet process mixture DPM is one of the methods usedfor estimating number of clusters In this thesis a new approach has been developed totrack data changes over time based on DPM Previous frame information is used as theprior for the current frame Therefore it is possible to track cluster variations as well asdetect changes in the cluster number Our method was compared with a similar methodbased on DPM without any prior information Results showed that the proposed methodhas a better performance in terms of error rate Cluster variations were also trackedacceptably KeywordsSpike sorting Detection Feature extraction Clustering Bayesian inference Dirichletprocess Non stationary data
استاد راهنما :
بهزاد نظري، سعيد صدري
استاد مشاور :
ريحانه ريخته گران
