پردازش سیگنال مغزی با GPU
200,000 تومان
150,000 تومان
پرداخت و دریافت فایل
سیگنالهای مغز انسان،
سیگنالهای مغز انسان حاوی اطلاعات بسیار زیادی است. که رمز یابی و کشف آنها، کاربردهای فراوانی در زمینههای مختلف ازجمله تشخیص بیماریها، درمان بیماریها، حرکت دادن اندامهای مصنوعی، کنترل وسایل و بازیهای رایانهای توسط ذهن دارد. یکی از این کاربردها، نوروفیدبک است. نوروفیدبک، یک روش مکمل طب است که شخص، با استفاده از قدرت ذهن خود، به تقویت و بالا بردن توانایی مغز خود و خوددرمانی میپردازد.
جهت کشف این اطلاعات، نیاز به پردازش سیگنال های مغزی است. تا بتوان اطلاعات جاسازی شده در سیگنال ها را کشف و رمزگشایی کرد. پردازش سیگنال های مغزی، شامل مراحل اخذ سیگنال، پیش پردازش و پردازش است. به این گونه که ابتدا سیگنالها توسط دستگاه الکتروانسفالوگرافی(EEG).، دریافت و ثبت شده. و عملیات پیشپردازش جهت حذف نویزها و تقویت سیگنال روی آنها انجام میگیرد.
سپس عملیات پردازش شامل استخراج ویژگیها، انتخاب ویژگیها و طبقهبندی انجام میشود. به این صورت که با استفاده از تبدیلهای ریاضی، ویژگیهای موردنظر از سیگنال استخراج شده. و از بین آنهاویژگیهای مناسب انتخاب و طبقهبندی میشوند.
درنهایت، از این ویژگیها، برای اهداف مختلف استفاده میشود. یکی از مهمترین عناصر در عصر فناوری، عنصر زمان است. کاربران در زمینههای مختلف، به دنبال افزایش سرعت و کاهش زمان پاسخگویی سیستم هستند. درزمینه سیگنالهای مغزی نیز، عنصر زمان، از اهمیت بسیارزیادی برخوردار است. در میان مراحل پردازش سیگنال، مرحله پردازش، مهمترین مرحله است که نیاز به دقت و سرعت بالا دارد. در مرحله پردازش سیگنال، استخراج ویژگی ها، دارای بیشترین زمان پردازش است. بسته به نوع کاربرد، روشهای مختلفی جهت استخراج ویژگیها وجود دارد.
جداسازی امواج مغزی
درزمینه جداسازی امواج مغزی، یکی از پرکاربردترین روشها، تبدیل موجک گسسته db4 است. در این روش، سیگنال، به سطوح مختلف تجزیه شده و در هر سطح، یکی از امواج مغزی متناظر با باند فرکانسی آن سطح به دست میآید. با افزایش تعداد الکترودها و طول زمانی نمونهبرداری، حجم داده افزایش یافته و درنتیجه زمان پردازش آن روی CPU افزایش مییابد.
با انتقال داده ها به GPU و انجام محاسبات روی آنها، می توان عمل پردازش را به صورت همزمان، روی تمام الکترودها انجام داد. برای این منظور، این مرحله، روی CPU و GPUپیادهسازی گردید. نتایج نشان داد که اگر تعداد الکترودها و زمان دریافت سیگنال افزایش یابد، GPU بهتر از CPU عمل میکند. اما اگر حجم دادهها کم باشد، CPU بهتر از GPU عمل میکند.
این نتیجه به این دلیل است که برای انجام عملیات روی GPU، نیاز است تا دادهها از CPU به GPU منتقل شوند و پس از انجام محاسبات، دوباره به CPU بازگردند. اگر حجم داده کم باشد، زمان این انتقال، با زمان پردازش جمع شده و درنتیجه، زمان اجرا روی GPU بیشتر میشود.
فصل اول–کلیات تحقیق ۲
۱-۱ مقدمه ۲
۱-۲ مسئله پژوهش ۲
۱-۳ اهمیت وضرورت تحقیق ۲
۱-۴ ساختار پایان نامه ۳
فصل دوم – تعاریف اولیه ۵
۲-۱ مقدمه ۵
۲-۲ سیگنال های مغزی ۵
۲-۲-۱ سیگنال ۵
۲-۲-۲ کمیتهای سیگنال ۵
۲-۲-۳ انواع سیگنال از نظرماهیت ۶
۲-۲-۴ انواع سیگنال از نظرایستایی ۶
۲-۲-۵ پردازش سیگنال ۷
۲-۲-۶ پردازش سیگنالهای مغز ۷
۲-۲-۷ مغز ۷
۲-۲-۸ ساختار مغز ۸
۲-۲-۹ نورون ۱۰
۲-۲-۱۰ چگونگی انتقال اطلاعات بین نورونها ۱۱
۲-۲-۱۱ امواج مغزی ۱۲
۲-۲-۱۲ ویژگیهای سیگنالهای مغز ۱۳
۲-۲-۱۳ انواع امواج مغزی ۱۳
۲-۲-۱۴ فعالیتهای مغزی ریتمیک ۱۴
۲-۲-۱۵ کاربرد پردازش سیگنالهای مغزی ۲۰
۲-۲-۱۶ شرح یکی ازکاربردهای پردازش سیگنالهای مغز ۲۱
۲-۲-۱۷ نوروفیدبک ۲۲
۲-۲-۱۸ چگونگی درمان در نوروفیدبک ۲۲
۲-۲-۱۹ روش درمان با نوروفیدبک ۲۲
۲-۲-۲۰ نرمافزارهای پردازش کننده سیگنالهای مغز در نوروفیدبک ۲۵
۲-۲-۲۱ واسط کامپیوتر–مغز(BCI) ۲۷
۲-۲-۲۲ انواع واسطهای کامپیوتر–مغز(BCI) ۲۸
۲-۲-۲۳ انواع روشهای نمایش و ثبت فعالیتهای مغز ۲۸
۲-۲-۲۴ الکتروانسفالوگرافی(EEG) ۲۹
۲-۲-۲۵ تجهیزات دستگاه الکتروانسفالوگرافی(EEG) ۲۹
۲-۲-۲۶ روش کار بادستگاه الکتروانسفالوگرافی(EEG) ۳۰
۲-۲-۲۷ عملکرددستگاه الکتروانسفالوگرافی(EEG) ۳۱
۲-۲-۲۸ فیلترکردن سیگنال ۳۶
۲-۲-۲۹ انواع فیلترها ۳۶
۲-۲-۳۰ نحوه پیادهسازی فیلترها ۳۶
۲-۲-۳۱ حوزه های تحلیل سیگنال ۳۷
۲-۲-۳۲ تبدیل فوریه ۳۸
۲-۲-۳۳ تبدیل موجک گسسته ۳۹
۲-۲-۳۴ رویه تبدیل موجک گسسته ۴۰
۲-۳ مراحل پردازش سیگنالهای مغزی ۴۲
۲-۳-۱ اخذسیگنال ۴۴
۲-۳-۲ پیشپردازش ۴۵
۲-۳-۳ پردازش ۴۶
۲-۳-۴ استخراج ویژگیها ۴۷
۲-۳-۵ روشهای استخراج ویژگیها ۵۱
۲-۳-۶ انتخاب ویژگیها ۵۲
۲-۳-۷ طبقهبندی ویژگیها ۵۳
۲-۴ پردازش موازی وGPU ۵۴
۲-۴-۱ مراحل پردازشCUDA ۵۵
فصل سوم–پیشینه تحقیق ۵۸
۳-۱ چالش ۵۸
۳-۲ مقدمه ۵۸
۳-۳ پیشینه تحقیق ۵۸
فصل چهارم–پردازش سیگنالهای مغزی باGPU ۶۲
۴-۱ مقدمه ۶۲
۴-۲ پردازش موازی با GPU ۶۲
۴-۳ روش کار ۶۲
فصل پنجم–نتیجهگیری وپیشنهادها ۷۰
فهرست منابع ۷۲
پردازش سیگنال مغزی
استخراج ویژگی ها , پردازش موازی , سیگنال های مغزی , موجک گسسته , نوروفیدبک , کودا , feature extraction , paralell processing , brain signal , DWT , neurofeedback , cuda