دانلود مقاله ترجمه شده تشخیص قابلیت حمله صرعی بر اساس سیگنال نوار مغزی (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه IEEE در ۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص قابلیت حمله صرعی بر اساس سیگنال EEG در ساختار چند هسته ای فوق کم توان

عنوان انگلیسی مقاله:

Scalable EEG Seizure Detection on an Ultra Low Power Multi-Core Architecture

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش 
سال انتشار ۲۰۱۶
تعداد صفحات مقاله انگلیسی ۴ صفحه با فرمت pdf
نوع مقاله ISI
نوع ارائه مقاله کنفرانس
رشته های مرتبط با این مقاله مهندسی پزشکی، پزشکی
گرایش های مرتبط با این مقاله مغز و اعصاب، بیوالکتریک و بیومکانیک
چاپ شده در کنفرانس کنفرانس مدارها و سیستمهای زیست پزشکی – Biomedical Circuits and Systems Conference
ارائه شده از دانشگاه دانشگاه بولونیا، ایتالیا
نویسندگان S.Benatti، F.Montagna، D.Rossi، L.Benini
شناسه دیجیتال – doi https://doi.org/10.1109/BioCAS.2016.7833731
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۲۵۰
لینک مقاله در سایت مرجع لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱) مقدمه

۲) مواد و روش‌ها

الف) پلت‌فرم PULP

ب) تشخیص حمله در PULP

۳)نتایج تجربی

الف) ارزیابی عملکرد و شاخص‌های انرژی

۴) نتیجه گیری و کارهای آینده

 

بخشی از ترجمه

چکیده

ساختارهای پردازشی با انرژی بهینه، عناصر کلیدی برای دستگاه های پزشکی پوشیدنی و کاشتنی هستند. در طراحی‌های جدید رابط مغز و ماشین ، پردازش سیگنالهای عصبی تبدیل به چالش شده است. یک پلتفرم چند هستهای بسیار با صرفه که برای پردازش فوق‌العاده کم‌توان طراحی شده، اجازه ‌می‌دهد که الگوریتم‌های پیچیده سازگار با شرایط زمان واقعی، به راحتی اجرا شوند. این مقاله به توصیف نحوه پیاده‌سازی و بهینه‌سازی الگوریتم تشخیص حملات می‌پردازد که این الگوریتم بر روی یک مدار مجتمع دیجیتال چند‌هسته ای برای کاربردهای با صرفه توان، طراحی شده است. ساختار پیشنهادی می‌تواند پردازش‌ موازی فوق‌کم‌توان برای تشخیص حمله‌های صرعی در ۲۳ الکترود را با توان مصرفی ۱ میلی وات پیاده‌سازی کند. اگرچه این ساختار نسبت به نمونه‌های تجاری از نظر عملکرد بیش از ۱۰۰برابر و از نظر توان مصرفی بیش از ۸۰ برابر بهتر عمل می‌کند اما هنوز هم با بهبود تطبیق‌پذیری و مقیاسبندی، می‌توان راه را برای پیشرفت سیستم‌های هوشمند کاشتنی و پوشیدنی گسترش داد.

 

۴) نتیجه گیری و کارهای آینده

طرح پیشنهادی، نشان‌دهنده‌ی تاثیر ساختار PULP در طراحی یک سیستم زمان واقعی برای پردازش‌های عصبی است. ترکیب عملیات نزدیک به آستانه با ساختار چند هسته‌ای موازی PULP، باعث شده نتایج تجاری از لحاظ بازده عملکرد در حدود ۱۰ تا ۱۰۰ برابر و از لحاظ بهره‌وری انرژی تا ۸۰ برابر بهبود داشته باشند. علاوه‌براین همانطور که در روش پیاده‌سازیASIC گفته شد، پلت‌فرم پیشنهادی، انعطاف‌پذیری معمول پردازنده‌های قابل برنامه‌ریزی را حفظ می‌کند که این برای اجرای طرح پردازش عصبی چند منظوره و مقیاس‌پذیر مناسب است. هدف پژوهش‌های آتی، تنظیم ساختار PULP از طریق بهینه‌سازی خاص سخت افزار در طراحی ISA است تا پردازش سیگنال کم توان داشته باشد و همچنین الگوریتمی تهاجمی‌تر طراحی شود تا سرعت موازی‌سازی در الگوریتم‌های محاسبات عصبی بهبود یابد و در نسل بعدی سیستم‌های محاسباتی عصبی انرژی با بهره بالا داشته باشد.

 

بخشی از مقاله انگلیسی

Abstract

Energy efficient processing architectures represent key elements for wearable and implantable medical devices. Signal processing of neural data is a challenge in new designs of Brain Machine Interfaces (BMI). A highly efficient multi-core platform, designed for ultra low power processing allows the execution of complex algorithms complying with real time requirements. This paper describes the implementation and optimization of a seizure detection algorithm on a multi-core digital integrated circuit designed for energy efficient applications. The proposed architecture is able to implement ultra low power parallel processing seizure detection on 23 electrodes within a power budget of 1 mW, outperforming implementations on commercial MCUs by up to 100 times in terms of performance and up to 80 times in terms of energy efficiency still providing high versatility and scalability, opening the way to the development of efficient implantable and wearable smart systems.

 

V- CONCLUSION AND FUTURE WORK

The proposed work shows the strong impact of the PULP architecture in the design of a real time embedded system for neural processing. The combination of the near threshold operation with the parallel multi-core architecture of PULP outperforms commercial solution by 10-100 times in terms of performance and up to 80 times in terms of energy efficiency. Moreover, as opposed to ASIC solutions, the proposed platform maintains the flexibility typical of programmable processors suitable to implement a versatile and scalable neural processing framework. Future works target the tuning of the PULP architecture with dedicated HW optimization in the ISA design for low power signal processing and also more aggressive algorithmic strategies to improve the parallel speedup in neural computing algorithms and the energy efficiency of next generation neural computing systems.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص قابلیت حمله صرعی بر اساس سیگنال EEG در ساختار چند هسته ای فوق کم توان

عنوان انگلیسی مقاله:

Scalable EEG Seizure Detection on an Ultra Low Power Multi-Core Architecture

 

 

 

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا