چکیده : تشخیص خودکار سطح هوشیاری میتواند کمک شایانی به افرادی که کارهای یکنواخت و خستهکننده
انجام میدهند بنماید . به همین منظور محققین از سیگنالهای حیاتی بدن به عنوان یک روش معتبر برای
یک سیگنال غیرایستان است، اما با توجه به ،EEG تشخیص هوشیاری در تحقیقاتشان استفاده میکنند . سیگنال
این موضوع روش مرسوم برای تحلیل این سیگنال استفاده از تحلیل مبتنی بر تبدیل فوریه است که موفقیت بالایی
با استفاده از تبدیل ویولت و EEG در شناسائی سطح هوشیاری ندارد. این تحقیق از یک روش جدید برای آنالیز
به زیرباندهای فرکانسی با استفاده از تبدیل EEG استفاده کرده است. سیگنال ANN طبقهبندیکننده مبتنی بر
ویولت تجزیه میشود و یک مجموعه ویژگی آماری از این زیر باندها استخراج میشود. سپس این ویژگیهای آماری
با سه خروجی مجزا : هوشیار ، خواب آلود و خواب استفاده می شود. درصد صحت ANN به عنوان ورودی برای یک
بدست آمده در شبکه عصبی طراحی شده در حدود 88 درصد بوده است. که با اعمال روش هایی امکان بالا بردن این
صحت نیز وجود دارد.
انجام میدهند بنماید . به همین منظور محققین از سیگنالهای حیاتی بدن به عنوان یک روش معتبر برای
یک سیگنال غیرایستان است، اما با توجه به ،EEG تشخیص هوشیاری در تحقیقاتشان استفاده میکنند . سیگنال
این موضوع روش مرسوم برای تحلیل این سیگنال استفاده از تحلیل مبتنی بر تبدیل فوریه است که موفقیت بالایی
با استفاده از تبدیل ویولت و EEG در شناسائی سطح هوشیاری ندارد. این تحقیق از یک روش جدید برای آنالیز
به زیرباندهای فرکانسی با استفاده از تبدیل EEG استفاده کرده است. سیگنال ANN طبقهبندیکننده مبتنی بر
ویولت تجزیه میشود و یک مجموعه ویژگی آماری از این زیر باندها استخراج میشود. سپس این ویژگیهای آماری
با سه خروجی مجزا : هوشیار ، خواب آلود و خواب استفاده می شود. درصد صحت ANN به عنوان ورودی برای یک
بدست آمده در شبکه عصبی طراحی شده در حدود 88 درصد بوده است. که با اعمال روش هایی امکان بالا بردن این
صحت نیز وجود دارد.
تشخیص خودکار سطح هوشیاری با استفاده از شبکه عصبی مصنوعی و ضرایب ویولت
