تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله طبقه بندی EEG از کودکان سالم و ADHD با ویژگی های غیر خطی و شبکه عصبی – نشریه اشپرینگر

عنوان فارسی: طبقه بندی EEG از کودکان سالم و ADHD با استفاده از ویژگی های غیر خطی و شبکه عصبی
عنوان انگلیسی: EEG Classification of ADHD and Normal Children Using Non-linear Features and Neural Network
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 16
سال انتشار : 2016 نشریه : اشپرینگر - Springer
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 375 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.37Mb
رشته های مرتبط با این مقاله: پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله: بیوالکتریک، مغز و اعصاب و روانپزشکی
مجله: اسناد مهندسی پزشکی - Biomedical Engineering Letters
دانشگاه: گروه مهندسی پزشکی، دانشگاه شاهد، تهران، ایران
کلمات کلیدی: اختلال بیش فعالی- نقص توجه(ADHD)، الکتروآنسفالوگرم(EEG)، مشخصه های غیر خطی، انتخاب ویژگی، شبکه ی عصبی(NN)
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
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

مقدمه

مواد و روش ها

شرکت کننده ها

آزمایش

پیش پردازش سیگنال ها

برداشت ویژگی

انتخاب مشخصه

شبکه عصبی و طبقه بندی

نتایج

بحث و نتیجه گیری

با تشکر از

عبارات تضاد منفعتی

نمونه متن انگلیسی

Abstract

Purpose Attention-Deficit Hyperactivity Disorder (ADHD) is a neuro-developmental disorder that is characterized by hyperactivity, inattention and abrupt behaviors. This study proposes an approach for distinguishing ADHD children from normal children using their EEG signals when performing a cognitive task. Methods In this study, 30 children with ADHD and 30 agematched healthy children without neurological disorders underwent electroencephalography (EEG) when performing a task to stimulate their attention. Fractal dimension (FD), approximate entropy and lyapunov exponent were extracted from EEG signals as non-linear features. In order to improve the classification results, double input symmetrical relevance (DISR) and minimum Redundancy Maximum Relevance (mRMR) methods were used to select the best features as inputs to multi-layer perceptron (MLP) neural network. Results As expected, children with ADHD had more delays and were less accurate in doing the cognitive task. Also, the extracted non-linear features revealed that non-linear indices were greater in different regions of the brain of ADHD children compared to healthy children. This could indicate a more chaotic behavior of ADHD children while performing a cognitive task. Finally, the accuracy of 92.28% and 93.65% were achieved using mRMR method and DISR method using MLP, respectively. Conclusions The results of this study demonstrate the ability of the non-linear features to distinguish ADHD children from healthy children.

نمونه متن ترجمه

چکیده

هدف اختلال بیش فعالی- کم توجهی(ADHD) یک اختلال توسعه یافته ی عصبی می باشد که ویژگی های آن بیش فعالی، عدم توجه و رفتارهای تند می باشد. این مقاله رویکردی را معرفی می نماید تا کودکان ADHD را از بچه های سالم با استفاده از سیگنال های EEG آنها زمان صورت گرفتن یک وظیفه ی معین تشخیص داده شوند.

مواد و روش ها: در این مقاله، 30 کودک با ADHD و 30 کودک سالم با همین سن و سال بدون الکتروآنسفالوگرافی(EEG) تحت اختلال های عصب شناسی هنگام انجام دادن فعالیتی با هم مقایسه می شوند تا رفتارها و توجه های آنها شبیه سازی شوند. ابعاد فراکتال(FD)، انتروپی تقریبی و نمای لیاپونوف از سیگنال های EEG بعنوان ویژگی های غیرخطی استخراج شدند. به منظور بهبود در نتایج طبقه بندی، روش های مربوط متقارن جفت ورودی(DISR) و حداقل مربوط حداکثر فراوانی(mRMR) برای انتخاب بهترین ویژگی ها بعنوان ورودی شبکه ی عصبی پرسپترون چند لایه ای(MLP) مورد استفاده قرار گرفتند.

نتایج همانگونه که انتظار میرفت، کودکان با ADHD در انجام وظائف مشخص و شناخته شده تاخیرات بیشتر و دقت کمتری داشتند. بنابراین، ویژگی های استخراج شده ی غیر خطی نشان داد که شاخص های غیر خطی در قسمت های مختلف مغز فرزندان ADHD در مقایسه با فرزندان سالم بزرگتر می باشد. این موضوع همچنین می تواند بیان کننده ی رفتار نامناسب بیشتری از کوکان ADHD هنگام انجام دادن یک وظیفه مشخص باشد. در نهایت اینکه، دقت 92.28 درصد و 93.65 درصد به ترتیب با استفاده از روش mRMR و روش DISR با استفاده از MLP صورت گرفت.

نتیجه گیری: نتایج این مقاله نشان دهنده ی توانمندی مشخصه های غیر خطی برای تشخیص کودکان ADHD از کودکان سالم می باشد.