دانلود رایگان مقاله انگلیسی شبکه عصبی مرکزی عمیق برای تشخیص تشنج با استفاده از سیگنال EEG - الزویر 2018

قیمت خرید این محصول

رایگان

دانلود مقاله انگلیسی سفارش ترجمه این مقاله

عنوان فارسی

شبکه عصبی مرکزی عمیق برای شناسایی خودکار کشف و تشخیص تشنج با استفاده از سیگنال EEG

عنوان انگلیسی

Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals

صفحات مقاله فارسی

0

صفحات مقاله انگلیسی

25

سال انتشار

2018

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

رفرنس

دارد

پایگاه

اسکوپوس

کد محصول

E10168

رشته های مرتبط با این مقاله

پزشکی، مهندسی کامپیوتر، فناوری اطلاعات

گرایش های مرتبط با این مقاله

مغز و اعصاب، هوش مصنوعی، شبکه های کامپیوتری

مجله

کامپیوترها در زیست شناسی و پزشکی - Computers in Biology and Medicine

دانشگاه

Department of Electronics and Computer Engineering - Ngee Ann Polytechnic - Singapore

کلمات کلیدی

صرع، شبکه عصبی کانولوشن، سیگنال های آنسفالوگرام، یادگیری عمیق، تشنج

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.compbiomed.2017.09.017

برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.

چکیده

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.

نتیجه گیری

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.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی فناوری اطلاعات IT، دانلود رایگان مقالات انگلیسی پزشکی، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات isi