تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله SVM بر پایه تشخیص تشنج EEG خودکار با بسته موجی Coiflets – نشریه IEEE

عنوان فارسی: SVM بر پایه تشخیص تشنج EEG خودکار با استفاده از بسته های موجی Coiflets
عنوان انگلیسی: SVM based Automated EEG Seizure Detection using ‘Coiflets’ Wavelet Packets
تعداد صفحات مقاله انگلیسی : 5 تعداد صفحات ترجمه فارسی : 9
سال انتشار : 2015 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5729 رفرنس : دارد
محتوای فایل : zip حجم فایل : 788.93Kb
رشته های مرتبط با این مقاله: پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله: مغز و اعصاب و مهندسی پزشکی بالینی
مجله: کنفرانس بین المللی کنترل، اتوماسیون و مهندسی برق
دانشگاه: مرکز مهندسی پزشکی دهلی نو، هند
کلمات کلیدی: الکتروانسفالوگرام (EEG)، تشنج، ماشین بردار پشتیبان، coiflets، بسته تبدیل موجک (WPT)
وضعیت ترجمه عناوین تصاویر : ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
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

مقدمه

2. متدولوژی

A.بدست آوردن سیگنال (acquisation)

B.استخراج ویژگی با استفاده از بسته های موجی ‘coiflets’

C.طبقه بندی با استفاده از طراحی ماشین بردار پشتیبان (SVM)

بحث و نتیجه گیری

نتیجه گیری و اهداف آینده

نمونه متن انگلیسی

Abstract

Manual classification of ictal and non-ictal activities continues to be very perplexing even for any experienced neurophysiologist. Mostly due of the presence of considerable heterogeneity in the seizure patterns. Extensive research efforts have gone in solving this issue. But, the shortcomings and complexity of the deployed methods till date have been noteworthy to realize their practical applications. Present study showcased an expert system design for automated classification of ictal activities in electroencephalogram signals. The development used ‘coiflets’ wavelet packets for decomposition of signals to extract energy, standard deviation and Shannon entropy as features. Followed by support vector machine classifier with feds of various feature sets combinations. In the presented scheme, standard deviation feature set proved to be the best input features. It showed mean classification accuracy = 99.46 %, sensitivity = 99.40 % and specificity = 99.48 % with computation time = 5.60e-04 s. These outcomes demonstrated an improvement over the existing expert systems and also shed light on using different features. Proposed scheme hold promises for deployment in clinics and also for improvement in existing expert system designs.

نمونه متن ترجمه

چکیده

طبقه بندی دستی فعالیت های ictal و non-ictal برای بسیار گیج شدن حتی برای هر عصب شناسی تجربی ادامه می یابد. که این حالت تقریباً به دلیل حضور غیریکنواختی الگوها می باشد. پژوهش قوی برای حل این موضوع، تلاش های زیادی کرده است. اما کاستی ها و پیچیدگی روش های توسعه یافته، داده های باارزش را برای درک کاربردهای عملی آنها کشت می کنند. مطالعه ی فعلی، یک طراحی سیستم هوشمند را برای طبقه¬بندی خودکار فعالیت های ictal و non-ictal در سیگنال های موج نگاری مغز نشان می دهد. توسعه ، بسته های موجی Coiflets را برای تجزیه ی سیگنال ها به انرژی استخراجی، انحراف استاندارد، و آنتروپی شانون بعنوان ویژگی ها استفاده کرد. این توسعه توسط طبقه کننده ی ماشین بردار پشتیبان با ترکیب های مجموعه خصوصیات مختلف دنبال می شود. در طرح اخیر، مجموعه خصوصیت انحراف استاندارد، ثابت شده است که بهترین خصوصیات ورودی هستند. نشان داده شده است که دقت طبقه بندی میانگین=%99.46، حساسیت %99.40، و گزینش-پذیری=%99.48 با زمان محاسبه ایی=5.60e-04 s می باشد. این نتایج یک توسعه را برای وجود سیستم هوشمند نشان دادند و مانند نوری بر استفاده ی ویژگی های متفاوت سایه افکندند.