ترجمه مقاله بهینه ‌سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با GA - نشریه IEEE

قیمت خرید این محصول

۴۱,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

بهینه ‌سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با استفاده از الگوریتم ژنتیک

عنوان انگلیسی

Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

صفحات مقاله فارسی

23

صفحات مقاله انگلیسی

8

سال انتشار

2017

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

8189

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی پزشکی و پزشکی

گرایش های مرتبط با این مقاله

بیوالکتریک، پردازش تصاویر پزشکی و مغز و اعصاب

مجله

محاسبات تکاملی - Evolutionary Computation

دانشگاه

بخش علوم کامپیوتر، دانشگاه کارلوس، مادرید

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
مقدمه
زمینه پزشکی
پژوهش‌های مربوطه
روش شناسی
الف) فیلتر کردن
ب) بخش‌بندی
پ) محاسبه انرژی
ت) آستانه‌گذاری
ث) گروه‌بندی
ج) اجتماع کانال‌ها
بهینه‌سازی ژنتیک
الف) حساسیت پارامترها
ب) رمزگذاری
پ) اپراتورهای ژنتیک
ت) تابع ارزیاب
ارزیابی
(الف) داده
ب) تنظیمات تجربی
پ) بحث و نتیجه‌گیری
نتیجه‌گیری و مطالعات آتی
قدردانی

نمونه چکیده متن اصلی انگلیسی

Abstract

Epilepsy is one of the most common neurological conditions, affecting 2.2 million people only in the U.S., causing seizures that can have a very serious impact in affected people’s lives, including death. Because of this, there is a remarkable research interest in detecting epilepsy as it occurs, so that it effects and consequences can be mitigated immediately. In this paper, we describe and implement an energy-based seizure detection algorithm which runs over electroencephalography (EEG) signals. Because this technique comprises different parameters that significantly affect the detection performance, we will use genetic algorithms (GAs) to optimize these parameters in order to improve the detection accuracy. In this paper, we describe the GA setup, including the encoding and fitness function. Finally, we evaluate the implemented algorithm with the optimized parameters over a subset of the CHB-MIT Scalp EEG Database, a public data set available in PhysioNet. Results have shown to be very diverse, attaining almost perfect accuracy for some patients with very low false positive rate, but failing to properly detect seizures in others. Thus, the limitations found for energy-based seizure detection are discussed and some actions are proposed to address these issues.

نمونه چکیده ترجمه متن فارسی

چکیده
صرع یکی از شایع‌ترین بیماری‌های سیستم اعصاب است که تنها در ایالات متحده، 2/2 میلیون نفر به آن مبتلا هستند و باعث تشنج در فرد می‌شود که می‌تواند در زندگی افراد تاثیراتی از جمله مرگ داشته باشد. به همین علت، تحقیقات قابل‌توجهی در زمینه شناسایی صرع به محض وقوع آن، صورت می‌گیرد، به طوری که اثرات و عواقب آن را بتوان فورا کاهش داد. در این مقاله، الگوریتم تشخیص حمله صرعی مبتنی بر انرژی، بر روی سیگنال‌های الکتروانسفالوگرافی توصیف و اجرا شده است.
از آنجا که این تکنیک شامل پارامترهای مختلفی است که به طور قابل توجهی بر عملکرد تشخیص اثر می‌گذارد، ما از الگوریتم های ژنتیکی برای بهینه سازی این پارامترها جهت بهبود دقت تشخیص استفاده خواهیم کرد. در این مقاله، تنظیمات الگوریتم ژنتیک، از جمله توابع کدگذاری و تابع ارزیاب را توصیف می‌کنیم. در نهایت، الگوریتم پیاده سازی شده با پارامترهای بهینه، با استفاده از دیتاست سیگنال مغزی CHB-MIT ارزیابی می‌شود که این مجموعه داده عمومی در سایت PhysioNet موجود است. نتایج متنوعی به دست آمده که تقریبا دقت کاملی برای برخی از بیماران با نرخ پایین مثبت کاذب وجود دارد، اما در تشخیص حملات سایر بیماران، ناموفق بوده است. بنابراین محدودیت‌های تشخیص حمله صرعی مبتنی بر انرژی، مورد بحث قرار گرفته است و راه‌حل‌هایی برای این مسائل پیشنهاد شده است.

برچسب‌ها: دانلود رایگان مقالات انگلیسی پزشکی، دانلود رایگان مقالات انگلیسی مهندسی پزشکی