Since that electroencephalogram (EE

Since that electroencephalogram (EEG) signals
contains vital information about brain health for better
diagnosis analyzing EEG signals is important.
'
This paper
developed new classifier architecture using combined neural
network (NN)-wavelet transformer (WT) and statistical methods
to classification EEG signals. For increasing the accuracy and
speed of classification, the exact classes are determined using
WARD multivariate statistical methods and dendogram graph.
Then discrete WT (DWT) and wavelet packet (WP) coefficients
of EEG signals are applied to training of NN separately. For
determining the effect of NN training method in results two
different supervised and unsupervised NN is selected: multilayer
perceptron (MLP) and learning vector quantization (LVQ).
Classification accuracy of LVQ-WT, LVQ-WP and MLP-WT
methods is 95.67%, 97% and 98.67% respectively that show good
ability ofMLP-WT in classification.

ผลลัพธ์ (ไทย) 1:

เนื่องจากสัญญาณที่ electroencephalogram (EEG)ประกอบด้วยข้อมูลสำคัญเกี่ยวกับสุขภาพสมองดีกว่าการวินิจฉัยวิเคราะห์ EEG สัญญาณเป็นสิ่งสำคัญ'กระดาษนี้พัฒนาใหม่ classifier สถาปัตยกรรมใช้รวมประสาทเครือข่าย (NN) -wavelet หม้อแปลง (WT) และวิธีการทางสถิติการจัดประเภท EEG สัญญาณ สำหรับการเพิ่มความถูกต้อง และความเร็วของการแบ่งประเภท เรียนแน่นอนจะถูกกำหนดโดยใช้วิธีทางสถิติตัวแปรพหุ WARD และกราฟ dendogramแล้วแยกกัน WT (DWT) และ wavelet แพคเก็ต (WP) ค่าสัมประสิทธิ์ของ EEG สัญญาณจะใช้การฝึกอบรมของ NN แยกต่างหาก สำหรับกำหนดผลของวิธีการฝึกอบรม NN ในผลลัพธ์สองแบบมีผู้สอนแตกต่างกัน และเลือก unsupervised NN: multilayerเพอร์เซปตรอน (MLP) และเวกเตอร์ quantization (LVQ) การเรียนรู้ความถูกต้องประเภทของ LVQ WT, LVQ WP และ MLP-WTวิธีเป็น 95.67%, 97% และ 98.67% ตามลำดับที่แสดงดีความสามารถในการ ofMLP-WT ในประเภท

ผลลัพธ์ (ไทย) 2:

นับได้ว่าอิเล็คโทร (EEG) สัญญาณมีข้อมูลที่สำคัญเกี่ยวกับสุขภาพสมองให้ดีขึ้นการวินิจฉัยการวิเคราะห์สัญญาณคลื่นไฟฟ้าสมองเป็นสิ่งสำคัญ. 'กระดาษนี้จะพัฒนาสถาปัตยกรรมลักษณนามใหม่โดยใช้ประสาทรวมเครือข่าย(NN) หม้อแปลง -wavelet (น้ำหนัก) และวิธีการทางสถิติเพื่อการจำแนกสัญญาณEEG สำหรับการเพิ่มความถูกต้องและความรวดเร็วในการจัดหมวดหมู่เรียนที่แน่นอนจะถูกกำหนดโดยใช้วิธีการทางสถิติWARD หลายตัวแปรและกราฟ dendogram. จากนั้นต่อเนื่อง WT (DWT) และแพ็คเก็ตเวฟ (WP) ค่าสัมประสิทธิ์ของสัญญาณEEG จะนำไปใช้ในการฝึกอบรมของ NN แยกต่างหาก สำหรับการกำหนดผลของวิธีการฝึกอบรม NN ในผลสองภายใต้การดูแลและใกล้ชิดที่แตกต่างกันNN เลือก: หลาย. ตรอน (MLP) และการเรียนรู้เวกเตอร์ (LVQ) ความถูกต้องของการจำแนกประเภทของ LVQ-WT, LVQ-WP และ MLP-WT วิธีเป็น 95.67% , 97% และ 98.67% ตามลำดับที่แสดงที่ดีความสามารถofMLP-WT ในการจำแนก

ผลลัพธ์ (ไทย) 3:

เนื่องจากคลื่นสัญญาณ
( EEG ) ประกอบด้วยข้อมูลสำคัญเกี่ยวกับสุขภาพสมองดี
วินิจฉัยวิเคราะห์สัญญาณคลื่นสมอง เป็นสำคัญ .
'

กระดาษนี้พัฒนาใหม่โดยใช้เครือข่ายประสาทแบบสถาปัตยกรรมรวม
( NN ) - แปลงเวฟเล็ต ( WT ) และวิธีทางสถิติ
การจำแนกประเภท EEG สัญญาณ เพื่อเพิ่มความถูกต้องและ
ความเร็วของการจัดหมวดหมู่เรียนที่แน่นอนมุ่งมั่นใช้ multivariate สถิติ dendogram
Ward และกราฟ .
แล้ว WT ไม่ต่อเนื่อง ( DWT ) และเวฟเล็ตแพ็กเก็ต ( WP ) สัมประสิทธิ์
สัญญาณ EEG จะใช้ฝึกอบรม nn ต่างหาก สำหรับ
กำหนดผลของวิธีการฝึกอบรม nn ผลสอง
ต่างๆดูแลและ unsupervised nn เลือก Multilayer
:PERCEPTRON ( MLP ) และการเรียนรู้ quantization เวกเตอร์ ( lvq ) .
ความแม่นยำในการจำแนกของ lvq-wt lvq-wp , และวิธีการ mlp-wt
คือ 95.67 97 และ 98.67 ตามลำดับที่แสดงความสามารถดี
ofmlp WT ในการจำแนก