This paper proposes a novel, robust

This paper proposes a novel, robust, and efficient Wavelet Neural Network (WNN) technique to remove EOG artifacts by combining the approximation capabilities of both wavelet and neural network methods. In WNN, EOG recordings are not required once the NN being trained and the WNN algorithm can perform artifact correction in a single channel data. The method (1) decomposes the contaminated EEG signals to a set of wavelet coefficients, (2) passes the coefficients located in low frequency wavelet sub-bands through a trained artificial neural network (ANN) for correction and (3) reconstructs a clean version of EEG signals based the corrected coefficients. We applied the method to EEG data contaminated by EOG artifacts and compared the results with those obtained by other state-of-the-art methods including ICA and a wavelet thresholding method.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอนวนิยาย แข็งแกร่ง และประสิทธิภาพเครือข่ายประสาทของ Wavelet (WNN) เทคนิคเอาสิ่งประดิษฐ์ EOG โดยรวมความประมาณของ wavelet และวิธีโครงข่ายประสาท ใน WNN, EOG บันทึกไม่ถูกต้องเมื่อเข้าฝึกอบรม NN และอัลกอริทึม WNN สามารถทำการแก้ไขสิ่งประดิษฐ์ข้อมูลช่องเดียว (1) วิธีการสลายตัวไปสัญญาณ eeg ตามเวลาจริงปนเปื้อนที่สัมประสิทธิ์ wavelet สัมประสิทธิ์อยู่ในแบนด์ย่อย wavelet ความถี่ต่ำผ่านการฝึกอบรมโครงข่ายประสาทเทียม (แอน) สำหรับการแก้ไขผ่าน (2) และ (3) reconstructs ทำ eeg ตามเวลาจริงรุ่นสะอาดสัญญาณใช้สัมประสิทธิ์แก้ไข เราใช้วิธีกับข้อมูล eeg ตามเวลาจริงที่ปนเปื้อน ด้วยสิ่งประดิษฐ์ EOG และเปรียบเทียบผลลัพธ์กับผู้รับ โดยวิธีการของศิลปะอื่น ๆ ICA และวิธีการ thresholding wavelet

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอนวนิยายที่แข็งแกร่งและเวฟโครงข่ายประสาทเทียม (WNN) เทคนิคที่มีประสิทธิภาพที่จะลบสิ่งประดิษฐ์ EOG โดยการรวมความสามารถของทั้งสองประมาณเวฟและวิธีเครือข่ายประสาท ใน WNN บันทึก EOG ไม่จำเป็นเมื่อ NN ได้รับการฝึกและขั้นตอนวิธีการ WNN สามารถดำเนินการแก้ไขสิ่งประดิษฐ์ในข้อมูลช่องทางเดียว วิธีการที่ (1) สลายตัวสัญญาณ EEG ปนเปื้อนถึงชุดของค่าสัมประสิทธิ์เวฟที่ (2) ผ่านสัมประสิทธิ์อยู่ในความถี่ต่ำเวฟย่อยวงดนตรีที่ผ่านการฝึกอบรมเครือข่ายประสาทเทียม (ANN) สำหรับการแก้ไขและ (3) reconstructs รุ่นที่สะอาด สัญญาณ EEG ตามค่าสัมประสิทธิ์การแก้ไข เราใช้วิธีการกับข้อมูล EEG ปนเปื้อนจากสิ่งประดิษฐ์ EOG และเปรียบเทียบผลกับผู้ที่ได้รับโดยวิธีการรัฐของศิลปะอื่น ๆ รวมทั้ง ICA และวิธีเวฟ thresholding

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอนวนิยายที่แข็งแกร่งและมีประสิทธิภาพเทคนิคโครงข่ายประสาท ( wnn ) เทคนิคการลบ eog สิ่งประดิษฐ์ โดยรวมการประมาณความสามารถของทั้งเทคนิคและวิธีโครงข่ายประสาท ใน wnn บันทึก eog ไม่จําเป็นต้องเมื่อ NN ถูกฝึกและ wnn อัลกอริทึมสามารถดําเนินการแก้ไขวัตถุในข้อมูลช่องเดียว วิธีการ ( 1 ) สลายตัวปนเปื้อน EEG สัญญาณไปยังชุดของสัมประสิทธิ์เวฟ ( 2 ) ผ่านแบบวงย่อยอยู่ในเวฟความถี่ต่ำผ่านการฝึกฝนโครงข่ายประสาทเทียม ( ANN ) สำหรับการแก้ไข และ ( 3 ) การฟื้นฟูรุ่นสะอาดของ EEG แก้ไขสัญญาณจากค่าสัมประสิทธิ์ เราใช้วิธีให้ข้อมูลการปนเปื้อนโดยสมอง eog สิ่งประดิษฐ์และเมื่อเทียบกับผลที่ได้โดยวิธีการอื่น ๆรวมถึงรัฐ - of - the - art ICA และปรับเทคนิควิธี