دانلود ترجمه مقاله طبقه بندی شبکه عصبی سیگنال EEG برای تشخیص حمله ناگهانی (2017 – IEEE) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

طبقه بندی شبکه عصبی سیگنال EEG برای تشخیص حمله ناگهانی

Neural network classification of EEG signal for the detection of seizure

چکیده
1 مقدمه
2 مروری بر کارهای گذشته
3 روش کار
4 پیاده سازی
A استخراج ویژگی با استفاده از تبدیل DWT
B ویژگی های آماری
C دیتابیس (پایگاه داده) نوار مغزی
D طبقه بندی
5 نتایج
6 نتیجه گیری
منابع

چکیده

مغز قوی ترین بخش از بدن انسان است که شامل نرون های متعددی است. فعالیت الکتریکی مغز توسط تکنیک های زیادی قابل اندازه گیری است به طوری که نوار مغزی  (EEG) به طور گسترده مورد استفاده قرار می گیرد. هرگونه تغییر در سیگنال الکتریکی معرف یک ناهنجاری در انسان است. این مقاله الگوریتمی را برای تحلیل سیگنال نوار مغزی به منظور تشخیص حمله ناگهانی با استفاده از تبدیل موجک  و پارامترهای آماری پیشنهاد می دهد. مجموعه داده ها (دیتاست) شامل دو نرخ نمونه برداری است که یکی 128 هرتز و دیگری 1024 هرتز است. استخراج ویژگی با استفاده از تبدیل موجک گسسته انجام شده است. هنگامی که استخراج ویژگی انجام می شود، داده ها به منظور طبقه بندی به یک شبکه عصبی تحویل داده می شود. یک شبکه عصبی چند لایه برای دسته بندی حمله ناگهانی و فرد نرمال مورد استفاده قرار گرفته است. الگوریتم پیشنهادی بر روی 23 دیتاست تست می شود. دقت طبقه بندی به میزان 100 ردصد برای نرخ نمونه برداری 1024 هرتز و دقت 85 درصد برای نرخ نمونه برداری 128 هرتز به دست آمده است. دقت کل سیستم نیز برابر با 92.5 درصد به دست آمده است.

1 مقدمه

نوار مغزی (EEG) ابزاری مهم و اثربخش در اندازه گیری فعالیت های مغز و درک رفتار پیچیده مغز است. حتی تغییرات کوچک در سیگنال نوار مغزی می تواند نوع ویژه ای از اختلال مغزی را معرفی کند و در نتیجه در توسعه الگوریتمی که برای تشخیص ناهنجاری مغزی قابل استفاده باشد ضروری است چرا که می تواند بر زندگی یک فرد تاثیرگذار باشد. نوار مغزی یک روش غیر تهاجمی و نسبتاً ارزان قیمت است که به منظور نمایش وضعیت مغز مورد استفاده قرار می گیرد. براساس یک پژوهش جهانی، حدود یک درصد از جمعیت جهان دارای بیماری صرع هستند و این بیماری دومین اختلال شایع عصبی است [3]. این اختلال عصبی با حملات ناگهانی مکرر و غیر قابل تشخیص صرع مرتبط است که به دلیل تخلیه (دشارژ) بیش از حد گروه های نرون مرکزی ایجاد می شود که برای انسان زیان آور است. با این وجود، فردی که فاقد بیماری صرع است می تواند از حملات ناگهانی رنج ببرد. رفتار فردی که دارای حمله ناگهانی است از تکان دادن ساده یک انگشت تا تشنج که عضلات به روشی که قابل کنترل نیستند منقبض و آزاد می شوند و سبب حرکت غیر اختیاری بدن می شود، متغیر است.

6 نتیجه گیری

در این مقاله دو دیتابیس مورد استفاده قرار گرفته است که یکی با نرخ نمونه برداری 128 و دیگری با نرخ 1024 هرتز به کار گرفته شده است. استخراج ویژگی با استفاده از روش DWT انجام شده و پارامتر آماری براساس ضرایب موجک محاسبه شده است. به منظور اهداف طبقه بندی، سه مجموعه مختلف در نظر گرفته شده است. با در نظر گرفتن تمامی سه باندها، تنها سه باند را به صورت همزمان و در نهایت باند منحصر به فرد را در نظر می گیریم. براساس جداول 1 و 2 نتیجه گیری می شود که نتایج برای نرخ نمونه برداری 1024 هرتز دقیق تر هستند. همچنین این مقاله نتیجه گیری می کند که دقت کمتر است هنگامی که نرخ نمونه برداری کمتر است. اما هنگامی که نرخ نمونه برداری افزایش می یابد، سطح تجزیه افزایش می یابد که به نوبه خود سبب افزایش زمان پردازش می شود.

Abstract

Brain is the strongest part of the human body which consists of the number of neurons. Electrical activity of the brain can be measured using many techniques in which EEG is widely used. Any change in electrical signal will define a particular abnormality in human. This paper, suggest a algorithm for the EEG signal analysis for the detection of seizure using wavelet transform and statistical parameters. Data set consists of two sampling rates, one with 128Hz and another with sampling rate of 1024Hz. Feature extraction was done using discrete wavelet transform. Once a feature extraction is done the data will be given to a neural network for the classification. A multilayered neural network was used classify seizure and normal person. The proposed algorithm is tested on 23 data sets. Classification accuracy of 100% has been achieved for the sampling rate of 1024 and 85% for the data with sampling rate of 128. Total system accuracy achieved is 92.5%.

I. INTRODUCTION

EEG (Electroencephalography) is an important and effective tool to measure the activities of brain and understand the complex behavior of the brain. Even a small variations in EEG signal define a specific type of brain disorder and hence it is necessary to develop an algorithm which can be used for the detection of brain abnormality since it may affect the life of a person. EEG is a dynamic non-invasive and relatively inexpensive method used to monitor the state of brain. According to the survey about 1% of the world’s population is having epilepsy and it is the 2nd most common neurological disorder [3]. This neurological disorder is associated with recurrent, unprovoked epileptic seizures which results due to the excessive – discharge of central neuron groups which are harmful to human. However, person who does not have epilepsy can suffer from seizures. The Behavior of the person with seizure ranges from simple finger twitching to convulsion where muscles will contract and relax in a manner which can not be controlled, results in an involuntary movement of the body.

VI. CONCLUSION

In this paper, two database have been used, one with 128Hz and another is with 1024Hz. Feature extraction was done using DWT method and statistical parameter were calculated on wavelet coefficients. For classification purposes, three different sets have been considered. Considering all the bands at once, considering only three bands at a time and finally considering the individual band. From the Table I, II conclude that for the sampling rate of 1024 Hz results are more accurate. This paper also concludes that the accuracy is less when sampling rate is less. But when sampling rate is increased decomposition level increases which in turn increases the processing time.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی شبکه عصبی سیگنال EEG برای تشخیص حمله ناگهانی

Neural network classification of EEG signal for the detection of seizure