پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی

word
86
1 MB
32120
1393
کارشناسی ارشد
قیمت: ۱۱,۱۸۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی

    پایان نامه‌ی کارشناسی ارشد در رشته­ی

    مهندسی پزشکی

    چکیده

     

    بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم­های واسط کامپیوتری-مغزی

     

           سیستم ­های واسط کامپیوتری-مغزی سیستم­هایی هستند که می­توانند سیگنال­های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می­تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار بالایی مشکلات آن­ها در راستای ارتباط با محیط پیرامونشان را رفع کند. اما سیستم­های کنونی به علت نداشتن دقت بالای کافی برای همه افراد، هنوز نتوانسته­اند به صورت تجارتی وارد بازار شوند.

    در راستای بهبود دقت و عملکرد این سیستم­ها، به­صورت تجربی نشان داده شده که استفاده از روش "الگوی مکانی مشترک" برای استخراج ویژگی­های جدا کننده مناسب از سیگنال­های مغزی، روشی بهینه در سیستم­های واسط کامپیوتری-مغزی همگام است ولی هنوز دارای مشکلات و چالش­هایی می­باشد.  در این پژوهش دو راهکار برای اصلاح روش غیر خطی الگوی مکانی مشترک مطرح شده است: راهکار اول که شخصی سازی الگوریتم غبرخطی است، خود شامل دو روش ترکیبی جدید می­باشد. روش اول با افزودن اطلاعات فرکانسی-مکانی سیگنال به روش الگوی مکانی مشترک، منجر به بهبود عملکرد الگوریتم در راستای پیدا کردن ویژگی­های متمایز بهتری شده و بر مبنای همین ویژگی­ها، دقت کلاس­بندی داده­ها افزایش می­یابد. در روش دوم که به دو طریق مختلف پیاده­سازی شده، مقدار هم­فعالیتی دو به دوی همه کانال­ها به فرمولاسیون CSP تزریق می­شود و سپس مقادیر به دست آمده توسط یک تابع کرنل خطی، به فضای دیگری می­روند و در نهایت جداسازی بین تصورات حرکتی را بهبود می­بخشند.

    راهکار دوم، سازگار کردن الگوریتم با ورود داده جدید است که اینکار یکبار با تعریف تابع کرنلی با تعداد پارامترهای آزاد زیاد صورت گرفته است و بار دیگر با به روزرسانی ماتریس کوواریانس کرنلی شکل گرفته است که طبق نتایج به دست آمده، این راهکار از هر دو طریق با مشکلاتی همراه بوده و نتوانسته دقت تشخیص بالاتری را فراهم آورد. بنابراین باید در کارهای آینده اصلاحاتی بر روی آن­ها صورت گیرد

    مغز انسان و فعالیت­های آن

     

        از دیدگاه آناتومی و فیزیولوژی، سیستم عصبی و به خصوص مغز انسان به عنوان پردازشگر، تصمیم گیرنده و کنترل کننده اصلی تمامی رفتارهای انسان شناخته می­شود. می­توان گفت که سیستم مغز پیچیده­ترین و ناشناخته­ترین ارگان بدن انسان است زیرا که نحوه عملکرد آن در مباحثی چون یادگیری، حافظه، پردازش اطلاعات، ایجاد رابطه بین مفاهیم مختلف و غیره، تاکنون نیز به روشنی مشخص نگردیده است و جای سوال بسیاری برای دانشمندان جهان دارد. شناخت هرچه بیشتر نحوه عملکرد اجزا مختلف مغز می­تواند در رفع بسیاری از نارسایی­های عصبی، روانی، حسی و حرکتی بدن انسان کارآمد باشد و این واقعیت باعث توجه هرچه بیشتر دانشمندان به کاوش در چگونگی کارکرد مغز انسان در سال­های اخیر شده است.

        جهت پردازش سیگنال ­های مغزی ابتدا باید راهی برای دریافت آن­ها پیدا شود. نورون­ها، کوچک­ترین واحد پردازش داده در مغز هستند و ارتباط الکتریکی بین آن­ها اساس کارکرد مغز است [1]. ارتباط الکتریکی بین نورون­ها باعث ایجاد میدان­های الکتریکی و مغناطیسی و در نتیجه جریان­های الکتریکی در حجم مغز می­شود و اندازه­گیری این میدان­ها و جریان­ها یکی از راه­های ثبت فعالیت­های مغزی است. از جمله روش­های مورد استفاده در این حوزه می­توان از [1]EEG نام برد که در نوع غیر تهاجمی آن یک مجموعه از الکترودهای ثبت کننده سیگنال الکتریکی بر روی پوست سر قرار گرفته و سیگنال­های الکتریکی مغز در حین انجام یک فعالیت خاص ثبت می­گردد. در روشی دیگر موسوم به مگنتوانسفالوگرافی یا MEG[2] فعالیت­های مغناطیسی مغز به وسیله ثبت­کننده­های ابر رسانا که بر روی سر قرار گرفته­اند ثبت می­شود. اما اصولا دستگاه ثبت MEG بسیار گران قیمت بوده و دارای تکنولوژی بالایی است. علاوه بر روش­های ثبت فعالیت­های الکتریکی در مغز، روش­های دیگری نیز وجود دارند که به ثبت فعالیت­های متابولیکی در مغز می­پردازند. در واقع این روش­ها از شیوه­های مختلف تصویر برداری پزشکی همچون fMRI، PET، SPECT، و ... استفاده می­کنند و مشخص می­کنند که در هر لحظه کدام نقاط مغز با چه شدتی دارای فعالیت­های متابولیکی است. از مزایای روش­های تصویربرداری متابولیکی مغز می­توان به رزولوشن بالای مکانی و امکان مکان­یابی سه بعدی منابع فعالیت­های مغزی اشاره کرد. اما عمده این روش­ها بسیار گران قیمت بوده و همواره در دسترس نیستند.

     

     

    سیستم­ های واسط کامپیوتری مغزی

     

        چگونگی برقراری ارتباط بین مصنوعات هوشمند امروزی و مغز انسان یکی از چالش­های دانش مهندسی پزشکی است، و سیستم­های واسط مغزی-کامپیوتری یا [1]BCI به منظور برطرف ساختن این چالش گسترش یافته­اند. در واقع آن­ها سیستم­هایی هستند که توانایی جداسازی تصورات مغزی (مخصوصا تصور حرکات اندام بدن) و ترجمه آن­ها به دستورات قابل فهم توسط کامپیوتر را دارند. این قابلیت بر اساس سیگنال­های مغزی فرد می­تواند به بیمارانی همچون مبتلایان به نارسایی­های مغزی-نخاعی مانند ALS[2] و یا دیگر نارسایی­های حرکتی[3] کمک بسیاری کند [2،3]. زیرا که سیستم BCI، نوعی کانال ارتباطی­ای را برای این نوع بیماران فراهم می­آورد که به عصب­های محیطی و ماهیچه­ها وابسته نمی­باشد. به طور مثال در بیماری ALS نورون­های مربوط به حرکت ارادی به مرور زمان تحلیل رفته و فرد به تدریج قابلیت حرکت دادن اندام­های مختلف خود را از دست می­دهد. در مراحل ابتدایی این بیماری، مشکلاتی در حرکت دادن دست و پا، جویدن و بلعیدن غذا ایجاد می­شود و در مراحل پایانی آن، بیمار کاملا توانایی راه رفتن و استفاده از دست و پای خود را از دست می­دهد و عمل جویدن و بلعیدن برای او بسیار سخت شده به طوری که امکان خفه شدن بیمار به وجود می­آید. هم­چنین در این مرحله حتی تنفس شخص با مشکلاتی روبروست و فرد توانایی صحبت کردن نیز نخواهد داشت [4].

        هرچند در بیماری ALS، فرد توانایی حرکت دادن اندام خود را از دست می­دهد، این بیماری تاثیری روی قابلیت­های حسی (شنوایی، بویایی، بینایی، چشایی و لامسه) و هم­چنین فعالیت­های ذهنی فرد ندارد و بیمار توانایی تصور انجام حرکات مختلف را دارد. بنابراین اگر به کمک سیستم BCI از روی سیگنال­های مغزی بتوان معین کرد که بیمار تصور چه حرکتی را کرده، می­توان کمک­های شایانی به وی کرد. به این ترتیب، این قبیل بیماران و نیز بیماران معقول دیگری (که از نظر عقلی سالم هستند) که دچار نارسایی حرکتی هستند، می­توانند پروتزها و اندام­های مصنوعی و وسایل خارجی چون کلیدهای نور و غیره را توسط تصور حرکتی (MI)[4] کنترل کنند که این امر، توانایی شخصی فرد را به صورت وسیعی گسترش می­دهد.

        حرکت دادن عضوهای بدن در زندگی روزانه یک انسان سالم، یک امر کاملا معمول است. تحقیقات نشان داده است که وقتی یک عضو یک رویه[5] (مثل دست چپ) حرکت داده شود، دامنه Mu Rythm (9-13Hz) و Beta Rythm (18-22Hz) کورتکس حرکتی طرف دیگر مغز[6] به طور چشمگیری کاهش یافته، در صورتی که ریتم کورتکس حرکتی همان سمت مغز[7] به طور قابل توجهی افزایش می­یابد. علاوه بر این، وقتی شخصی انجام عملی را تصور می­کند (بدون اینکه آن عمل را انجام دهد)، همان ناحیه از موتور حرکتی مغز را فعال می­کند (و همان الگوی EEG را تولید می­کند) که، زمانی که واقعا آن عمل را انجام دهد [5]. در واقع عملکرد دستگاه­های واسط کامپیوتری-مغزی بر مبنای همین موضوع می­باشد و سیگنال­های تصور انجام حرکتی را برای بررسی مد نظر قرار می­دهد.

    Abstract

     

     

    Enhancement of Common Spatial Pattern Filtering Methods to Increase the Performance of Brain-Computer Interface Systems

     

     

    BY

     

    Tannaz hadiyan

     

     

        Brain Computer Interface (BCI) systems try to translate EEG changes which resulting from motor imageries, into the form of cursor or object movement on the screen. This ability can be worked for the sensory and motor neuropathy patients and help them communicating with their environment. Current BCI systems are still not commercialized duo to their insufficient accuracies.

        Although Common Spatial Pattern (CSP) is an effective method for BCI applications, it still has some challenges to get the best features of the EEG signals.

        This study aimed at modifying kernel CSP method (nonlinear CSP) in two different ideas: The first one is personalized kernel CSP which obtains two new compound methods. The first compound method combine the frequency-local information of the data to the CSP algorithm due to help finding more distinct features. In this way, accuracy of specification of the classifier is improved. In the second method, CSP is equipped with the co-activations of the channels. In other words, correlations values of the two by two channels belonging to each person, were incorporated to the kernel CSP algorithm in two different ways. Experimental results on a set of EEG signals reveal that the both proposed ways affect positively and outperformed the standard kernel CSP.

        The second mentioned idea is Adaptive kernel CSP. This idea is first be done by defining of a kernel function with some free parameters which can be set by cross validation. The other way which is considered to adapt the kernel CSP, is updating the kernel covariance matrix by the input data. In this way, tracking the changing characteristics of the input data is provided and it can help obtaining best features of the data but up to the results of these two last ways, these ways carry some problems and couldn’t provide more specification accuracy than the standard kernel CSP. Then, they should be modified in the future works.

  • فهرست و منابع پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی

    فهرست:

    فصل اول. مقدمه.......................................................................................................... 1

    1-1- مغز انسان و فعالیت­های آن ....................................................................................................................................2

    1-2- سیستم­های واسط کامپیوتری-مغزی .................................................................................................................3

    1-3- هدف اصلی این تحقیق ..........................................................................................................................................6

    1-3-1 شخصی­سازی کرنل CSP .......................................................................................................................... 7

          1-3-1-1 روش پیشنهادی FFT kernel CSP .....................................................................................7

          1-3-1-1روش پیشنهادی Nonlinear Synchronous kernel CSP ........................................7

    1-3-2 Adaptive Kernel CSP .................................................................................................................... 7

     

    فصل دوم. مروری بر تحقیقات گذشته..................................................................................................... 9

    2-1 مروری بر کارها و تحقیقات صورت گرفته پیشین ..............................................................................................10

     

    فصل سوم. روش تحقیق ...........................................................................................................................  14

    3-1 اصول نظری اولیه ...................................................................................................................................... 15

        3-1-1 CSP ............................................................................................................................................................ 15

        3-1-2 تبدیل فوریه ................................................................................................................................................ 19

        3-1-3 همزمانی ....................................................................................................................................................... 21

               3-1-3-1 همزمانی خطی ............................................................................................................................ 23

    3-2 ارایه برخی آنالیزها در مورد روش CSP ......................................................................................................... 24

        3-2-1 روش Kernel CSP ............................................................................................................................... 24

        3-2-2 روش پیشنهادی FFT Kernel CSP .............................................................................................  27

        3-2-3 روش پیشنهادی Nonlinear Synchronous Kernel CSP. .............................................. 27

               3-2-3-1 راهکار اول تزریق هم­فعالیتی بین کانال­ها ............................................................................ 27

               3-2-3-2 معرفی هم­فعالیتی تعمیم یافته و تزریق آن به فرمولاسیون CSP و kernel CSP ............. 28

        3-2-3 روش پیشنهادی Adaptive kernel CSP .................................................................................... 29

               3-2-3-1 فرمولاسیون KPC به صورت بازگشتی.................................................................................. 30

     

    فصل چهارم.  پیاده­سازی و ارزیابی نتایج ............................................................................................  36

    4-1 مجموعه داده­های مورد پردازش........................................................................................................... 37

    4-2 پیاده سازی الگوریتم­ها .......................................................................................................................  39

       4-2-1 الگوریتم دسته­بندی .................................................................................................................................... 40

       4-2-2 تابع کرنل ....................................................................................................................................................... 40

       4-2-3 انتخاب ویژگی و کلاس­بندی .................................................................................................................... 41

    4-3  ارزیابی نتایج ...................................................................................................................................... 42

        4-3-1 نتایج روش پیشنهادی FFT Kernel CSP ................................................................................... 43

        4-3-2 نتایج روش پیشنهادی Nonlinear Synchronous Kernel CSP .................................... 46

        4-3-3 نتایج روش پیشنهادی Adaptive Kernel CSP ........................................................................ 58

     

    فصل پنجم . جمع بندی و پیشنهادات آتی........................................................................................... 60

     

    فصل ششم . فهرست منابع .....................................................................................................................  64

     

    منبع:

     

    [1] G. J. Tortora and B. Derrickson, “Principles of Anatomy and Physiology”, USA: John Wiley & Sons.Inc, 2009.

     

    [2] B. Graimann, B. Allison and G. Pfurtscheller, “Brain Computer Interfaces, Revolutionary Human-Computer Interaction”, Springer, pp. 331-355, 2010.

     

    [3] J. Lehtonen, “EEG-based Brain Computer Interfaces”, In Partial Fulfillment of Requirement for the Degree of Master of Science. Helsinki University of Technology: Department of Electrical and Communications Engineering, 2002.

     

    [4] M. J. Aminoff, D. A. Greenberg and R. P. Simon, “Clinical Neurology”, Lang Medical Books/McGraw-Hill, New York, sixth edition, pp. 174, 2005.

     

    [5] M. Jeannerod, “Mental Imagery in the Motor Context”, Neuropsy and Chologia, J. Britain, vol.33, no. 11, pp. 1419-1432, 1995.

     

    [6] D. Fattahi, “Presenting a novel Method to Determine Spatial Distribution of the Brain Sources during different Imagery Movements”, Master’s thesis, 2012.

     

    [7] T. Al-Ani and D. Trad, “Signal Processing and classification approaches for Brain-Computer Interface”, Intelligent and Biosensors, book edited by Vernon S. Somerset, January 2010.

     

    [8] B. Scholkopf, A. J. Smola, “Learning with Kernels”, MIT Press, 2002.

     

    [9] B. Nasihatkon, “Design of a Classifier for Separation of Imagery Tasked in ALS Patients”, Master’s thesis, 2008.

     

    [10] B. Graimann, B. Allison and G Pfurtscheller, “Brain Computer Interface: A Gentle Introduction”, Springer Berlin Heidelberg, pp. 1-27, 2010.

     

    [11] N. Birbaumer, N. Ghanayim, T. Hinterberger, I. Iversoen, B. Kotchoubey, A. Kubler, J. Perelmouter, E. Taub and H. Flor, “A Spelling Device for the Paralysed”, Nature, 1999.

     

    [12] B. Blankert, G. Curio and K. Muller, “Classifying Single Trial EEG: Towards Brain Computer Interfacing”, In T. G. Diettrich, S. Becker and Z. Ghahrameni, editors, Advances in Neural Information Processing Systems 14. MIT Press, 2002.

     

    [13] K. Fukunaga and W. L. G. Koontz, “Application of the karhunen-love expansion to feature selection and ordering”, vol. C-19, no. 4, pp. 311-318, 1970.

     

    [14] J. Muller-Gerking, and G. Pfurtscheller, “Designing Optimal Spatial Filters for Single-Trial EEG Classification in a Movement Task”, IEEE”, Clinical Neurophysiology, vol. 110, no. 4, pp. 787-798, 1999.

     

    [15] B. Nasihatkon, R. Boostani and M. Zolghadri, “An Efficient Hybrid linear and Kernel CSP Approach for EEG Feature Extraction”, Neurocomputing, vol. 73, pp. 432-437, 2009.

     

    [16] S. Lemm, B. Blankertz, G. Curio, and K. R. Muller, “Spatio-Spectral Filters for Improved Classification of Single Trial EEG”, IEEE Trans. Biomed.Eng, vol. 52, pp. 1541-1548, 2005.

     

    [17] B. Nasihatkon, D. Fattahi and R. Boostani, “A General Framework to Estimate Spatial and Spatio-Spectral Filters for EEG Signal Classification”, Neurocomputing, vol. 119, pp. 165-174, 2013.

     

    [18] S. Sun and C. Zhang, “An Optimal Kernel Feature Extractor and its Application to EEG Signal Classification”, Neurocomputing, no. 69, pp. 1743-1748, 2006.

     

    [19] J. Zhang, J. Tang and L. Yao, “Optimizing Spatial Filters with Kernel Methods for BCI Application”, in: Remote Sensing and GIS Data Processing and Applications; and Innovative Multispectral Technology and Applications, Presented at the Society of Photo-Optical Instrumentation Engineers (SPIE) Conference, vol. 67903V, pp. 1-8, 2007.

     

    [20] B. Scholkopf, A. J. Smola, “Learning with Kernels”, MIT Press, 2002.

     

    [21] Y. Liu, Z. Zhao and D. Hu, “Large Scale Kernel CSP Algorithm for EEG Feature Extraction”, In Graz BCI Workshop, 2008.

     

    [22] B. Nasihatkon, R. Boostani and M. Zolghadri, “An Efficient Hybrid linear and Kernel CSP Approach for EEG Feature Extraction”, Neurocomputing, vol. 73, pp. 432-437, 2009.

     

    [23] Q. Zhao, T. M. Rutkoski, L. Zhang and A. Cichocki, “Generalized Optimal Spatial Filtering Using a Kernel Approach with Application to EEG Classification”, Cogn. Neurodyn, vol. 4, pp. 355-358, 2010.

     

    [24] H. Albalawi and X. Song, “ A Study of Kernel CSP-based Motor Imagery Brain Computer Interface Classification”, Signal Processing in Medicine and Biology Symposium (SPMB), 2012.

     

    [25] B. Nasihatkon, R. Boostani and M. Zolghadri, “An Efficient Hybrid linear and Kernel CSP Approach for EEG Feature Extraction”, Neurocomputing, vol. 73, pp. 432-437, 2009.

     

    [26] J. Lachaux, E. Rodriguez, J, Martinerie and F. Varela, “Measuring phase synchrony in brain signal”, Hum Brain Mapp, vol. 8, pp. 194-208,1999.

     

    [27] A. Y. Mutlu and S. Aviyente, “Multivariate Empirical Mode Decomposition for Quantifying Multivariate Phase Synchronization”, EURASIP Journal on Advances in Signal Processing, special issue on Recemt Advances in Theory and Methods for Nonstationary Signal Analysis, 2011.

     

    [28] C. M. Sweeney-Reed and S. J. Nasuto, “A novel approach to the detection of synchronization in EEG based on empirical mode decomposition”, J Comput Neurosci, vol, 23, pp. 79-111, 2007.

     

    [29] M. Rosenblum, A. Pikovsky, J. Kurths, C. Schafer and PA Tass, “Phase synchronization: from theory to data analysis”, Hand Book of Biological Physics, pp. 279-321, 2001.

     

    [30] V. Sakkalis, P. Xanthopoulos, E. Zervakis, V. Tsiaras, Y. Yang, K Karakonstantaki and S. Micheloyannis, “Assessmentt of linear and nonlinear synchronization measures for analysisng EEG in a mild spileptic paradigm”, IEEE Transactions on Information Technology in Biomedical, vol. 13, pp. 433-441, 2009.

     

    [31] T. Netoff and S. Schiff, “Decreased neuronal synchronization during experimental seizures”, J Neuroscience, vol. 22, pp. 7297-7307, 2002.

     

    [32] R Quain Quiroga, A Kraskov, T Kreuz and P Grassberger, “Performance of different synchronization measures in real data; a case study on electroencephalographic signals”, Physical Review E, vol. 65, 2002.

     

    [33] C. Carmeli, M.Knyazev, G. Innocenti and O. Feo, “Assessment of EEG synchronization based on state-space analysis”, Elsevier Inc NeuroImage, vol. 25, pp. 339-354, 2005.

     

    [34] F. Mormann, “Synchronization phenomena in human epileptic brain”, PhD thesis; Dissertation in Physics, University of Bonn, Germany, 2003.

     

    [35] F. Mormann, K. Lehnertz, P. David, C. Elger, “Mean phase coherence as a measure for phase synchronization and its application to the EEG of epilepsy patients”, Physica D, vol. 144, pp. 358-369, 2000.

     

    [36] R Quain Quiroga, A Kraskov, T Kreuz and P Grassberger, “Performance of different synchronization measures in real data; a case study on electroencephalographic signals”, Physical Review E, vol. 65, 2002.

     

    [37] B. Nasihatkon, “Design of a Classifier for Separation of Imagery Tasked in ALS Patients”, Master’s thesis, 2008.

     

    [38] M. Ding, Z. Tian and Haixia Xu, “Adaptive kernel principle component analysis”, Signal Processing, Elsivier, 2010.

     

    [39] M. Girolami, “Mercer kernel-based clustering in feature space”, IEEE Transactions, Neural Networks, vol. 13, pp. 780-784, 2002.

     

    [40] B. Obermaier, C. Neupar, C. Guger and G. Pfurtscheller, “Information Transfer Rate in a Five-Classes Brain-Computer Interface”, IEEE Trans. On Neural Systems and Rehabilitation Eng, vol. 9, no. 3, 2001.

     

    [41] http://www.bbci.de/competition/iii/desc_IIIa.html , 2015.

     

    [42] J. B. MacQueen, “Some methods for classification and Analysis of Multivariate Observations”, Proceedings of 5th Berekeley Symposium on Mathematical Statistics and Probability. University of California Press. pp. 281-297, 1967.

     

    [43] R. O. Duda, P. E. Hart and D. G. Stork, “Pattern classification”, Wiley-Interscience, 2001.

     

    [44] C. M. Jarque and A. K. Bera, “Efficient tests for Normality, homoscedasticity and serial independence of regression residuals”, Economics Letters, pp. 255-259, 1980.

     

    [45] http://en.wikipedia.org/wiki/Receiver_operating_characteristic, 2015.



تحقیق در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, مقاله در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, پروژه دانشجویی در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, پروپوزال در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, تز دکترا در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, تحقیقات دانشجویی درباره پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, مقالات دانشجویی درباره پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, پروژه درباره پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, گزارش سمینار در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, پروژه دانشجویی در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, تحقیق دانش آموزی در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, مقاله دانش آموزی در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی, رساله دکترا در مورد پایان نامه بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم های واسط کامپیوتری مغزی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس