این مقاله انگلیسی ISI در نشریه Ijcaonline در 5 صفحه در سال 2017 منتشر شده و ترجمه آن 11 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله مسائل و راهکارهای پیش پردازش سیگنال الکتروانسفالوگرافی (Ijcaonline 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

نوشته دانلود رایگان ترجمه مقاله مدل ریاضی برای رمزگذاری الکترولیتی ذرات با ماتریس فلزی (نشریه الزویر 1986) اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1. مقدمه
2. مراقبت سلامتی روانی الکترونیکی
3. طراحی سنسورهای EEG پوشیدنی
4. روش سنجش کیفیت سیگنال EEG
A. راه اندازی آزمایش
B. روشهای سنجش کیفیت سیگنال EEG
C. نمرات کیفیت EEG در OPTIMI
5. حذف آرتیفکت های چشمی در ترکیب با تبدیل موجک گسسته و حذف نویز تطبیقی یا وفقی
6. استخراج ویژگیها
7. نتیجه گیری و کار آتی

• بخشی از ترجمه:

7. نتیجه گیری و کار آتی
پردازش سیگنال EEG در بطن پروژه OPTIMI جای دارد. با توجه به فقدان سنسورهای EEG کم هزینه و سبک وزن مناسب، سنسورهای EEG پوشیدنی جدیدی طراحی و تولید کرده ایم که عموم در محیط روزمره به راحتی می توانند از آن استفاده نمایند. برای اعتبارگذاری سنسور هنگام استفاده در شرایط نرمال/ دنیای واقعی از سوی اشخاص غیر حرفه ای ( به عبارتی بدون آموزش و مهارت حرفه ای)، یک الگوریتم برای محاسبه کیفیت سیگنال EEG معرفی کرده ایم که به واسطه آن کاربران می توانند اتصال الکترودها جهت تصحیح هر گونه خطا و تناسب با محیط غالب و متداول را تنظیم نمایند. نتایج گزارش شده نشان می دهد که روش پیشنهادی به خوبی عمل کرده و اهداف/ نیازهای طراحی را تامین و به تضمین کیفیت سیگنال EEG کمک می کند. به علاوه، از سنسور پوشیدنی همچنین می توان به عنوان یک ابزار تشخیصی کم هزینه جهت تامین نیازهای آزمایشات سلامت الکترونیکی بزرگ استفاده نمود.

• بخشی از مقاله انگلیسی:

VII. CONCLUSION AND FUTURE WORK

EEG signal processing is at the heart of the OPTIMI project. Considering a lack of suitable low cost and light weight EEG sensors, we have designed and produced a novel wearable EEG sensor that can be easily used by ordinary public in an everyday setting. In order to validate the sensor when used in normal/realworld conditions by a non-professional (i.e., not professionally trained and qualified) person, we have presented an algorithm to calculate EEG signal quality with which the users can adjust the connection of electrodes to correct any errors and to suit the prevailing environment. The reported results show that our proposed method functions well, meeting the design goals/requirements and helping to ensure the quality of the EEG signal. In addition, the wearable sensor can also be used as a low cost diagnostic tool to meet the needs of large e-health trials.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده پیش بینی استرس روانی با مدل اندازه گیری کیفیت سیگنال در سنسور EEG – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2014
تعداد صفحات مقاله انگلیسی	14 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	پزشکی و مهندسی پزشکی
گرایش های مرتبط با این مقاله	مغز و اعصاب، بیوالکتریک و بیومکانیک
مجله	سنسورها – Sensors
دانشگاه	گروه مهندسی پزشکی، دانشکده مهندسی، دانشگاه مالایا، کوالالامپور
کلمات کلیدی	EMG برانگیخته، خستگی؛ گشتاور؛ انقباض FES؛ آسیب نخاعی
شناسه شاپا یا ISSN	ISSN  1424-8220
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت MDPI
نشریه MDPI

فهرست مطالب:

چکیده
1. مقدمه
2. بخش آزمایشی
2.1 سوژه ها
2.2 ابزار
2.3 روند آزمایشی
2.4 راه اندازی FES و eEMG
2.5 پردازش داده های eEMG
2.6 تحلیل های آماری
3. نتایج
3.1 خستگی
3.2 بازیابی
4. مباحث
5. جمع بندی

بخشی از ترجمه:

5. جمع بندی
خوانده های مختلف موج m زمانی که گشتاور های عضله ای مشابه ایجاد شده بود شناسایی شد که مبتنی بر میزان خستگی عضله های چهار سر میباشد. یک ضریب ثابت بین نرخ تغییرات موج m و گشتاور در طول انقباض های خسته کننده و وقفه های بازیابی به نظر وجود دارد. در هر صورت، تغییرات مشخص شده بر روی مقادیر محض قبل و بعد از مقادیر مختلف از خستگی این دینامیک را مشخص کرد. نتایج ارائه شده در این مقاله نشان داد که وقفه های کوتاه بازیابی فراهم شده در طول جلسه های تمرین FES که توسط مبتلا به SCI به شدت با هر تلاش برای استفاده از امواج m به صورت مستقیم به عنوان نمایه ای از تخمین گشتاور، مشکل ایجاد میکنند. خستگی پیش حالت عضله ها به صورت لحظه ای در لحظه ی تمرین های تحریک شده ی FES میتواند یک موضوع متناقض را نشان دهد. کاربرد پتانسیل امواج m یکی از مواردی است که در مورد خستگی عضله در طول فعالیت های فیزیکی FES اطلاعات ایجاد میکند که این موضوع برای درک بهتر از مکانیزم های خستگی عضله و بازیابی در این جمعیت با فلج های طولانی مدت در ایستایی، بررسی شود.

بخشی از مقاله انگلیسی:

5. Conclusions

Different m-wave readings were detected when the same muscle torque was being generated, depending upon how fatigued the quadriceps muscles were. A constant factor between the change rates of m-waves and torque during both fatiguing contractions and recovery intervals appeared to exist. Nonetheless, variations found on absolute values before and after different degrees of fatigue did clarify this dynamics. The results presented in this paper revealed that brief recovery intervals provided during FES exercise sessions performed by individuals with SCI could drastically interfere with any attempt of using m-waves as a direct proxy for torque estimation. The instantaneous pre-state of muscle fatigue at the moment of the FES-evoked exercise could also present as a confounding issue. The potential utility of m-waves being a sensor of muscle fatigue during FES-evoked physical activities must be further investigated to gain better understanding of the mechanisms of muscle fatigue and recovery in this population with long-standing muscle paresis/paralysis.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله EMG در مقابل گشتاور عضلات در تحریک انقباضات عضلانی در افراد مبتلا به آسیب نخاعی – مجله MDPI اولین بار در ترجمه فا پدیدار شد.

• بخشی از ترجمه:

چکیده
یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل ١٢٠٠ MUP که از ٧ مورد طبیعی، ٧ مورد دارای بیماری میوپاتی، و ١٣ مورد دارای بیماری های با ریشه عصبی بدست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN ٩٠.٧% و برای روش FEBANN ٨٨% بوده است. مقایسه ی بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.
کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک
١.مقدمه:
بیش از ١٠٠ اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریت کردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در |زوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود.

• بخشی از مقاله انگلیسی:

Abstract

An accurate and computationally efficient means of classifying electromyographic (EMG) signal patterns has been the subject of considerable research effort in recent years. Quantitative analysis of EMG signals provides an important source of information for the diagnosis of neuromuscular disorders. Following the recent development of computer-aided EMG equipment, different methodologies in the time domain and frequency domain have been followed for quantitative analysis. In this study, feedforward error backpropagation artificial neural networks (FEBANN) and wavelet neural networks (WNN) based classifiers were developed and compared in relation to their accuracy in classification of EMG signals. In these methods, we used an autoregressive (AR) model of EMG signals as an input to classification system. A total of 1200 MUPs obtained from 7 normal subjects, 7 subjects suffering from myopathy and 13 subjects suffering from neurogenic disease were analyzed. The success rate for the WNN technique was 90.7% and for the FEBANN technique 88%. The comparisons between the developed classifiers were primarily based on a number of scalar performance measures pertaining to the classification. The WNN-based classifier outperformed the FEBANN counterpart. The proposed WNN classification may support expert decisions and add weight to EMG differential diagnosis. © 2006 Elsevier B.V. All rights reserved.

1. Introduction

More than 100 neuromuscular disorders that influence the spinal cord, nerves or muscles are present. Early finding and diagnosis of these diseases by clinical examination and laboratory tests is crucial for their management as well as their anticipation through prenatal diagnosis and genetic counselling. Such information is also valuable in research, which may lead to the understanding of the nature and eventual treatment of these diseases (Christodoulou and Pattichis, 1999). Motor unit morphology can be studied by recording its electrical activity, known as electromyography (EMG). In clinical EMG motor unit potentials (MUPs) are recorded using a needle electrode at slight voluntary contraction. The MUP reflects the electrical activity of a single anatomical motor unit.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله طبقه بندی سیگنال EMG با استفاده از شبکه عصبی موجک – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• بخشی از ترجمه:

چکیده
هدف این مقاله، ارزیابی تاثیر برنامه ورزش استقامتی مبتنی بر آستانه خستگی برق نگاری ماهیچه ای (که به صورت بالاترین شدت فعالیت های ورزشی انجام گرفته بدون تناوب های EMG تعریف می شود)، مبتنی بر مقادیر دامنه (ریشه دوم میانگین، RMS) و فرکانس (متوسط فرکانس MF) برای عضله های دوسر بازویی (BB)، brachioradials (BR)، عضله های سه سر (TB)، و چندشکافی (MT) می باشد. ٢٠ فرد مرد سالم، (گروه تمرینی [TG] ، n = ١٠، گروه کنترل شده [CG]، n = ١٠، ابتدا انقباض های هم اندازه را انجام دادند و بعد از آن عضله های دوسر داینامیک برای تعیین EMG در چهار بار مختلف برای شناسایی EMGFT حلقه شدند. برنامه ورزش TG از مقدار BBEMGFT استفاده کرد (٨ هفته، ٢جلسه/هفته، ٣ مسابقه بوکس کامل/جلسه، ٢ دقیقه استراحت بین مسابقات بوکس). هیچ اختلاف عمده ای برای نیروی ایزومتری بعد از ورزش وجود نداشت. شیب های رگرسیون خطی RMS در طول پیچش عضله دو سر، افزایش عمده ای را بعد از ورزش برای عضلات BB، BR و TB نشان دادند. برای عضله ی MT، مقادیر شیب و عرض MF با ورزش تغییر کردند. برنامه ی ورزش مبتنی بر EMG روی دامنه EMG، بیشتر از فرکانس EMG تاثیر گذاشت، احتمالا در رابطه با الگوهای توان گیری عضلات، گرچه عضلات منبسط تنه تغییراتی را در پارامتر فرکانس نشان دادند که با برنامه ی ورزش مطابقت دارند.
چکیده” RMS؛بسامد میانه، EMGFT، ورزش مقاومتی، تمرین
مقدمه:
ورزش استقامتی پویشی منجر به افزایش هایی در خروجی نیروی عضلانی و هیپرتروفی می شود. این تناوب ها به همراه افزایش هایی در دامنه ی برق نگاری ماهیچه در طول ماکزیمم غلظت ها بودند، در حالیکه پارامترهای فرکانس بدون تغییر ماندند. با وجود اطلاعات مهمی که EMG در مورد تاثیرات ورزش ارائه می کند، کمبود اطلاعات در مورد استفاده از شاخص EMG برای دستورات بار ورزش وجود دارد، مخصوصا در آستانه ی خستگی برق نگاری ماهیچه. این شاخص برپایه ی EMG در مقابل مقادیر شیب زمانی در سطوح بار مختلف می باشد و به صورت شدتی تعریف می شود که در آن فرد می تواند به مدت طولانی بدون تغییراتی در فعالیت EMG ورزش کند.

• بخشی از مقاله انگلیسی:

Abstract

The present study aimed to evaluate the effect of a resistance training program based on the electromyographic fatigue threshold (EMGFT, defined as the highest exercise intensity performed without EMG alterations), on the EMG amplitude (root mean square, RMS) and frequency (median frequency, MF) values for biceps brachii (BB), brachioradialis (BR), triceps brachii (TB) and multifidus (MT). Twenty healthy male subjects, (training group [TG], n = 10; control group [CG], n = 10), firstly performed isometric contractions, and after this, dynamic biceps curl at four different loads to determine the EMGFT. The TG training program used the BB EMGFT value (8 weeks, 2 sessions/week, 3 exhaustive bouts/session, 2 min rest between bouts). No significant differences were found for the isometric force after the training. The linear regression slopes of the RMS with time during the biceps curl presented significant decrease after training for the BB, BR and TB muscles. For the MT muscle, the slope and MF intercept values changed with training. The training program based on the EMGFT influenced EMG the amplitude more than EMG frequency, possibly related to the recruitment patterns of the muscles, although the trunk extensor muscles presented changes in the frequency parameter, showing adaptation to the training program. 2007 Elsevier Ltd. All rights reserved.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله میدان ماهیچه نگار برقی و شاخص های بسامد فعالیت عضلانی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.