| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک |
| عنوان انگلیسی مقاله: |
Classification of EMG signals using wavelet neural network |
|
|
| مشخصات مقاله انگلیسی و ترجمه فارسی | |
| سال انتشار | 2006 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| تعداد صفحات ترجمه مقاله | 30 صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش |
| رشته های مرتبط با این مقاله | پزشکی |
| گرایش های مرتبط با این مقاله | مغز و اعصاب |
| مجله | مجله روش های علوم اعصاب (Journal of Neuro science Methods) |
| دانشگاه | دانشگاه غازی عینتاب، دانشکده پزشکی، گروه مغز و اعصاب، ترکیه |
| کلمات کلیدی | الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک |
| شناسه شاپا یا ISSN | ISSN 0165-0270 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه الزویر | Elsevier |
- 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
|
|
| عنوان فارسی مقاله: |
دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک |
| عنوان انگلیسی مقاله: |
Classification of EMG signals using wavelet neural network |
|
|