دسته بندی حملات صرعی با ویژگی آماری سیگنال الکتروانسفالوگرافی
ترجمه شده

دسته بندی حملات صرعی با ویژگی آماری سیگنال الکتروانسفالوگرافی

عنوان فارسی مقاله: دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی
عنوان انگلیسی مقاله: Epileptic Seizure Classification using Statistical Features of EEG Signal
مجله/کنفرانس: کنفرانس بین المللی مهندسی برق، کامپیوتر و ارتباطات - International Conference on Electrical
رشته های تحصیلی مرتبط: مهندسی پزشکی و پزشکی
گرایش های تحصیلی مرتبط: بیوالکتریک، پردازش تصاویر پزشکی و مغز و اعصاب
کلمات کلیدی فارسی: تبدیل موجک دیجیتال (DWT)، شبکه عصبی مصنوعی (ANN)، طبقه بندی تشنج صرعی، ویژگی های آماری، دوره متقابل، دوره ایکاتل، تشخیص صرع
کلمات کلیدی انگلیسی: Discrete wavelet transform (DWT) - artificical neural network (ANN) - epileptic seizure classification - statistical features - interictal period - ictal period - epilepsy detection
شناسه دیجیتال (DOI): https://doi.org/10.1109/ECACE.2017.7912923
دانشگاه: دانشکده مهندسی پزشکی، دانشگاه مهندسی و فناوری Khulna، بنگلادش
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: کنفرانس
نوع مقاله: ISI
سال انتشار مقاله: 2017
صفحات مقاله انگلیسی: 5
صفحات ترجمه فارسی: 12
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: خیر
کد محصول: 8178
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


2. مواد و روش‌ها


الف) جمع آوری و توصیف داده


ب) فلوچارت تجربی


پ) استخراج بردار ویژگی با استفاده از تبدیل موجک گسسته


ت) طراحی شبکه عصبی جهت طبقه‌بندی سیگنال


3. نتایج


الف) نتایج تجزیه تبدیل موجک گسسته و استخراج ویژگی


ب) طراحی شبکه عصبی برای طبقه‌بندی


پ) نقشه‌های رگرسیون


4. بحث


5. نتیجه‌گیری

فهرست انگلیسی مطالب

Abstract


I. INTRODUCTION 


II. MATERIALS AND METHODS


A. Data Collection and Description 


B. Experimental Flowchart 


C. Feature Vectors Extraction using DWT 


D. NN Design for Classification 


III. RESULTS


A. DWT decomposition and feature collection results 


B. NN design for classification 


C. Regression plots 


IV. DISCUSSION


V. CONCLUSION

نمونه ترجمه فارسی مقاله

چکیده


تشخیص صرع زمان‌بر بوده و نیاز به مشاهدات کامل برای تعیین نوع صرع و تعیین منطقه‌ای از قشر مغز است که با شروع حمله مرتبط می‌باشد. این مقاله یک روش بدون‌درد طبقه‌بندی صرع، برای تشخیص مستقیم صرع ارائه می‌دهد و صحت طبقه‌بندی سیگنال الکتروانسفالوگرافی چند دسته‌ای را در حین حمله صرعی بررسی می‌کند. برای انجام تحقیقات ما از جعبه‌ابزارDWT  در نرم‌افزار ‌ MATLABاستفاده می‌کنیم تا ویژگی‌های معتبر در بردارهای ویژگی را به‌دست آوریم. پس‌ازآن، بردارهای ویژگی وارد لایه ورودی طبقه‌بندی‌کننده شبکه عصبی شده تا تفاوت میان دوره‌هایی که در آن‌ها سیگنال الکتروانسفالوگرافی نرمال، نشان‌دهنده حمله و بین حملات است را مشخص کند. نرخ صحت، بر اساس ماتریس اغتشاش محاسبه می‌شود. روش پیشنهادی، جهت نظارت و تشخیص نوع صرع به همراه سیستم اعلام خطر قابل استفاده است.


1. مقدمه


مغز انسان ساختاری پیچیده است و در میان بیماری‌های عصبی گوناگون، صرع پس از سکته مغزی، در جایگاه دوم قرار دارد که حدود 50 میلیون نفر در سراسر جهان از این بیماری رنج می‌برند. تخلیه الکتریکی مغزی به صورت گذرا، ناگهانی و نامنظم، نشان دهنده صرع است که باعث لزش اندام بیمار و عدم آگاهی وی می‌شود. بسته به منطقه سلول‌های عصبی آسیب دیده قشر مغز، صرع به‌طور کلی به دو نوع حملات صرعی جزئی و عمومی طبقه‌بندی می‌شود.

نمونه متن انگلیسی مقاله

Abstract


Epilepsy detection is enough time consuming and requires thorough observation to determine epilepsy type and locate the responsible area of the cerebral cortex. This paper proposes an effortless epilepsy classification method for straightforward epilepsy detection and investigates the classification accuracy of multiclass EEG signal during epilepsy. To accomplish our research work we exploit DWT MATLAB toolbox to obtain responsible features to accumulate feature vectors. Afterwards feature vectors are given in the input layer of the NN classifiers to differentiate normal, interictal and ictal EEG periods. Accuracy rate is calculated based on the confusion matrix. Proposed method can be utilized to monitor and detect epilepsy type incorporating with alarm system.


I. INTRODUCTION


Human brain is a complex structure engineered and among innumerable neurological disease, epilepsy holds the second place after stroke where 50 million people suffer globally [1]. Temporal, sudden and irregular cerebral electrical discharge characterizes epilepsy that compelled patient to shake their extremities and lose consciousness. Depending on the affected neuron cell area of the cortex, epilepsy categorized as partial and generalized epileptic seizures [2]. It is crucial to differentiate the normal EEG period, interictal EEG period and ictal EEG period signal to classify the types of epileptic seizures. Interictal period is EEG signal during a seizure-free interval of an epileptic subject and ictal period is EEG signal during a seizure of an epileptic subject.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۸,۲۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

دسته بندی حملات صرعی با ویژگی آماری سیگنال الکتروانسفالوگرافی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
پیوندها