تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله دسته بندی حملات صرعی با ویژگی آماری سیگنال الکتروانسفالوگرافی – نشریه IEEE

عنوان فارسی: دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی
عنوان انگلیسی: Epileptic Seizure Classification using Statistical Features of EEG Signal
تعداد صفحات مقاله انگلیسی : 5 تعداد صفحات ترجمه فارسی : 12
سال انتشار : 2017 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 8178 رفرنس : دارد
محتوای فایل : zip حجم فایل : 5.14Mb
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: کنفرانس بین المللی مهندسی برق، کامپیوتر و ارتباطات - International Conference on Electrical
دانشگاه: دانشکده مهندسی پزشکی، دانشگاه مهندسی و فناوری Khulna، بنگلادش
کلمات کلیدی: تبدیل موجک دیجیتال (DWT)، شبکه عصبی مصنوعی (ANN)، طبقه بندی تشنج صرعی، ویژگی های آماری، دوره متقابل، دوره ایکاتل، تشخیص صرع
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

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

قدردانی

نمونه متن انگلیسی

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.

نمونه متن ترجمه

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.