سمینار تشخیص بیماری صرع با استفاده از EEG با فرمت ورد

سمینار تشخیص بیماری صرع با استفاده از  EEG با فرمت ورد مقدمه : صرع یک بیماری نرولوژیکی است که میلیون ها نفر را در جهان گرفتار ساخته است و علت آن را نقص در فعالیت الکتریکی سلول های مغزی به دلیل افزایش تحریک پذیری سلول های عصبی می دانند (۱). در نوار مغزی این بیماران الگوهای غیر طبیعی دیده می شود. این وضعیت ممکن است در یک موضع مغز رخ دهد که آن را حملات موضعی[1] می نامند. اگر اثرات حمله در تمام کانال های EEG مشخص باشد به آن حملات فراگیر[2] می گویند. صرع های پتی مال و گرندمال از این نوع می باشد (۲). یکی از ساده ترین راه های غیر تهاجمی[3] تشخیص آن ثبت تغییرات پتانسیل الکتریکی از روی اسکالپ به وسیله دستگاه الکتروآنسفالوگراف با دقت زمانی میلی ثانیه می باشد(۱). به دلیل تغییرات فرکانس سیگنال ها EEG در طول زمان و ماهیت غیر قابل پیش بینی آن (به این معنی که نمی توان تکرار الگوها یا رفتار خاصی را به صورت تناوبی انتظار داشت) باعث شده که سیگنال شرایط غیر ایستا[4] داشته باشد. به این علت پیشنهاد استفاده از آنالیزهای غیرخطی همانند شبکه های عصبی مصنوعی و تبدیل ویولت بسیار مناسب می باشد(۳) ...

سمینار تشخیص بیماری صرع با استفاده از EEG با فرمت ورد

سمینار تشخیص بیماری صرع با استفاده از  EEG با فرمت ورد مقدمه : صرع یک بیماری نرولوژیکی است که میلیون ها نفر را در جهان گرفتار ساخته است و علت آن را نقص در فعالیت الکتریکی سلول های مغزی به دلیل افزایش تحریک پذیری سلول های عصبی می دانند (۱). در نوار مغزی این بیماران الگوهای غیر طبیعی دیده می شود. این وضعیت ممکن است در یک موضع مغز رخ دهد که آن را حملات موضعی[1] می نامند. اگر اثرات حمله در تمام کانال های EEG مشخص باشد به آن حملات فراگیر[2] می گویند. صرع های پتی مال و گرندمال از این نوع می باشد (۲). یکی از ساده ترین راه های غیر تهاجمی[3] تشخیص آن ثبت تغییرات پتانسیل الکتریکی از روی اسکالپ به وسیله دستگاه الکتروآنسفالوگراف با دقت زمانی میلی ثانیه می باشد(۱). به دلیل تغییرات فرکانس سیگنال ها EEG در طول زمان و ماهیت غیر قابل پیش بینی آن (به این معنی که نمی توان تکرار الگوها یا رفتار خاصی را به صورت تناوبی انتظار داشت) باعث شده که سیگنال شرایط غیر ایستا[4] داشته باشد. به این علت پیشنهاد استفاده از آنالیزهای غیرخطی همانند شبکه های عصبی مصنوعی و تبدیل ویولت بسیار مناسب می باشد(۳) ...

سمینار تشخیص بیماری صرع با استفاده از EEG با فرمت ورد

سمینار تشخیص بیماری صرع با استفاده از  EEG با فرمت ورد مقدمه : صرع یک بیماری نرولوژیکی است که میلیون ها نفر را در جهان گرفتار ساخته است و علت آن را نقص در فعالیت الکتریکی سلول های مغزی به دلیل افزایش تحریک پذیری سلول های عصبی می دانند (۱). در نوار مغزی این بیماران الگوهای غیر طبیعی دیده می شود. این وضعیت ممکن است در یک موضع مغز رخ دهد که آن را حملات موضعی[1] می نامند. اگر اثرات حمله در تمام کانال های EEG مشخص باشد به آن حملات فراگیر[2] می گویند. صرع های پتی مال و گرندمال از این نوع می باشد (۲). یکی از ساده ترین راه های غیر تهاجمی[3] تشخیص آن ثبت تغییرات پتانسیل الکتریکی از روی اسکالپ به وسیله دستگاه الکتروآنسفالوگراف با دقت زمانی میلی ثانیه می باشد(۱). به دلیل تغییرات فرکانس سیگنال ها EEG در طول زمان و ماهیت غیر قابل پیش بینی آن (به این معنی که نمی توان تکرار الگوها یا رفتار خاصی را به صورت تناوبی انتظار داشت) باعث شده که سیگنال شرایط غیر ایستا[4] داشته باشد. به این علت پیشنهاد استفاده از آنالیزهای غیرخطی همانند شبکه های عصبی مصنوعی و تبدیل ویولت بسیار مناسب می باشد(۳) ...

کاربرد روش های هوشمند در مهندسی معدن

دانلود جزوه کامل درس کاربرد روش های هوشمند ( فازی، شبکه های عصبی، الگوریتم ژنتیک ) در مهندسی معدن اهداف درس: معرفی هوش مصنوعی و آشنایی با مفاهیم تئوری آن آشنایی با تئوری و ساختار روش های هوشمند (فازی، عصبی، ژنتیک و ...) آشنایی با کاربردهای روش های هوشمند در مهندسی معدن آشنایی با مدلسازی و نحوه ران کردن مدل های هوشمند در محیط نرم افزار MATLAB  و نرم افزارهای مربوطه  سرفصل ها: فصل اول - هوش مصنوعیفصل دوم - شبکه های عصبی مصنوعیفصل سوم - منطق فازی و سیستم های فازیفصل چهارم - نرو فازی (ANFIS)فصل پنجم – الگوریتم ژنتیک با توجه به اینکه اسم درس ”کاربرد روشهای هوشمند “ است لذا در این درس بیشتر به معرفی روش های هوشمند مورد نظر (فازی، عصبی، ژنتیک)، کاربردهای آن و نحوه مدلسازی و طراحی آنها پرداخته می شود تا اینکه به مبانی و فلسفه هوش مصنوعی پرداخته شود. در زمینه کاربردها هم سعی بر ارائه مثال هایی از کاربرد روش های هوشمند در زمینه های مختلف مهندسی معدن می باشد. هوش مصنوعی، شاخه ای از علم کامپیوتر است و در واقع تلفیقی از سه فناوری و گرایش مطرح یعنی شبکه ...

پاورپوینت با موضوع حرکت ساکادیک چشم مدل سازی یادگیری مخچه ای با شبکه های عصبی مصنوعی

لینک دانلود و خرید پایین توضیحات دسته بندی : پاورپوینت نوع فایل : .ppt ( قابل ویرایش و آماده پرینت ) تعداد اسلاید : 22 اسلاید قسمتی از متن .ppt :         حرکت ساکادیک چشم  مدل سازی یادگیری مخچه ای با شبکه های عصبی مصنوعی چرا مطالعه حرکات چشم ارزشمند است؟ کاربردهای مطالعه حرکات چشم بررسی نحوه عملکرد مغز شناسایی محل آسیب دیدگی و بیماری آزمایش روشهای درمانی جدید مزایای مطالعه حرکات چشم   حرکات چشم به صورت عمده تنها به گردش کره چشم محدود می شوند و جابجایی خطی آنها ناچیز است.    ماهیچه های چشم، کره چشم را در مقابل یک بار مکانیکی بدون تغییر حرکت می دهند.    انواع مختلف حرکات چشم می توانند بر اساس فاکتورهای گوناگون ، از یکدیگر تشخیص داده شوند    حرکات چشم همواره برای مشاهده و بررسی سیستمی  در دسترس هستند. ...

شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی

فایل دانلودی حاوی یک فایل پاورپوینتی قابل ویرایش در 86 اسلاید به صورت متنی همراه با عکس میباشد.
فهرست فایل دانلودی:
مقدمه
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
مسائل مناسب برای یادگیری شبکه های عصبی
الهام از طبیعت
Perceptron
توانائی پرسپترون
توابعی که پرسپترون قادر به یادگیری آنها میباشد
توابع بولی و پرسپترون
اضافه کردن بایاس
آموزش پرسپترون
قانون پرسپترون
الگوریتم gradient descent
بدست آوردن قانون gradient descent
محاسبه گرادیان
خلاصه یادگیری قانون دلتا
مشکلات روش gradient descent
تقریب افزایشی gradient descent
مقایسه آموزش یکجا و افزایشی
شبکه های چند لایه
یک سلول واحد
تابع سیگموئید
الگوریتم Back propagation
الگوریتم Back propagation
الگوریتم BP
شرط خاتمه
مرور الگوریتم BP
افزودن ممنتم
قدرت نمایش توابع
فضای فرضیه و بایاس استقرا
قدرت نمایش لایه پنهان
قدرت نمایش لایه پنهان
قدرت تعمیم و overfitting
دلایل رخ دادن overfitting
مثال: تشخیص ارقام
روشی که وزنها یاد گرفته میشوند
شبکه چه چیزی را یاد میگیرد؟
مثالی از تنوع ارقام دستنویس
انواع اتصالات شبکه
انواع مختلف یادگیری
اعمال Backpropagation به تشخیص اشیا

مقدمه:

lشبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد.

lیادگیری شبکه عصبی در برابر خطاهای  داده های آموزشی مصون بوده  و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسائی گفتار،  شناسائی و  تعبیر تصاویر،  و یادگیری روبات  اعمال شده است.