تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یک الگوریتم PSO-SVM جدید نیمه متصل موازی مشارکتی – نشریه IEEE

عنوان فارسی: یک الگوریتم PSO-SVM جدید نیمه متصل موازی مشارکتی: مطالعه ای مبتنی بر شناسایی وقفه تنفسی در خواب (آپنه)
عنوان انگلیسی: A Novel Partially Connected Cooperative Parallel PSO-SVM Algorithm: Study Based on Sleep Apnea Detection
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 23
سال انتشار : 2012 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 : 11.016 در سال 2018
شاخص H_index مجله : 154 در سال 2019 شاخص SJR مجله : 2.968 در سال 2018
شاخص Q یا Quartile (چارک) : Q1 در سال 2018 شناسه ISSN مجله : 1089-778X
کد محصول : 9939 وضعیت ترجمه : ترجمه شده و آماده دانلود
محتوای فایل : zip حجم فایل : 3.32Mb
رشته و گرایش های مرتبط با این مقاله: پزشکی، کامپیوتر، مغز و اعصاب و مهندسی الگوریتم ها و محاسبات
مجله: کنگره IEEE در محاسبه تکاملی - IEEE Congress on Evolutionary Computation
دانشگاه: دانشکده مهندسی و دانشگاه فناوری اطلاعات، سیدنی، استرالیا
کلمات کلیدی: آپنه در زمان خواب، PSO، برنامه نویسی موازی، SVM
کلمات کلیدی انگلیسی: Sleep apnea - PSO - parallel programming - SVM
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/CEC.2012.6256138
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. اطلاعات فنی پیش نیاز

الف ) ماشین بردار پشتیبان

ب) بهینه سازی ازدحام ذرات (PSO)

ج) PSO موازی

3. روش و خط مشی مورد استفاده

الف ) تقسیم بندی سیگنال

ب) استخراج ویژگی

ج) الگوریتم PSO-SVM موازی

ارائه ی ذرات

مقدار دهی اولیه

ارزیابی ذرات

ساختار موازی

4. نتایج و مباحث

5. جمع بندی

منابع

نمونه متن انگلیسی

Abstract

Sleep disorders are common in a general population. It effect one in 5 adults and has several short term and long term bad side effects on health. Sleep apnea (SA) is the most important and common component of sleep disorders. This paper presents an automatic approach for detecting apnea events by using few bio-singles that are related to breathe defect. This work uses only air flow, thoracic and abdominal respiratory movement as input. The proposed algorithm consists of three main parts which are signal segmentation, feature generation and classification. A new proposed segmentation method intelligently segments the input signals for further classification, then features are generated for each segment by wavelet packet coefficients and also original signals. In classification phase a unique parallel PSO-SVM algorithm is investigated. PSO used to tune SVM parameters, and also data reduction. Proposed parallel structure used to help PSO to search space more efficiently, also avoiding fast convergence and local optimal results that are common problem in similar parallel algorithms. Obtained results demonstrate that the proposed method is effective and robust in sleep apnea detection and statistical tests on the results shown superiority of it versus previous methods even with more input signals, and also versus single PSO-SVM. Using fewer signals means more comfortable to subject and also, reduction of cost during recording the data.

نمونه متن ترجمه

چکیده

مشکلات خواب در میان عموم مردم، مشکل رایجی می باشد. این مشکلات از میان هر 5 نفر، 1 نفر را درگیر خودشان می کنند و عوارض جانبی کوتاه مدت و بلند مدت بر روی سلامتی انسان دارند. آپنه در زمان خواب (SA) رایج ترین و مهم ترین بخش از مشکلات خواب را شکل می دهد. این مقاله یک روش خودکار برای شناسایی رخداد های آپنه ارائه می دهد و به این منظور از چند سیگنال زیستی محدود استفاده می کند که مرتبط با مشکلات تنفسی می باشد. این کار تنها از جریان هوا، حرکات تنفسی شکمی و سینه ای به عنوان ورودی استفاده می کند. الگوریتم پیشنهاد شده شامل سه بخش اصلی می باشد که این بخش ها شامل تقسیم بندی سیگنال، تولید ویژگی و طبقه بندی می باشد. یک روش تقسیم بندی جدید در این قسمت ارائه شده است که به صورت هوشمند سیگنال های ورودی را برای طبقه بندی بعدی، تقسیم بندی می کند سپس ویژگی های مورد نیاز برای هر بخش با استفاده زا ضریب بسته های موجک و همچنین سیگنال های اصلی، ایجاد می شود. در فاز طبقه بندی یک الگوریتم PSO-SVM موازی یکتا مورد بررسی قرار می گیرد. در این قسمت PSO به منظور تنظیم کردن پارامتر های SVM و کاهش داده ها مورد استفاده قرار می گیرد. این ساختار موازی پیشنهاد شده به PSO کمک می کند تا به فضای جست جوی کارآمد تری دست پیدا کند و همچنین مانع همگرایی سریع و حالت بهینه ی محلی می شود که این مشکلات، به صورت رایج در دیگر مسئله های بهینه سازی دیده میشود. نتایج به دست آمده نشان می دهد که روش پیشنهاد شده روشی موثر و قوی برای شناسایی آپنه در زمان خواب می باشد و تست های آماری انجام شده نیز نشان دهنده ی برتری این روش نسبت به روش های قبلی ، حتی با سیگنال های ورودی بیشتر می باشد . این روش نسبت به روش های غیر ترکیبی PSO-SVM هم عملکرد بهتری دارد. استفاده از سیگنال های کمتر به معنی راحتی بیشتر سوژه و همچنین کاهش هزینه ها در طول ثبت داده ها می باشد.