مشخصات مقاله | |
ترجمه عنوان مقاله | طبقه بندی سیگنال EEG و روش های استخراج ویژگی براساس یادگیری عمیق: یک بررسی |
عنوان انگلیسی مقاله | EEG Signal Classification and Feature Extraction Methods Based on Deep Learning: A Review |
نشریه | آی تریپل ای – IEEE |
سال انتشار | 2023 |
تعداد صفحات مقاله انگلیسی | 4 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
مقاله بیس | این مقاله بیس نمیباشد |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
فرضیه | ندارد |
مدل مفهومی | ندارد |
پرسشنامه | ندارد |
متغیر | ندارد |
رفرنس | دارد |
رشته های مرتبط | مهندسی پزشکی، کامپیوتر، فناوری اطلاعات |
گرایش های مرتبط | بیوالکتریک، هوش مصنوعی، شبکه های کامپیوتری |
نوع ارائه مقاله |
ژورنال |
مجله / کنفرانس | کنفرانس بین المللی درباره کلان داده ها، شبکه های کامپیوتری و اطلاعات – International Conference on Big Data, Information and Computer Network |
دانشگاه | Henan University, China |
کلمات کلیدی | الکتروانسفالوگرافی، استخراج ویژگی، یادگیری عمیق، شبکه عصبی پیچشی، طبقه بندی |
کلمات کلیدی انگلیسی | Electroencephalography; Feature extraction; Deep learning; Convolution neural network; Classification |
شناسه دیجیتال – doi |
https://doi.org/10.1109/BDICN58493.2023.00046 |
لینک سایت مرجع |
https://doi.org/10.1109/BDICN58493.2023.00046 |
کد محصول | e17505 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract I Introduction II Method and Achievements III Comparison and Discussion IV Conclusions References |
بخشی از متن مقاله: |
Abstract Electroencephalography (EEG), which tracks the brain waves that contain the brain’s neural activity, plays an essential role in detecting human motion and treating neurological diseases. In the Artificial Intelligence (AI) era, deep learning algorithms are widely used in human action recognition and classification. Various convolutional neural networks that process this signal are also being born. This paper provides a detailed survey of the application of deep learning to EEG signals and outlines the research process when classifying EEG signals. At the same time, this paper reviews the relevant research on the classification of human action EEG signals in recent years. Human motion signals usually use different deep learning algorithms and convolutional neural network architectures in the EEG signal analysis task. This article will discuss the advantages and challenges of each method in other studies. Finally, the paper discusses future directions for deep learning-based EEG signal classification. |