پروژه استخراج ویژگی از سیگنالهای eeg وآموزش شبکه عصبی طبقه بتدی کننده(mlp و rbf) دیتای آموش و بدست اوردن برچسب داده های تست در محیط متلب

---

شرح پروژه

پروژه درنطر گرفته شده، مربوط به استخراج ویژگی و آموزش یک طبقه بند(هم mlp و هم rbf  یعنی از هردو)  و پیش بینی برچسب داده های آزمون براساس آن می باشد. شرح پروژه بطور کامل در فایل پی در اف آمده ولی بطور خلاصه میتوان گفت: دیتای آموزشی 316 تاست که در هر نمونه آموزشی از 28 کانال مغزی سیگنال های EEG ثبت شده است. و دیتای آزمونی که میخواهیم برچسب آنها را بیابیم 100تاست که لیبل آنها را نداریم ومیخواهیم از روی این سیگنالهای آموزشی شبکه را آموزش دهیم و متوجه شویم شخص قصد فشردن صفحه کلید با دست چپ یا راست را دارد.این سیگنالها به طول 500 میلی ثانیه هستند و 130 ثانیه قبل از فشردن کلید تمام میشوند و در حقیقت میخواهییم قصد شخص را پیش بینی کنیم.فرکانس نمونه برداری 100 هرتز و تعداد نمونه ها 50 تاست. میتوان از روی این 28 سیگنال هر نمونه ویژگی های زیادی را استخراج کرد اما باید موثرها را با معیار فیشر که ویژگیهایی که جداکننده خوبی برای کلاسها هستند(همانگونه که در فایل آمده) را انتخاب کرد.ماکزیمم ویژگی های موثر تا ماکزیمم 30 تاست. ولی هر چقدر کمتر باشد و طبقه بند درست کار کند مناسبتر است.مثلا باند های فرکانسی سیگنالهای مغزی(آلفا، گاما،..) برای هرکانال 7تاست. و چون 28 تا سیگنال داریم، 28*7 ویژگی مربوط به انرژی باندی برای هر نمونه میتوان انتخاب کرد که همه آنها موثر نیست.ویژگیهایی که تست شده که میتواند موثر باشد:meanfreq/medfreq/obw/powerbands(alpha, betha,…)/skewness/kurtosis/var 

میانگین سیگنالها قطعا موثر نیست.بعضی از همین  تعداد 8 یا 9 ویژگی بالا نیز توانسته اند جواب بگیرند.

پروژه دو فاز دارد.که در  فاز اول باید ویژگیهای موثر را بامعیار فیشر یا هر معیار معروف دیگری انتخاب کرد ولی در فاز دوم باید ویژگی های موثر را با الگوریتم های تکاملی یافت.

یعنی در فاز اول: فاز اول باید ویژگیهای موثر را بامعیار فیشر یا هر معیار معروف دیگری انتخاب کنیم.يك شبكه MLPطراحي كنيم و با استفاده از دسته ويژگيهاي مختلف، آن را آموزش دهیم و ميانگين صحت طبقه بندي كننده را با استفاده از روش 5-fold cross-validation محاسبه كنيم(محاسبه با 5fold cross validation اجباری است). با تغيير تعداد لايه ها، تعداد نورونها در هر لايه، تابع فعالسازي نورونها و تغييردسته ويژگيهاي انتخاب شده سعي كنيم بهترين شبكه MLPرا كه ميتوانيم طراحي كنيم. (تعداد لایه های پنهان بیش از سه نشود).همین کار را با rbf نرمال انجام دهیم و پارامترهای MN و Spread را تغییر دهیم و بهترین و ساده ترین را بیابیم. يك گزارش جامع اما مختصرتهيه كنيم و در مورد نتايج هر بخش به اختصار توضيح دهيم. در اين گزارش بهترين شبكه طراحي شده در قسمت های قبل را ارائه دهيم و بهترين ويژگيهاي انتخاب شده را نيز معرفي كنيم. همچنين نتايج قسمتها را با يكديگر مقايسه كنيم. بهترين شبكههاي MLPو RBFبه دست آمده را بر داده هاي آزمون اعمال كرده و برچسبهاي متناظر را تعيين كنيم.

فاز دو: براي انتخاب دسته ويژگيهاي مؤثر از بين ويژگيهاي استخراج شده از الگوريتمهاي تكاملي/الگوريتمهاي هوش ازدحامي استفاده كنيم مثل (ACO/PSO/PBIL/الگوریتم تکاملی  و...) یا هر روش ابتکاری دیگر ولی مبتنی بر جمعیت.در این الگوریتمها براي تعريف تابع سازگاري مناسب ميتوانيم از معيارصحت طبقه بندي يا هر معيار مناسب ديگري استفاده كنيم. طبقه بندي كنندههاي MLPو RBFرا با استفاده از دسته ويژگيهاي انتخاب شده آموزش دهيم. بهترين شبكه هاي  MLPو  RBFبه دست آمده را بر داده هاي آزمون اعمال كرده وبرچسبهاي متناظر را تعيين كنيد.

برای جزییات حتما فایل پی دی اف بطور کامل مشاهده شود. دیتای آموزش و تست هم ضمیمه خواهد شد.کد نوشته  شده حتما کامنت گذاری شود و قسمتهای مختلف آن واضح باشد.

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---