تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله شناسایی آپنه (تنگی نفس موقتی) در خواب مبتنی بر مدل سازی Rician تغییرات ویژگی ها – نشریه IEEE

عنوان فارسی: شناسایی آپنه (تنگی نفس موقتی) در خواب مبتنی بر مدل سازی Rician تغییرات ویژگی ها در سیگنال های EEG در چند باند
عنوان انگلیسی: Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 24 (شامل 1 صفحه رفرنس انگلیسی)
سال انتشار : 2018 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده و pdf
نوع مقاله : ISI پایگاه : اسکوپوس
نوع ارائه مقاله : ژورنال ایمپکت فاکتور(IF) مجله : 5.175 در سال 2018
شاخص H_index مجله : 104 در سال 2019 شاخص SJR مجله : 1.122 در سال 2018
شاخص Q یا Quartile (چارک) : Q1 در سال 2018 شناسه ISSN مجله : 2168-2194
کد محصول : 10007 وضعیت ترجمه : ترجمه شده و آماده دانلود
محتوای فایل : zip حجم فایل : 7.11Mb
رشته و گرایش های مرتبط با این مقاله: پزشکی، انفورماتیک پزشکی و مغز و اعصاب
مجله: مجله انفورماتیک زیست پزشکی و سلامت - Journal of Biomedical and Health Informatics
دانشگاه: گروه مهندسی برق و الکترونیک ، داکا ، بنگلادش
کلمات کلیدی: سیگنال EEG، باند های فرعی، آپنه در خواب، آنتروپی، فریم بندی های فرعی، برازش مدل، مدل Rician، KNN، نکویی ویژگی ها، دسته بندی
کلمات کلیدی انگلیسی: EEG signals - EEG sub-bands - sleep apnea - entropy - sub-framing - model fitting - Rician model - KNN - goodness of feature - classification
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
بیس: است ✓
مدل مفهومی: دارد ✓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1109/JBHI.2018.2845303
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. روش پیشنهاد شده

الف) استخراج سیگنال محدود به باند

ب)استخراج ویژگی از چند باند

ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی

د) برازش مدل از الگوهای تغییرات ویژگی ها

ه) دسته بندی کننده

3. نتایج و مباحث

الف) دیتابیس ها

ب) نکویی برازش

ج) نکویی ویژگی ها

د) نتایج دسته بندی

4. جمع بندی

منابع

نمونه متن انگلیسی

Abstract

Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe feature variation can be better represented by some statistical measures and characteristic probability density functions. It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity, and accuracy.

نمونه متن ترجمه

چکیده

آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند. در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.