ترجمه مقاله شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی - نشریه الزویر

ترجمه مقاله شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی - نشریه الزویر
قیمت خرید این محصول
۳۹,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی با استفاده از سیگنال های نوار مغزی
عنوان انگلیسی
Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals
صفحات مقاله فارسی
24
صفحات مقاله انگلیسی
25
سال انتشار
2017
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
5.591 در سال 2020
شاخص H_index مجله
94 در سال 2021
شاخص SJR مجله
0.884 در سال 2020
شناسه ISSN مجله
0010-4825
شاخص Q یا Quartile (چارک)
Q2 در سال 2020
کد محصول
12177
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 ✓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
فرضیه
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر، مهندسی پزشکی، بیوالکتریک، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات و پردازش تصاویر پزشکی
مجله
کامپیوتر در زیست شناسی و پزشکی - Computers in Biology and Medicine
دانشگاه
گروه الکترونیک و مهندسی کامپیوتر، سنگاپور
کلمات کلیدی
بیماری صرع، شبکه عصبی کانولوشنی (CCN)، سیگنال های نوار مغزی (EEG)، یادگیری عمیق ، حمله ناگهانی
کلمات کلیدی انگلیسی
epilepsy - convolutional neural network - encephalogram signals - deep learning - seizure
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.compbiomed.2017.09.017
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
مقدمه
DATA
روش کار
پیش پردازش
شبکه عصبی مصنوعی (ANN)
شبکه عصبی کانولوشنی (CNN)
معماری
آموزش شبکه CNN
آزمایش مدل شبکه CNN
اعتبارسنجی متقابل k تایی
نتایج
بحث
نتیجه گیری
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
       
نمونه چکیده متن اصلی انگلیسی

ABSTRACT


An encephalogram (EEG) is a commonly used ancillary test to aide in the diagnosis of epilepsy. The EEG signal contains information about the electrical activity of the brain. Traditionally, neurologists employ direct visual inspection to identify epileptiform abnormalities. This technique can be time-consuming, limited by technical artifact, provides variable results secondary to reader expertise level, and is limited in identifying abnormalities. Therefore, it is essential to develop a computer-aided diagnosis (CAD) system to automatically distinguish the class of these EEG signals using machine learning techniques. This is the first study to employ the convolutional neural network (CNN) for analysis of EEG signals. In this work, a 13-layer deep convolutional neural network (CNN) algorithm is implemented to detect normal, preictal, and seizure classes. The proposed technique achieved an accuracy, specificity, and sensitivity of 88.67%, 90.00% and 95.00%, respectively.


 

INTRODUCTION


According to the World Health Organization (WHO), nearly 50 million people suffer from epilepsy worldwide [1]. It is estimated that 2.4 million people are diagnosed with epilepsy annually [1].


Seizures are due to the uncontrolled electrical discharges in a group of neurons. [2, 3]. The excessive electrical discharges result in the disruption of brain function. Epilepsy is diagnosed when there is recurrence of at least two unprovoked seizures. It can affect anyone at any age [4].


 

CONCLUSION


A novelty of this proposed model is being the first application of deep neural network for EEG-based seizure detection. A 13-layer deep learning CNN algorithm is implemented for the automated EEG analysis. An average accuracy of 88.7% is obtained with a specificity of 90% and a sensitivity of 95%. The performance (accuracy, sensitivity, and specificity) of proposed model is slightly lower than some of the works summarized in Table 4. The advantage of the model presented in this paper, however, is separate steps of feature extraction and feature selection are not required in this work. Nevertheless, the main drawback of this work is the lack of huge EEG database. Proposed algorithm requires a diversity of data to obtain an optimum performance. The performance of this technique can be improved by applying a bagging algorithm and increasing the number of samples.

نمونه چکیده ترجمه متن فارسی
چکیده

نوار مغزی (الکترومغزنگاری)  (EEG) یک تست کمکی است که به طور متداول در تشخیص حملات صرع  مورد استفاده قرار می گیرد. سیگنال EEG حاوی اطلاعاتی درباره فعالیت الکتریکی مغز است. به طور متداول متخصصان مغز و اعصاب بررسی مستقیم تصویری را برای شناسایی ناهنجاری های صرع به کار می گیرند. این تکنیک می تواند وقت گیر باشد، به مصنوعات فنی محدود می شود، نتایج متغیر ثانویه را برای خواننده سطح متخصص فراهم می کند و در شناسایی ناهنجاری محدودیت دارد. بنابراین در توسعه سیستم تشخیص به کمک رایانه  (CAD) به منظور تمایز دسته این سیگنال های نوار مغزی با استفاده از تکنیک های یادگیری ماشین ضروری است. این مقاله اولین مطالعه ای است که شبکه عصبی کانولوشنی  (CNN) را برای تحلیل سیگنال های نوار مغزی به کار می گیرد. در این کار یک الکوریتم شبکه عصبی کانولوشنی عمیق با 13 لایه برای شناسایی انواع معمولی، مقدماتی و حمله ناگهانی پیاده سازی می گردد. تکنیک پیشنهادی به دقت، خصوصیت و حساسیت به ترتیب به میزان 88.67، 90 و 95 درصد دست یافته است.

 

مقدمه

براساس گزارش ارائه شده از سوی سازمان بهداشت جهانی (WHO)، نزدیک به 50 میلیون نفر در سرتاسر جهان از بیماری صرع رنج می برند [1]. همچنین تخمین زده می شود که 2.4 میلیون نفر به طور سالانه به بیماری صرع دچار می شوند [1].

حملات ناگهامی به دلیل تخلیه الکتریکی کنترل نشده در گروهی از نرون ها (عصب ها) رخ می دهد [2,3]. تخلیه الکتریکی بیش از اندازه منجر به تخریب کارکرد مغز می شود. بیماری صرع زمانی تشخیص داده می شود که بازگشت حداقل دو حمله ناگهانی غیرقابل تشخیص وجود دارد. این حمله می تواند در هر سنی تاثیرگذار باشد [4].

 

نتیجه گیری

نوآوری این مدل پیشنهادی به کارگیری شبکه عصبی عمیق برای تشخیص حمله ناگهانی مبتنی بر نوار مغزی است. یک الگوریتم CNN یادگیری عمیق سیزده لایه ای به منظور تجزیه و تحلیل خودکار سیگنال های نوار مغزی به کار گرفته شده است. دقت متوسط به میزان 88.7 درصد همراه با خصوصیت 90 درصدی و دقت 95 درصد به دست آمده است. عملکرد (دقت، حساسیت و خصوصیت) مدل پیشنهادی تا حدی کمتر از کارهای خلاصه شده در جدول 4 است. با این حال، مزیت مدل ارائه شده در این کار به مراحل مجزای استخراج ویژگی و انتخاب ویژگی مربوط می شود که در این کار مورد نیاز نمی باشند. با این حال، عیب اصلی این روش کمبود دیتابیس عظیمی از داده های نوار مغزی است. الگوریتم پیشنهادی نیازمند تنوع داده ها برای دستیابی به عملکرد بهینه است. عملکرد تکنیک پیشنهادی با به کارگیری یک الگوریتم بسته بندی  و افزایش تعداد نمونه ها قابل بهبود است.


بدون دیدگاه