دانلود رایگان ترجمه مقاله تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان (نشریه IEEE 2007) (ترجمه رایگان – برنزی ⭐️)
این مقاله انگلیسی ISI در نشریه IEEE در ۴ صفحه در سال ۲۰۰۷ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله رایگان – برنزی ⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان |
عنوان انگلیسی مقاله: |
Automated neonatal spike train detection as part of a neonatal seizure detection system |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۰۷ |
تعداد صفحات مقاله انگلیسی | ۴ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع ارائه مقاله | کنفرانس |
رشته های مرتبط با این مقاله | مهندسی پزشکی و پزشکی |
گرایش های مرتبط با این مقاله | پردازش تصاویر پزشکی، بیومکانیک، مغز و اعصاب |
چاپ شده در مجله (ژورنال) | ششمین سمپوزیوم بین المللی در تصویربرداری منبع عملکردی غیرتهاجمی مغز و قلب |
ارائه شده از دانشگاه | گروه مهندسی برق، لوون، بلژیک |
شناسه دیجیتال – doi | https://doi.org/10.1109/NFSI-ICFBI.2007.4387734 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | F1732 |
نشریه | آی تریپل ای – IEEE |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ترجمه رایگان – برنزی ⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۳ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ندارد ☓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
ترجمه پاورقی | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله پایین میباشد. |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده |
بخشی از مقاله انگلیسی |
Abstract Neonatal seizures are an important sign of central nervous system dysfunction and require immediate medical attention. In this paper a new algorithm is presented for the detection of seizures in the electroencephalogram (EEG) of neonates. In contrast to the common approach in the literature, we define two (rather than one) types of seizures. This paper presents a new algorithm for the detection of one of these seizure types, namely a spike train, in the electroencephalogram (EEG) of neonates. The sensitivity of this algorithm is 98%, the positive predictive value 86% with a false positive rate of 0.6 per hour. Preliminary results on this subset indicate a clinically usable algorithm and outperform other published methods. An algorithm for the second seizure type was also developed but will be explained in a follow-up paper. ۱٫ Introduction Seizures occur in approximately 0.5% of all neonates. The causes of seizures are many and various, with 90% of all cases being attributed to biochemical imbalances within the CNS, hypoxic ischemic encephalopathy, intracranial hemorrhages and infarcts, intracranial infection and developmental (structural) anomalies [12]. The manual detection of these seizures is usually based on clinical signs in conjunction with visual assessment of the EEG. In neonates the clinical seizures are often subtle and and may be missed without constant supervision [4]. Also many seizures tend to be subclinical, detected only by EEG monitoring. Furthermore, EEG analysis requires particular skills which are not always present around the clock in the neonatal intensive care unit (NICU). This implies that many seizures are missed [9]. For these reasons an automated system that reliably detects neonatal seizures would be of significant value in the NICU. In the literature many seizure detection algorithms have been described. The best known methods are based on computing a running autocorrelation function [8], rhythmic discharges detection [5] and modeling and complexity analysis [3]. Others are based on the extraction of features using entropy, wavelets, frequency content, etc and then training a classifier ([6], [13], [1]) to correctly categorize these features. In this paper we will use a different approach. Most neonatal seizure detection algorithms make no distinction between different types of seizures. We, on the contrary, defined two seizure types. The first is the spike train type (Fig. 1) , the second the oscillatory type (Fig. 2). The major difference between the two types lies in the fact that the oscillatory type is a fluent, continuous kind of seizure whereas the spike train type consists of spikes interrupted by lower voltage EEG. Different detection algorithms were developed for the two types. During analysis both algorithms run in parallel and a detection occurs if one or both of the algorithms detects a seizure. A novel approach is that the developed algorithms will mimic a human observer reading EEG. In case of a spike train a human observer looks for a repetitive pattern of very similar repeated spikes. Therefore an algorithm based on this strategy must first find these spikes and then check their repetitiveness and similarity. In this paper we will present the spike train detection. The oscillation detection will be discussed in a follow-up paper. |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان |
عنوان انگلیسی مقاله: |
Automated neonatal spike train detection as part of a neonatal seizure detection system |
|