ترجمه مقاله تشخیص زود هنگام حملات صرع با استفاده از ثبت نوری و الکتریکی – نشریه IEEE

عنوان فارسی: | تشخیص زود هنگام حملات صرع با استفاده از ثبت نوری و الکتریکی |
عنوان انگلیسی: | Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings |
تعداد صفحات مقاله انگلیسی : 4 | تعداد صفحات ترجمه فارسی : 9 |
سال انتشار : 2017 | نشریه : آی تریپل ای - IEEE |
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 ارائه مقاله : کنفرانس |
شناسه ISSN مجله : 2474-9044 | کد محصول : 11045 |
محتوای فایل : zip | حجم فایل : 3.46Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی پزشکی و پزشکی، مغز و اعصاب، بیوالکتریک |
کنفرانس: کنفرانس بین المللی الکترونیک ، ارتباطات و رایانه ها - International Conference on Electronics |
دانشگاه: گروه محاسبات، الکترونیک و مکاترونیک، مکزیک |
کلمات کلیدی: صرع، تشنج، تشخیص، پیش بینی، fNIRS ، EEG، چند حالته |
کلمات کلیدی انگلیسی: epilepsy - seizure - detection - prediction - fNIRS - EEG - multimodal |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓ |
وضعیت ترجمه منابع داخل متن: درج نشده 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 ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1109/CONIELECOMP.2017.7891811 |
چکیده
1) مقدمه
2) ثبت EEG و fNIRS
3) روش
4) نتایج
5) نتیجهگیری و کارهای آینده
Abstract
This paper presents preliminary results on epileptic seizure detection. Combination of functional Near Infrared Spectroscopy (fNIRS) and Electroencephalogram (EEG) recordings shows enhanced performance compare to EEG recordings alone. Moreover, some results concerning the anticipation at which a seizure can be detected are also presented.
I. INTRODUCTION
Epilepsy is one of the top three most common neurological disorders; it is just below strokes and Alzheimer disease [1]. It is estimated that 65 million people around the world suffer from epilepsy, which represents approximately 1% of the global population [2]. On average, 60 new cases of epilepsy 100,000 people emerge every year [2]–[4].
V. CONCLUSIONS AND FUTURE WORK
Even though results from a case-study are not conclusive, Table 2 suggests that adding fNIRS features to an EEG-based detector will considerably improve its performance. Furthermore, from Table 3 and Fig. 5 we confirmed that information contained within fNIRS can help to detect seizures much earlier. Given these promising results, our future work will be to try the same approach with others classifiers on a larger sample. We will also focus on extracting new and better classification features out of the fNIRS signals and combine them with features extracted from EEG recordings. One limitation of our work is the lack of implementation of a feature selection algorithm, although it may not be needed, given the promising results using only the amplitude of signals as features. The choice of optimal parameters in our machine learning approaches, such as SVM kernel type and its associated parameters, number of neurons in the ANN hidden layer as well as a feature selection process will be tackled in future work.
چکیده
این مقاله، نتایج ابتدایی در مورد تشخیص حمله صرعی ارائه میدهد. ترکیب روشهای طیفسنجی عملکردی نزدیک به مادون قرمز و الکتروآنسفالوگرام ، عملکرد بهتری نسبت به روش صرف EEG نشان میدهد. علاوهبراین، بعضی نتایجی که پیشبینی میکند میتوان حمله را تشخیص داد نیز ارائه شده است.
1) مقدمه
صرع جزء یکی از سه اختلال عصبی شایع است؛ این بیماری بعد از سکته مغزی و بیماری آلزایمر در رتبه سوم قرار دارد. تخمین زده شده 65 میلیون نفر در سراسر جهان که حدود 1% از جمعیت جهان را تشکیل میدهد، از صرع رنج میبرند. به طور متوسط سالانه 60 مورد جدید شامل 100 هزار نفر اضافه میشوند.
5) نتیجهگیری و کارهای آینده
اگر چه نتایج حاصل از مطالعه موردی قطعی نیست، اما جدول 2 نشان میدهد که افزودن ویژگیهای fNIRS به یک آشکارساز مبتنی بر EEG، عملکرد آن را به طور قابل توجهی بهبود می بخشد. علاوه براین براساس جدول 3 و شکل 5، تایید کردیم که اطلاعات موجود در fNIRS میتواند به تشخیص خیلی سریعتر حملات کمک کند.
با توجه به این نتایج امیدوارکننده، پژوهشهای آتی ما در مورد بهکارگیری این روش بر روی طبقهبندیکنندههای دیگر و مجموعه دادههای بزرگتر خواهد بود. همچنین بر استخراج ویژگیهای جدیدتر و بهتر از سیگنالهای fNIRS تمرکز خواهیم کرد و آنها را با ویژگیهای استخراج شده از ثبت EEG ترکیب میکنیم. یکی از محدودیتهای کار ما، عدم استفاده از الگوریتم انتخاب ویژگی است که اگر چه با توجه به نتایج امیدوار کننده تنها بر اساس استخراج دامنه سیگنالها به عنوان ویژگی ممکن است مورد نیاز نباشد. در روش یادگیری ماشین ارائه شده، انتخاب پارامترهای بهینه مانند نوع هستهی ماشین بردار پشتیبان و پارامترهای مرتبط با آن، تعداد نورونها در لایه پنهان شبکه عصبی و همچنین فرآیند انتخاب ویژگی، در کار آتی بررسی خواهد شد.