ترجمه مقاله آشکارسازی حملات صرعی سخت افزار-دوست با درختان تصمیم کم عمق - نشریه IEEE

ترجمه مقاله آشکارسازی حملات صرعی سخت افزار-دوست با درختان تصمیم کم عمق - نشریه IEEE
قیمت خرید این محصول
۲۷,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
آشکارسازی حملات صرعی سخت افزار-دوست با مجموعه ای پیشرفته از درختان تصمیم کم عمق
عنوان انگلیسی
Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees
صفحات مقاله فارسی
11
صفحات مقاله انگلیسی
4
سال انتشار
2016
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
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
1557-170X
کد محصول
10246
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 ☓
ضمیمه
ندارد
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی پزشکی و پزشکی، بیوالکتریک، مغز و اعصاب
کنفرانس
سی و هشتمین کنفرانس بین المللی سالانه مهندسی IEEE در پزشکی و بیولوژی جامعه
دانشگاه
گروه مهندسی برق، انستیتوی فناوری کالیفرنیا، کالیفرنیا
doi یا شناسه دیجیتال
https://doi.org/10.1109/EMBC.2016.7591074
فهرست مطالب
چکیده
1) مقدمه
2) توصیف داده‌ها و روش
الف) داده‌های EEG داخل جمجمه‌ای
ب) انتخاب ویژگی
پ) درخت تصمیم‌گیری گرادیان افزایشی
3) طراحي و ارزيابي عملكرد طبقه‌بندي‌کننده
4) طبقه‌بندی سخت افزار-دوست
الف) توپولوژی درخت تصمیم سیگنال مختلط
ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها
5) نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract

Efficient on-chip learning is becoming an essential element of implantable biomedical devices. Despite a substantial literature on automated seizure detection algorithms, hardware-friendly implementation of such techniques is not sufficiently addressed. In this paper, we propose to employ a gradientboosted ensemble of decision trees to achieve a reasonable trade-off between detection accuracy and implementation cost. Combined with the proposed feature extraction model, we show that these classifiers quickly become competitive with more complex learning models previously proposed for hardware implementation, with only a small number of low-depth (d <; 4) “shallow” trees. The results are verified on more than 3460 hours of intracranial EEG data including 430 seizures from 27 patients with epilepsy.

نمونه چکیده ترجمه متن فارسی
چکیده
یادگیری داخل تراشه‌ای کارآمد، به یکی از عناصر ضروری ابزار پزشکی کاشتنی تبدیل شده است. باوجود مقالات بسیاری که در حوزه‌ی الگوریتم‌های تشخیص خودکار حمله صرعی وجود دارد، درمورد پیاده‌سازی سخت‌افزار-دوست چنین روش‌هایی، به اندازه کافی بحث نشده است. در این مقاله، ما به کارگیری مجموعه‌های درخت تصمیم‌ را پیشنهاد می کنیم تا به مصالحه میان دقت تشخیص و هزینه های پیاده سازی دست یابیم. مدل استخراج ویژگی پیشنهاد شده، نشان می دهد که این طبقه‌بندی‌کننده‌ها با تعداد کمی از درخت‌های سطحی (d <4) ، به سرعت با مدل‌های یادگیری پیچیده‌ترکه قبلا برای پیاده سازی سخت افزاری ارائه شده اند، رقابت می کنند. نتایج به دست آمده بر روی بیش از 3460 ساعت دیتا الکتروانسفالوگرافی داخل جمجمه‌ای، شامل 430 حمله از 27 بیمار مبتلا به صرع، تایید شده است.

بدون دیدگاه