دانلود ترجمه مقاله ارزیابی آنالیز اتوماتیک الکتروانسفالوگرافی صرع – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” ارزیابی آنالیز اتوماتیک الکتروانسفالوگرافی صرع ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
۱٫مقدمه
۱٫۱٫روش‌های تشخیص صرع
۱٫۲٫ تحلیل الکتروانسفالوگرام جهت تشخیص صرع
۲٫روش‌ها
۲٫۱٫ روش‌های تحلیل الکتروانسفالوگرام
۲٫۱٫۱٫ روش‌های دامنه زمان
۲٫۱٫۲٫ روش‌های دامنه فرکانس
۲٫۱٫۳٫ روش‌های دامنه زمان – فرکانس
۲٫۱٫۴٫ روش تحلیل غیرخطی
۲٫۲٫ تحلیل داده‌های جایگزین
۲٫۳٫ ضرورت روش‌های غیرخطی در تحلیل الکتروانسفالوگرام
۳٫ دسته‌بندی فعالیت صرع
۳٫۱٫ تحقیقات ارائه‌دهنده تکنیک‌های دسته‌بندی دو گونه (عادی، ایکتال) فعالیت صرع
۳٫۲٫ تحقیقات ارائه‌دهنده تکنیک‌های دسته‌بندی سه گونه (مراحل عادی، اینترایکتال، ایکتال) فعالیت صرع
۴٫ نتیجه‌گیری

• بخشی از ترجمه:

۴٫ نتیجه‌گیری
سیگنال‌های الکتروانسفالوگرام را می‌توان به طور مؤثر در بررسی حالات ذهنی و بیماری‌های مرتبط با مغز بکار برد. موضوعات ذاتی مربوط به سیگنال الکتروانسفالوگرام این است که سیگنال، ماهیت بسیار غیرخطی دارد و تفاسیر بصری آن تحت تأثیر تغییرات بین مشاهده‌گر کسل‌کننده و ذهنی هستند. ما تکینک‌های تحلیل سیگنال متعددی نظیر روش‌های خطی، دامنه فرکانس، زمان – فرکانس و غیرخطی را در این نقد و بررسی معرفی کرده‌ایم تا بتوانیم در تحلیل هر چه بهتر سیگنال‌های الکتروانسفالوگرام به محققان کمک کنیم. تمرکز اصلی ما در این مطالعه بر شناسایی بیماری صرع قرار داشت. صرع نوعی اختلال عصبی است که به دلیل ماهیت ناگهانی و نامشخص بروز آن می‌تواند باعث ناراحتی جدی بیماران شود. جنبه خوب این بیماری این است که با داروهای ضد صرع قابل درمان می‌باشد. سیستم خودکار شناسایی ماهیت حملات در مرحله اولیه (اینترایکتال) و دسته‌بندی مراحل عادی، اینترایکتال و ایکتال می‌تواند با جلوگیری از وقوع حمله به بهبود کیفیت زندگی کمک نماید.

• بخشی از مقاله انگلیسی:

۴٫ Conclusions

EEG signals can be used effectively to study the mental states and ailments related to the brain. The inherent issues with the EEG signal are that it is highly nonlinear in nature and its visual interpretations are tedious and subjective prone to inter-observer variations. To help researchers better analyze EEG signals, we have presented various signal analysis techniques such as linear, frequency domain, time–frequency, and nonlinear methods in this review. Our key focus in this review was on epilepsy detection. Epilepsy is a neurological disorder that can cause serious discomfort to the patients due to its abrupt and uncertain nature of presentation. A good side of it is that it is treatable with antiepileptics. An automated system to detect the nature of the seizures at early stage (interictal) and to classify normal, interictal, and ictal states can help improving the quality of life by preventing its occurrence. In this regard, we have summarized the findings of many automated epilepsy activity classification techniques that use EEG as the base signal.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله