معماری هوشمند محیطی مبتنی بر زمینه MRPM 12 ضربه ای فیلتر FIR نیم باند بیشتر حساسیت زدایی شده برای سیگنال EEG

Ambient intelligence architecture of MRPM context based 12-tap further desensitized half band FIR filter for EEG signal

چکیده
1. مقدمه
2. اثر مربوط
3. روش ارائه شده
4. نتایج و مباحث
5. نتیجه گیری
منابع

چکیده
فیلتر نیم باند ساخته شده با ساختاری آبشاری از فیلتر FIR عدم حساسیت پاسخ فرکانس را با توجه به کمی سازی ضریب کاهش می دهد. فقدان در حساسیت ضریب را می توان با فیلتر FIR نیم- باند حساسیت زدایی شده، بیشتر کاهش داد. یک فیلتر حساسیت زدایی شده دیجیتال شامل فیلتر نیم باند اول و دوم متصل به یک آبشار بین ورودی و خروجی فیلتر دیجیتال است. طراحی آنالیز سیگنال های (EEG) الکتروانسفالوگرام با معماری (FIR) فیلتر پاسخ پالس محدود نیم- باند انجام می شود. این اثر FIR نیم باند 12- ضربه اضافی حساسیت زدایی شده، یگ (MRPM) افزاینده (ضرب کننده) دهقان روسی تغییر یافته کارآمد را با یک بخش (SQRT CSLA) جمع کننده گزینش رقم نقلی ریشه مربعات به کار می گیریم، لازم به ذکر است که (SQRT CSLA) به منظور کاهش سخت افزار در واحد (MAC) ضرب کننده و جمع کننده استفاده می شود. طراحی فیلتر ارائه شده برای آنالیز سیگنال های EEG با سخت افزار کاهش یافته در مونیتورینگ مربوط به مراقبت های بهداشتی برای محیط پیرامون به کار گرفته می شود. روش ارائه شده کاهش 38.5% در تعداد LUTها، کاهش 47.49% در تعداد تکه ها، کاهش 8.16% در تاخیر (نانو ثانیه) و کاهش 29.80% در قدرت (mw) را به معرض نمایش می گذارد.

2. اثر مربوط
2.1. ضرب کننده دهقان روسی
RPM یکی از بهترین الگوریتم های ضرب است. این به قانون «ضرب و تقسیم» بستگی دارد. به منظور ضرب و تقسیم پیاده سازی داده های دیجیتال، شیفترهای چپ و راست استفاده می شود. جمع کننده ها، شیفترهای چپ، شیفترهای راست، تسهیم کننده های 2:1 در RPM استفاده می شود. این روش آسان برای ضرب دو مقدار بیت «n» بصورت مفصل توسط کومار و رابی (2016) تشریح می شود. در این ضرب، این مشتمل بر 3 مرحله است،
• نسل تولید جزئی (PPG)
• کاهش درخت والاس (WTR)
• واحد اضافه نهایی (FAU)

ساختار تغییر یافته ضرب کننده دهقان روسی در شکل 2 نشان داده شده است. در (MDRPM) ضرب کننده دهقان روسی دیجیتال تغییر یافته تنها شیفترهای چپ برای ارائه نتایج PPG استفاده می شود. (RWTG) نسل کاهشی درخت والاس به منظور ثبت نتایج PPG توسعه می یابد. ترکیب کمپرسورهای 5-2، 3-2، 4-2 و نصف جمع کننده ها در ضرب کننده درخت والاس کاهش یافته، در چهار بخش مختلف از مراحل کاهش تولیدات جزئی به کار گرفته می شود. اضافه دو داده بیت «n» با استفاده از (MSQRTCSLA) SQRTCSLA تغییر یافته 16- بیتی انجام می شود.

بلوک نسل رقم نقلی در SQRT CSLA زمان محاسباتی بیشتری را در فرایند اضافه نمودن خرح می کند. SQRTCSLA با استفاده از بلوک کاهش یافته CG تنها چند گیت AND دارد و گیت های OR به منظور تولید خروجی رقم نقلی استفاده می شوند، هم چنان که در SQRTCSLA مرسوم تعداد بالایی از گیت های AND و OR به کار گرفته می شود. MSQRTCSLA شامل DRPM است همانطور که توسط اوتیاکومار و کامالراج (2017) تشریح می شود.

دگرگونی های فضايی در میزان و دامنه‌ نوسانات فرکانس بالا در EEG داخل جمجمه‌ای

Spatial variation in high-frequency oscillation rates and amplitudes in intracranial EEG

چکیده

مواد و روش ها

جمع آوری داده‌

ثبت MRI قبل از عمل و CT و تعیین محل الکترودها بعد از عمل

نتایج

بحث

منابع

چکیده

هدف: ارزیابی تغییرات نرخ و دامنه‌ی نوسانات فرکانس بالا (HFO) در دو وضعیت فعالیت پایه و فعالیت حین حمله صرعی که در نواحی آناتومیکی مختلف مغز دسته بزرگی از بیماران اتفاق می‌افتد.
روش: هفتاد بیمار که ثبت EEG داخل جمجمه‌ای (iEEG) با پهنای باند وسیع (5 کیلوهرتز) داشتند، شناسایی شدند. این ثبت در فرآیند ارزیابی قبل از جراحی برای صرع مقاوم به دارو در سال‌های 2005 تا 2014 از بیمارانی که دارای تصویر MRI و CT با وضوح بالا بودند، انجام شد. در قسمت‌های دو ساعته از داده‌ی iEEG با کیفیت در بازه بین حمله‌ای، نوسانات فرکانس بالا از طریق آشکارساز حمله اتوماتیک، شناسایی شده‌اند. محل الکترودها به وسیله تصویربرداری MRI قبل از عمل جراحی تعیین می‌شود و با استفاده از اشعه ایکس بلافاصله بعد از کاشت الکترودها، محل الکترود برای جابه‌جایی داخل مغز بیمار انجام می‌گیرد. محل آناتومیک الکترودها با استفاده از اطلس مغزی دسیکان-کیلانی تهیه شده توسط نرم‌افزار FreeSurfer تعیین می‌شود. براساس آنچه در ثبت‌های بالینی iEEG تعیین می‌شود، نرخ و دامنه میانگین نوسانات فرکانس بالا در محل الکترودهای ناحیه شروع حمله و ناحیه‌ی غیرشروع حمله ، اندازه‌گیری می‌گردد. برای گسترش پژوهش‌ها در این زمینه، داده‌های تصویربرداری و iEEG به صورت رایگان در دسترس هستند (msel.mayo.edu).
نتایج: مقادیر دامنه و نرخ نوسانات فرکانس بالای پایه (در ناحیه غیرشروع حمله) به طرز قابل‌توجهی در ساختارهای مختلف مغزی و ساختارهای مشابه نیمکره‌های چپ و راست، تغییر می‌کند. اگرچه دامنه و نرخ نوسانات فرکانس بالا در نواحی شروع حمله به طور معنی‌داری بالاتر از نواحی غیرشروع حمله است، اما در هنگام تحلیل بدون توجه به محل الکترود، دامنه و نرخ نواحی شروع و نواحی غیر شروع حمله در برخی از لوب ها و ساختارها (به عنوان مثال، کورتکس پیشانی و گیجگاهی) متفاوت نیست.
نتیجه‌گیری: تغییرات آناتومیکی در دامنه و نرخ نوسانات فرکانس بالا در نواحی شروع حمله و غیر شروع حمله نشان می‌دهد که وقتی از نوسانات فرکانس بالا برای برنامه‌ریزی‌های قبل از عمل جراحی استفاده می‌شود، باید فعالیت این نوسانات به نسبت استاندارهای دقیق آناتومیکی در زمان‌هایی که حمله نیست بررسی شود.

این پژوهش، نشان‌دهنده‌ی تفاوت‌ های قابل‌توجهی در نرخ و دامنه نوسانات در ناحیه شروع حمله و ناحیه غیرشروع حمله است که در 38 ناحیه آناتومیکی تعریف شده توسط اطلس مغز دسیکان-کیلیانی و بین نواحی مشابه در نیمکره چپ و راست گسترده شده است. نرخ نوسانات فرکانس بالا در ناحیه شروع حمله نسبت به ناحیه غیرشروع حمله، در مناطق پارا-هيپوكامپ، پس‌سری و آهیانه‌ای تفاوت‌های قابل توجهی داشته و دامنه‌ی نوسانات در ناحیه شروع حمله نسبت به ناحیه غیرشروع حمله، در مناطق در مناطق پارا-هيپوكامپ و پیشانی متفاوت هستند. اما با این حال، تفاوت چشمگیری بین نرخ و دامنه‌ی نوسانات نواحی شروع حمله و غیرشروع حمله در بعضی از لوب‌ها و ساختارها مشاهده نمی‌شود (مانند قشر گیجگاهی). علاوه براین، در لوب‌های مغزی، نرخ و دامنه‌ی نوسانات فرکانس بالا هنگام فعالیت پایه‌ی ناحیه غیرشروع حمله دارای تفاوت‌هایی هستند. این تحلیل‌ها، اهمیت بررسی نرخ و دامنه‌ی نوسانات در مکان‌های آناتومیکی را به منظور تفکیک دقیق بین بافت سالم و بافت مشکل‌دار مغز (تولیدکننده حمله صرعی)، مشخص می‌کند.

Abstract

Objective To assess the variation in baseline and seizure onset zone interictal high-frequency oscillation (HFO) rates and amplitudes across different anatomic brain regions in a large cohort of patients.
Methods Seventy patients who had wide-bandwidth (5 kHz) intracranial EEG (iEEG) recordings during surgical evaluation for drug-resistant epilepsy between 2005 and 2014 who had high-resolution MRI and CT imaging were identified. Discrete HFOs were identified in 2-hour segments of high-quality interictal iEEG data with an automated detector. Electrode locations were determined by coregistering the patient’s preoperative MRI with an X-ray CT scan acquired immediately after electrode implantation and correcting electrode locations for postimplant brain shift. The anatomic locations of electrodes were determined using the Desikan-Killiany brain atlas via FreeSurfer. HFO rates and mean amplitudes were measured in seizure onset zone (SOZ) and non-SOZ electrodes, as determined by the clinical iEEG seizure recordings. To promote reproducible research, imaging and iEEG data are made freely available (msel.mayo. edu).
Results Baseline (non-SOZ) HFO rates and amplitudes vary significantly in different brain structures, and between homologous structures in left and right hemispheres. While HFO rates and amplitudes were significantly higher in SOZ than non-SOZ electrodes when analyzed regardless of contact location, SOZ and non-SOZ HFO rates and amplitudes were not separable in some lobes and structures (e.g., frontal and temporal neocortex).
Conclusions The anatomic variation in SOZ and non-SOZ HFO rates and amplitudes suggests the need to assess interictal HFO activity relative to anatomically accurate normative standards when using HFOs for presurgical planning.

This study demonstrates significant differences in rates and amplitudes of HFOs in SOZ and non-SOZ spanning the 38 anatomic regions defined by the D-K brain atlas, and between homologous regions in the left and right hemispheres. Significant SOZ vs non-SOZ differences in HFO counts were found in parahippocampal, occipital, and parietal regions, and differences in SOZ vs non-SOZ amplitudes were found in parahippocampal and frontal regions. However, significant differences between SOZ and non-SOZ counts and amplitudes were not observed in some lobes and structures (e.g., temporal neocortex). Further, differences in baseline, non-SOZ HFO rates and amplitudes were demonstrated among brain lobes. This analysis highlights the importance of considering measured HFO counts and amplitudes in the context of their anatomic locations in order to accurately differentiate between normal and pathologic, seizure-generating brain tissue.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

دگرگونی های فضايی در میزان و دامنه‌ نوسانات فرکانس بالا در EEG داخل جمجمه‌ای

Spatial variation in high-frequency oscillation rates and amplitudes in intracranial EEG

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

چکیده

1 مقدمه

2 کارهای مرتبط

3 روش‌شناسی و طراحی تجربی

4 نتایج

A) احساسات طبیعی

B) احساسات القایی

5 نتیجه‌گیری

چکیده

در طول چند دهه گذشته رابطه‌ی بین احساسات انسانی و سیگنال‌های EEG بطور مستمر مورد مطالعه قرار گرفته است. در این مقاله، ما تلاش جدیدی را در راستای اندازه‌گیری فعالیت مغز انسان و آنالیز سیگنال‌های آن با استفاده از الکتروانسفالوگرافی (EEG) بمنظور طبقه‌بندی احساسات انسانی نشان داده شده توسط موجک‌ های مغز انجام می‌دهیم. در این پژوهش، ما جهت آشکارسازی یا پی‌بردن به احساساتی همچون شادی، غم و ترس موجک های مغز دانشجویان دختر را مورد بررسی قرار خواهیم داد. در این پژوهش از حسگر های مخصوص طراحی شده که بر روی پوست سر قرار داده می‌شوند، استفاده خواهد شد. سیگنال های اندازه‌گیری شده به یک دستگاه محاسبه‌گر فرستاده می‌شوند. اطلاعات جمع‌آوری شده توسط سیستم نرم‌افزاری که توسط تیم ما ایجاد شده‌است، تجزیه و تحلیل می‌شوند. زمانیکه دستگاه برای هر احساس، سیگنال خاصی را دریافت می‌کند، ما از یک برنامه نویسی دینامیکی جهت پی بردن به حداکثر تعداد خدمات با کیفیت که برای کاربران فراهم می شوند، استفاده می‌کنیم.

5- نتیجه‌گیری

EEG در بیمارستان‌ها و زندان‌ها برای پی‌بردن به احساسات مجرمان و بیماران مورد استفاده قرار می‌گیرد. آن‌ها دریافتند که برخی روابط بین ویژگی‌های EEG و تمامی حس‌ها وجود دارد. این اطلاعات توسط دکتر در بیمارستان و توسط پلیس در موارد وقوع جرم کنترل می‌شوند. بر اساس نتایجی که ما در طول مطالعه سه حس برای سه دختر به آن‌ها رسیدیم. ما برنامه C++ مبتنی بر برنامه‌نویسی دینامیکی را جهت پی‌بردن به حداکثر خدمات با کیفیت که برای کاربران فراهم می‌شود زمانیکه دستگاه سیگنال‌های بخصوصی را برای هر حس ثبت می‌کند، بکار گرفتیم. ما از این نتایج به عنوان نقطه‌ی مرجع برای مقایسه‌ی موارد جدید با آن، جهت پی‌بردن به اینکه این مورد با کدام رفتار مطابقت دارد و همچنین پی‌بردن به مقدار درصد وضعیت عاطفی با استفاده از برنامه‌نویسی جاوا، استفاده کردیم.

Abstract

The relation between human emotions and EEG signals have been actively studied during the last few decades. In this paper, we study a novel attempt to measure the human brain activity and analyze its signals using electroencephalography (EEG) in order to classify the human emotions indicated by the brain wavelets. The study will measure the brain wavelets of female students in order to detect the emotions of happiness, sadness, and fear. This study will use specially designed sensors placed around the scalp. The measured signals transfer to a computing device. The data collected analyze by a software system, which developed by our team. We use dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion.

V- CONCLUSIONS

The EEG used in hospital and prisons to know the emotions of the offenders and patients. They find that there some relations between the characteristics of EEG and all emotions. These data managed by the doctor in hospital and policeman in case of crime. Based on the results that we reached during studying the three emotions for three girls. We implement a C++ program based on dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion. We used these results as the reference point to compare the new cases with it to know this case related to which emotion and to know how much the percentage of the emotional status by using java programming.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal

چکیده
1- مقدمه
2- روش پیشنهاد شده
الف) استخراج سیگنال محدود به باند
ب)استخراج ویژگی از چند باند
ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی
د) برازش مدل از الگوهای تغییرات ویژگی ها
ه) دسته بندی کننده
3- نتایج و مباحث
الف) دیتابیس ها
ب) نکویی برازش
ج) نکویی ویژگی ها
د) نتایج دسته بندی
4- جمع بندی
منابع

چکیده

آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند. در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.

4- جمع بندی

در تحلیل داده های EEG فریم به فریم به صورت متداول تنها مشخصه های کلی از یک فریم را می توان به دست آورد که در این مورد، ویژگی ها با در نظر داشتن کل فریم در یک زمان استخراج می شوند .در مقابل، در این مقاله، روش استخراج ویژگی به صورت دو مرحله ای ارائه شده است. نخست، ویژگی ها از یک مدت زمان کوتاه با همپوشانی بین فریم های فرعی در یک فریم محاسبه می شود که این کار باعث می شود که تغییرات شدید در زمان ثبت بشود و باعث می شود که تغییرات زمانی ویژگی استخراج شده در فریم، شناسایی شود. سپس تحلیل های آماری و مدل سازی بر روی الگوی تغییرات به دست آمده اعمال می شود که باعث می شود ما بتوانیم از مشخصه های محلی و سراسری یک فریم استفاده کنیم. جدا از تضمین تفکیک زمانی در استخراج ویژگی ها، استفاده از سیگنال هایی با چند باند باعث می شود که تفکیک فرکانسی نیز تضمین شود. در میان مدل های مختلف از PDF، مشخص شده است که PDF از نوع Rician بهترین کیفیت ویژگی را از نظر فاصله Bhattacharyyaو GSI ایجاد می کند. فارغ از نوع آپنه، روش پیشنهاد شده می تواند نه تنها موارد آپنه ای و افراد سالم را از یکدیگر تفکیک کند، بلکه می تواند فریم های آپنه ای و غیر آپنه ای در یک بیمار را هم شناسایی کند که این موضوع ، کاربرد بسیار مهمی در پلی سومنوگرافی شبانه (PSG) برای کاهش خطای انسانی، نیروی کار و هزینه دارد. روش پیشنهاد شده بر روی سه دیتابیس EEG بزرگ ارزیابی شد و مشخص گردید که این روش نسبت به روش های دسته بندی موجود از نظر معیار های عملکردی حساسیت، ویژگی و صحت ، برتری دارد. این موضوع باعث می شود که روش پیشنهاد شده در دامنه های تشخیصی گسترده، کاربرد های زیادی داشته باشد.

Abstract

Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe feature variation can be better represented by some statistical measures and characteristic probability density functions. It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity, and accuracy.

IV- CONCLUSION

In conventional frame-by-frame EEG data analysis only the global characteristics of a frame can be obtained as in that case, features are extracted considering the entire frame at a time. On the contrary, in this paper, two-stage feature extraction method is proposed. First, the feature is computed from small duration overlapping sub-frames within a frame, which can precisely capture sharp changes with respect to time and provide temporal variation of the extracted feature within that frame. Next, statistical analysis and modeling are carried out on the resulting feature variation pattern, which gives an opportunity to utilize both local and global characteristics of a frame. Apart from ensuring such time resolution in feature extraction, use of multi-band signals also ensures frequency resolution. Among various PDF models, it is found that the Rician PDF is offering the best feature quality in terms of Bhattacharyya distance and GSI. Irrespective of the type of apnea, the proposed method can not only classify apnea patient and healthy subject but also classify apnea and nonapnea frames of an apnea patient, which has a great demand in the overnight polysomnography (PSG) to reduce human error, labor and cost. The proposed method is evaluated on three different and large EEG databases and it offers superior classification performance in comparison to some existing methods in terms of sensitivity, specificity and accuracy. It makes the proposed method to be widely applicable in a greater domain of diagnosis.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

چکیده

1- مقدمه

2- ثبت EEG و fNIRS

3- روش

4- نتایج

5- نتیجه‌گیری و کار‌های آینده

چکیده

این مقاله، نتایج ابتدایی در مورد تشخیص حمله صرعی ارائه می‌دهد. ترکیب روش‌های طیف‌سنجی عملکردی نزدیک به مادون قرمز و الکتروآنسفالوگرام ، عملکرد بهتری نسبت به روش صرف EEG نشان می‌دهد. علاوه‌براین، بعضی نتایجی که پیش‌بینی می‌کند می‌توان حمله را تشخیص داد نیز ارائه شده است.

مقدمه

صرع جزء یکی از سه اختلال عصبی شایع است؛ این بیماری بعد از سکته مغزی و بیماری آلزایمر در رتبه سوم قرار دارد. تخمین زده شده 65 میلیون نفر در سراسر جهان که حدود 1% از جمعیت جهان را تشکیل می‌دهد، از صرع رنج می‌برند. به طور متوسط سالانه 60 مورد جدید شامل 100 هزار نفر اضافه می‌شوند.

نتیجه گیری

اگر چه نتایج حاصل از مطالعه موردی قطعی نیست، اما جدول 2 نشان می‌دهد که افزودن ویژگی‌های fNIRS به یک آشکارساز مبتنی بر EEG، عملکرد آن را به طور قابل توجهی بهبود می بخشد. علاوه براین براساس جدول 3 و شکل 5، تایید کردیم که اطلاعات موجود در fNIRS می‌تواند به تشخیص خیلی سریع‌تر حملات کمک کند.

با توجه به این نتایج امیدوارکننده، پژوهش‌های آتی ما در مورد به‌کارگیری این روش بر روی طبقه‌بندی‌کننده‌های دیگر و مجموعه داده‌های بزرگتر خواهد بود. همچنین بر استخراج ویژگی‌های جدیدتر و بهتر از سیگنال‌های fNIRS تمرکز خواهیم کرد و آنها را با ویژگی‌های استخراج شده از ثبت EEG ترکیب می‌کنیم. یکی از محدودیت‌های کار ما، عدم استفاده از الگوریتم انتخاب ویژگی است که اگر چه با توجه به نتایج امیدوار کننده تنها بر اساس استخراج دامنه سیگنال‌ها به عنوان ویژگی ممکن است مورد نیاز نباشد. در روش یادگیری ماشین ارائه شده، انتخاب پارامترهای بهینه مانند نوع هسته‌ی ماشین بردار پشتیبان و پارامترهای مرتبط با آن، تعداد نورون‌ها در لایه پنهان شبکه عصبی و همچنین فرآیند انتخاب ویژگی، در کار آتی بررسی خواهد شد.

Abstract

This paper presents preliminary results on epileptic seizure detection. Combination of functional Near Infrared Spectroscopy (fNIRS) and Electroencephalogram (EEG) recordings shows enhanced performance compare to EEG recordings alone. Moreover, some results concerning the anticipation at which a seizure can be detected are also presented.

INTRODUCTION

Epilepsy is one of the top three most common neurological disorders; it is just below strokes and Alzheimer disease [1]. It is estimated that 65 million people around the world suffer from epilepsy, which represents approximately 1% of the global population [2]. On average, 60 new cases of epilepsy 100,000 people emerge every year [2]–[4].

CONCLUSIONS AND FUTURE WORK

Even though results from a case-study are not conclusive, Table 2 suggests that adding fNIRS features to an EEG-based detector will considerably improve its performance. Furthermore, from Table 3 and Fig. 5 we confirmed that information contained within fNIRS can help to detect seizures much earlier. Given these promising results, our future work will be to try the same approach with others classifiers on a larger sample. We will also focus on extracting new and better classification features out of the fNIRS signals and combine them with features extracted from EEG recordings. One limitation of our work is the lack of implementation of a feature selection algorithm, although it may not be needed, given the promising results using only the amplitude of signals as features. The choice of optimal parameters in our machine learning approaches, such as SVM kernel type and its associated parameters, number of neurons in the ANN hidden layer as well as a feature selection process will be tackled in future work.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

طبقه بندی حملات صرعی با خصوصیات آماری سیگنال نوار مغزی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 بهینه ‌سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با استفاده از الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 بهینه ‌سازی تشخیص صرع بر پایه انرژی سیگنال EEG با الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بررسی مطالعات الکتروانسفالوگرافی (EEG) و پتانسیل های مرتبط به رویداد (ERP) در مورد شخصیت برون گرایی برای وظایف شناختی و خط مبنا

Review of EEG and ERP studies of extraversion personality for baseline and cognitive tasks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بررسی مطالعات الکتروانسفالوگرافی (EEG) و پتانسیل های مرتبط به رویداد (ERP) در مورد شخصیت برون گرایی برای وظایف شناختی و خط مبنا

Review of EEG and ERP studies of extraversion personality for baseline and cognitive tasks

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی با استفاده از سیگنال های نوار مغزی

Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals

چکیده

مقدمه

DATA

روش کار

پیش پردازش

شبکه عصبی مصنوعی (ANN)

شبکه عصبی کانولوشنی (CNN)

معماری

آموزش شبکه CNN

آزمایش مدل شبکه CNN

اعتبارسنجی متقابل k تایی

نتایج

بحث

نتیجه گیری

منابع

چکیده

نوار مغزی (الکترومغزنگاری)  (EEG) یک تست کمکی است که به طور متداول در تشخیص حملات صرع  مورد استفاده قرار می گیرد. سیگنال EEG حاوی اطلاعاتی درباره فعالیت الکتریکی مغز است. به طور متداول متخصصان مغز و اعصاب بررسی مستقیم تصویری را برای شناسایی ناهنجاری های صرع به کار می گیرند. این تکنیک می تواند وقت گیر باشد، به مصنوعات فنی محدود می شود، نتایج متغیر ثانویه را برای خواننده سطح متخصص فراهم می کند و در شناسایی ناهنجاری محدودیت دارد. بنابراین در توسعه سیستم تشخیص به کمک رایانه  (CAD) به منظور تمایز دسته این سیگنال های نوار مغزی با استفاده از تکنیک های یادگیری ماشین ضروری است. این مقاله اولین مطالعه ای است که شبکه عصبی کانولوشنی  (CNN) را برای تحلیل سیگنال های نوار مغزی به کار می گیرد. در این کار یک الکوریتم شبکه عصبی کانولوشنی عمیق با 13 لایه برای شناسایی انواع معمولی، مقدماتی و حمله ناگهانی پیاده سازی می گردد. تکنیک پیشنهادی به دقت، خصوصیت و حساسیت به ترتیب به میزان 88.67، 90 و 95 درصد دست یافته است.

مقدمه

براساس گزارش ارائه شده از سوی سازمان بهداشت جهانی (WHO)، نزدیک به 50 میلیون نفر در سرتاسر جهان از بیماری صرع رنج می برند [1]. همچنین تخمین زده می شود که 2.4 میلیون نفر به طور سالانه به بیماری صرع دچار می شوند [1].

حملات ناگهامی به دلیل تخلیه الکتریکی کنترل نشده در گروهی از نرون ها (عصب ها) رخ می دهد [2,3]. تخلیه الکتریکی بیش از اندازه منجر به تخریب کارکرد مغز می شود. بیماری صرع زمانی تشخیص داده می شود که بازگشت حداقل دو حمله ناگهانی غیرقابل تشخیص وجود دارد. این حمله می تواند در هر سنی تاثیرگذار باشد [4].

نتیجه گیری

نوآوری این مدل پیشنهادی به کارگیری شبکه عصبی عمیق برای تشخیص حمله ناگهانی مبتنی بر نوار مغزی است. یک الگوریتم CNN یادگیری عمیق سیزده لایه ای به منظور تجزیه و تحلیل خودکار سیگنال های نوار مغزی به کار گرفته شده است. دقت متوسط به میزان 88.7 درصد همراه با خصوصیت 90 درصدی و دقت 95 درصد به دست آمده است. عملکرد (دقت، حساسیت و خصوصیت) مدل پیشنهادی تا حدی کمتر از کارهای خلاصه شده در جدول 4 است. با این حال، مزیت مدل ارائه شده در این کار به مراحل مجزای استخراج ویژگی و انتخاب ویژگی مربوط می شود که در این کار مورد نیاز نمی باشند. با این حال، عیب اصلی این روش کمبود دیتابیس عظیمی از داده های نوار مغزی است. الگوریتم پیشنهادی نیازمند تنوع داده ها برای دستیابی به عملکرد بهینه است. عملکرد تکنیک پیشنهادی با به کارگیری یک الگوریتم بسته بندی  و افزایش تعداد نمونه ها قابل بهبود است.

Abstract

An encephalogram (EEG) is a commonly used ancillary test to aide in the diagnosis of epilepsy. The EEG signal contains information about the electrical activity of the brain. Traditionally, neurologists employ direct visual inspection to identify epileptiform abnormalities. This technique can be time-consuming, limited by technical artifact, provides variable results secondary to reader expertise level, and is limited in identifying abnormalities. Therefore, it is essential to develop a computer-aided diagnosis (CAD) system to automatically distinguish the class of these EEG signals using machine learning techniques. This is the first study to employ the convolutional neural network (CNN) for analysis of EEG signals. In this work, a 13-layer deep convolutional neural network (CNN) algorithm is implemented to detect normal, preictal, and seizure classes. The proposed technique achieved an accuracy, specificity, and sensitivity of 88.67%, 90.00% and 95.00%, respectively.

INTRODUCTION

According to the World Health Organization (WHO), nearly 50 million people suffer from epilepsy worldwide [1]. It is estimated that 2.4 million people are diagnosed with epilepsy annually [1].

Seizures are due to the uncontrolled electrical discharges in a group of neurons. [2, 3]. The excessive electrical discharges result in the disruption of brain function. Epilepsy is diagnosed when there is recurrence of at least two unprovoked seizures. It can affect anyone at any age [4].

CONCLUSION

A novelty of this proposed model is being the first application of deep neural network for EEG-based seizure detection. A 13-layer deep learning CNN algorithm is implemented for the automated EEG analysis. An average accuracy of 88.7% is obtained with a specificity of 90% and a sensitivity of 95%. The performance (accuracy, sensitivity, and specificity) of proposed model is slightly lower than some of the works summarized in Table 4. The advantage of the model presented in this paper, however, is separate steps of feature extraction and feature selection are not required in this work. Nevertheless, the main drawback of this work is the lack of huge EEG database. Proposed algorithm requires a diversity of data to obtain an optimum performance. The performance of this technique can be improved by applying a bagging algorithm and increasing the number of samples.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی با استفاده از سیگنال های نوار مغزی

Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals

آشکارسازی حملات ناگهانی صرعی در مانیتورینگ تک کاناله طولانی مدت سیگنال الکتروانسفالوگرافی در بیماران مبتلا به حملات تشنجی غایب

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص پاروکسیسم در طولانی مدت EEG، مانیتورینگ الکترونی تک کانال در بیماران مبتلا به تشنجهای غیر معمول

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.