دانلود مقاله ترجمه شده بهینه سازی تشخیص صرع بر پایه انرژی سیگنال EEG با الگوریتم ژنتیک (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه IEEE در ۸ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۲۳ 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: |
بهینه سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با استفاده از الگوریتم ژنتیک |
عنوان انگلیسی مقاله: |
Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۷ |
تعداد صفحات مقاله انگلیسی | ۸ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی پزشکی و پزشکی |
گرایش های مرتبط با این مقاله | بیوالکتریک، پردازش تصاویر پزشکی و مغز و اعصاب |
مجله | محاسبات تکاملی – Evolutionary Computation |
دانشگاه | بخش علوم کامپیوتر، دانشگاه کارلوس، مادرید |
رفرنس | دارد |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
نشریه آی تریپل ای |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin | ۲۳ صفحه |
ترجمه عناوین تصاویر و جداول | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه نشده است |
ترجمه متون داخل جداول | ترجمه نشده 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 |
- فهرست مطالب:
چکیده
مقدمه
زمینه پزشکی
پژوهشهای مربوطه
روش شناسی
الف) فیلتر کردن
ب) بخشبندی
پ) محاسبه انرژی
ت) آستانهگذاری
ث) گروهبندی
ج) اجتماع کانالها
بهینهسازی ژنتیک
الف) حساسیت پارامترها
ب) رمزگذاری
پ) اپراتورهای ژنتیک
ت) تابع ارزیاب
ارزیابی
(الف) داده
ب) تنظیمات تجربی
پ) بحث و نتیجهگیری
نتیجهگیری و مطالعات آتی
قدردانی
- بخشی از ترجمه:
۷. نتیجهگیری و مطالعات آتی
در این مقاله، روشی برای تشخیص حملات صرعی مبتنی بر انرژی سیگنال الکتروانسفالوگرافی ارائه شده است که پارامترهای آن با استفاده از الگوریتم ژنتیک بهینه شدهاند.
برای شروع، ما بررسی کردیم که چگونه وقوع حمله بر روی انرژی سیگنالهای مغزی تأثیر میگذارد، و نشان دادیم که در حین حمله، انرژی سیگنال به میزان قابلتوجهی افزایش مییابد و این موضوع با پنجره طولانیمدت سیگنال به نام پسزمینه، شناخته میشود. این بررسی نشان میدهد که میتوان از انرژی برای تشخیص اتوماتیک حمله صرعی استفاده کرد و الگوریتمی ایجاد کرد که دو پنجره شامل پیشزمینه کوتاهمدت با پسزمینه طولانیمدت را مقایسه کند و بر اساس تفاوت انرژی بین دو پنجره پیشزمینه متوالی، وقوع حمله را تشخیص دهد. با اینحال، این الگوریتم دارای هشت پارامتر است که برآورد دستی مقادیر آنها بسیار دشوار است و هیچ محاسبه پزشکی برای تعیین مقدار همه آنها وجود ندارد. به همیندلیل، تصمیم گرفتیم تمام این پارامترها را در یک کروموزوم دوتایی با رمزدهی گری رمزگذاری کنیم تا الگوریتم ژنتیک بتواند افرادی را بررسی کند و در نهایت به تنظیمات پارامتر مناسب برای تشخیص صرع دست یافتیم.
- بخشی از مقاله انگلیسی:
VII. CONCLUSIONS AND FUTURE WORK
In this paper we have presented an approach for energybasedseizure detection using EEG signals, whose parametershave been optimized using genetic algorithms.To start with, we have explored how seizures affect theenergy of EEG signals, showing that a significantly higherenergy is achieved during a seizure, which contrasts witha long-term window of the signal, which we identify asthe background. This fact suggests that energy can be usedfor automatic seizure detection, and an algorithm has beendeveloped which compares two windows, a short foregroundwith a much larger background, in order to detect a seizurein the foreground based on the difference of energy betweenboth windows.However, this algorithm has eight parameters whose valuesare difficult to estimate by hand, and there are no medical ruleof-thumbfor assigning a value to all of them. For this reason,we have decided to encode all these parameters in a binarychromosome with Gray encoding so that genetic algorithmscan evolve the individuals, eventually achieving a parameterssetup which is suitable for proper seizure detection.
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
بهینه سازی تشخیص صرع بر پایه انرژی سیگنال EEG با الگوریتم ژنتیک |
عنوان انگلیسی مقاله: |
Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms |
|