| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
SVM بر پایه تشخیص تشنج EEG خودکار با استفاده از بسته های موجی Coiflets |
| عنوان انگلیسی مقاله: |
SVM based Automated EEG Seizure Detection using ‘Coiflets’ Wavelet Packets |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2015 |
| تعداد صفحات مقاله انگلیسی | 5 صفحه با فرمت pdf |
| 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) |
| شناسه شاپا یا ISSN | ISSN 978-1-4799-7247-0 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه | IEEE |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 9 صفحه |
| ترجمه عناوین تصاویر | ترجمه نشده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- 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
- بخشی از ترجمه:
نتیجه گیری و اهداف آینده
برای مطالعه ی کنونی، حداکثر CA با استفاده از ترکیب مجموعه های ویژگی ERD-ENT با مقدار میانگینی معادل با %99.60 استخراج شد. به هر حال با در نظر گرفتن هماهنگ سازی پارامترهای عملکردی، ویژگی SD بهترین نرخ های طبقه بندی را نتیجه دادند. این حالت با استفاده از اندازه گیری های ثابت شده ایی از زمان های محاسبه ایی به شدت کم، حمایت شد. بنابراین کاربرد ان به میزان زیادی قابل اطمینان برای تنظیمات عملی می باشد. بطور کلی، این کار پژوهشی بطور موفقیت آمیزی یک بهبودی را برای طراحی های موجود نشان داد. کمک بیشتری در ریشه-کن کردن موانع، در طول بررسی دستی زمانبر رخدادهای تشنجی نیاز است. استقرار آن، کمک بیشتری در کشورهای در حال توسعه خواهد شد. بعلاوه روش پیشنهادی، به بهبود سایر طراحی های سیستم هوشمند استفاده شده در تشخیص بالینی کمک خواهد کرد.
کار کنونی نیاز به اعتبارسازی بیشتر با مجموعه داده ی خارج از نمونه ی بیشتر دارد. این پیشنهاد می تواند توسط بهینه سازی الهام گرفته از طبیعت حمایت شود. کار آینده شامل کاربرد این مدل برای پیش بینی تشنج برای تولید پیام های هشداردهنده می باشد.
- بخشی از مقاله انگلیسی:
IV. CONCLUSIONS AND FUTURE SCOPE
For the present study, maximum CA was elicited using ERD-ENT feature sets combination with mean value equal to 99.60 %. However, considering the overall better synchronization of performance parameters, SD features resulted in best classification rates. This was further supported by proved measures of extremely less computation timings. Thus, making its application highly reliable for practical settings. Overall, this research work successfully demonstrated an improvement over existing designs [15, 17, 20-23]. Further assisting in eradication of impediments faced during timeconsuming manual inspection of seizure events. Its deployment will be of at-most help in underdeveloped and developing countries. Furthermore, the proposed methodology will also help to improve other expert system designs used in clinical diagnosis. Present work needs further validation with more out-ofsample data sets. This proposal can be further backed by natureinspired optimization. The future work involves application of this model for seizure prediction to generate warning messages.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
SVM بر پایه تشخیص تشنج EEG خودکار با استفاده از بسته های موجی Coiflets |
| عنوان انگلیسی مقاله: |
SVM based Automated EEG Seizure Detection using ‘Coiflets’ Wavelet Packets |
|
|