شماره مدرك
20608
شماره راهنما
17723
پديد آورنده
رحمتي، محمدرضا
عنوان
تشخيص حروف در نوشتن با حركت چشم با استفاده از سيگنال الكترواكولوگرام
مقطع تحصيلي
كارشناسي ارشد
گرايش تحصيلي
بيوالكتريك
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع
1404
صفحه شمار
يازده، 66ص.
توصيفگر ها
الكترواكولوگرافي , اسكلروز جانبي آميوتروفيك , بازسازي فضاي فاز , يادگيري عميق
تاريخ ورود اطلاعات
1404/08/06
كتابنامه
كتابنامه
رشته تحصيلي
مهندسي پزشكي
دانشكده
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات
1404/08/07
كد ايرانداك
23177914
چكيده فارسي
اين پژوهش رويكرد نوآورانهاي را ارائه ميدهد كه از سيگنالهاي الكترواكولوگرام، سيگنالهاي بيوالكتريكي توليد شده توسط حركات چشم، براي افزايش كارايي ارتباطات و تشخيص حروف نوشته شده با حركت چشم، استفاده ميكند. با بهرهگيري از شبكههاي عصبي عميق، اين روش حركات پايهاي چشم را كه بهعنوان اجزاي سازندهي شكلگيري حروف عمل ميكنند، تشخيص ميدهد. سيگنالهاي الكترواكولوگرام به تصاويري تبديل ميشوند كه ويژگيهاي توپولوژيكي داده را ثبت ميكنند و سپس با استفاده از شبكههاي عصبي كانولوشني براي دستهبندي دقيق حركات پايه، پردازش ميشوند. روش پيشنهادي، دقتهاي بالايي در دستهبندي كاراكترها نشان داده است: 81/97٪ براي حروف با چهار حركت پايه، 54/91٪ براي حروف با سه حركت پايه، 52/84٪ براي حروف با دو حركت پايه و 44/85 % براي حروف با يك حركت پايه. با بهينهسازي تشخيص سيگنالهاي حركات چشم و اصلاح فرآيند ارتباطي، اين پژوهش يك چارچوب اميدواركننده را براي توسعهي فناوريهاي ارتباطي كمكي در حوزه رابطهاي مغز-رايانه به ويژه براي افراد مبتلا به اسكلروز جانبي آميوتروفيك فراهم ميكند.
چكيده انگليسي
This research presents an innovative approach utilizing Electrooculography (EOG) signals—bioelectric signals generated by eye movements—to enhance communication efficiency. Using deep neural networks (DNNs), the method detects fundamental eye strokes, which serve as the building blocks for character formation. EOG signals are transformed into images capturing topological data features and subsequently processed using convolutional neural networks (CNNs) for precise stroke classification.
The integrated system, combining neural network architectures with n-gram sequence, achieves high classification accuracies of 97.81%, 91.54%, 84.52%, and 85.44% for characters formed by four, three, two, and one strokes, respectively. By optimizing eye movement signal recognition and refining the communication process, this study provides a promising framework for advancing assistive communication technologies for individuals with amyotrophic lateral sclerosis (ALS).
استاد راهنما
جلال ذهبي
استاد مشاور
محمدحسين منشئي
استاد داور
احسان روحاني , امير اخوان بي تقصير