دانلود مقاله ترجمه شده طبقه بندی حملات صرعی با خصوصیات سیگنال نوار مغزی (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه IEEE در ۵ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۱۲ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۵ 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	کنفرانس بین المللی مهندسی برق، کامپیوتر و ارتباطات – International Conference on Electrical
دانشگاه	دانشکده مهندسی پزشکی، دانشگاه مهندسی و فناوری Khulna، بنگلادش
کلمات کلیدی	تبدیل موجک دیجیتال (DWT)، شبکه عصبی مصنوعی (ANN)، طبقه بندی تشنج صرعی، ویژگی های آماری، دوره متقابل، دوره ایکاتل، تشخیص صرع
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ مواد و روش‌ها
الف) جمع آوری و توصیف داده
ب) فلوچارت تجربی
پ) استخراج بردار ویژگی با استفاده از تبدیل موجک گسسته
ت) طراحی شبکه عصبی جهت طبقه‌بندی سیگنال
۳٫ نتایج
الف) نتایج تجزیه تبدیل موجک گسسته و استخراج ویژگی
ب) طراحی شبکه عصبی برای طبقه‌بندی
پ) نقشه‌های رگرسیون
۴٫ بحث
۵٫ نتیجه‌گیری
قدردانی

• بخشی از ترجمه:

۵٫ نتیجه‌گیری
صرع، یک بیماری عصبی تهدید‌کننده زندگی است. با استفاده از سیگنال EEG بیمار، می‌توان آن را کنترل کرد و تصمیم گرفت که صرع از نوع عمومی یا جزئی است.
این پژوهش با استفاده از روش پیشنهادی، دقت طبقه‌بندی هر مجموعه داده‌ی EEG را در یک کلاس ۲ و ۳ طبقه بررسی کرده که به ترتیب، تشخیص صرع با دقت ۱۰۰٪ و ۸۰٪ را در این طبقه‌ها نشان می‌دهد که می‌تواند دقت تشخیص حمله صرعی را در مقایسه با حالت نرمال و بازه inter-ictal T به ویژه برای تشخیص بازه‌های ictal بیمار افزایش دهد. استفاده از این روش، اخطار زنگ هشدار را کاهش داده و توانایی نظارت طولانی مدت بر صرع در بیمارستان را افزایش می‌دهد.

• بخشی از مقاله انگلیسی:

V. CONCLUSION

Epilepsy is a severe life threatening neurological disease. Taking EEGs of the patient it can be monitored and decide whether it is a generalized or partial epilepsy. This research work using proposed method investigates the classification accuracy of every EEG subset data in a 2 class and 3 class order and shows epilepsy detection with 100% and 80% accuracy respectively which can increase the detection accuracy of epileptic seizure in comparison with normal and interictal EEG signal period, specially to detect ictal periods of an epileptic patient. This will reduce the wrong alarm and increase the long-term epilepsy monitoring ability of the hospital.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله