مقاله انگلیسی چارچوب بر مبنای ویژگی های غیر خطی و ماشین یادگیری برای تشخیص صرع با ترجمه فارسی در word دارای 25 صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله انگلیسی چارچوب بر مبنای ویژگی های غیر خطی و ماشین یادگیری برای تشخیص صرع با ترجمه فارسی در word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : توضیحات زیر بخشی از متن اصلی می باشد که بدون قالب و فرمت بندی کپی شده است
بخشی از فهرست مطالب پروژه مقاله انگلیسی چارچوب بر مبنای ویژگی های غیر خطی و ماشین یادگیری برای تشخیص صرع با ترجمه فارسی در word
مقدمه
2 مواد و روش ها
21مجموعه داده ها
22 مرور کلی سیستم
23 تحلیل موجک
24 استخراج ویژگی
241 آنتروپی تقریبی
242 آنتروپی نمونه
243 طرح های بازگشتی و تحلیل کمی آن
244 انرژی بر پایه ی موجک
25 طبقه بندی
251 ماشین یادگیری شدید
252 سیستم تشخیص مستقل بیماری
253 اصطلاحات معیارهای عملکرد
3 نتایج
31 ویژگی های دینامیکی با روش های غیر خطی مبتنی بر موجک
32 مقیاس عملکرد و تشخیص
5 نتایج
References
[1] A. Shoeb, H. Edwards, J. Connolly, B. Bourgeois, S.T. Treves, J. Guttag, Patientspecific seizure onset detection, Epilepsy Behav. 5 (4) (2004) 483–498 [2] A. Schad, K. Schindler, B. Schelter, T. Maiwald, A. Brandt, J. Timmer, A. SchulzeBonhage, Application of amultivariate seizure detection and predictionmethod to non-invasive and intracranial long-term EEG recordings, Clin. Neurophysiol. 119 (2008) 197–211 [3] A. Shoeb, J. Guttag, Application of machine learning to epileptic seizure onset detection, in: Proc ICML, 2010. [4] M. Nakamura, Q. Chen, T. Sugi, A. Ikeda, H. Shibasaki, Technical quality evaluation of EEG recording based on electroencephalographers’ knowledge, Med. Eng. Phys. 27 (2005) 93–100 [5] J. Gotman, Automatic seizure detection: improvements and evaluation, Electroencephalogr. Clin. Neurophysiol. 76 (1990) 317–324 [6] H. Khamis, A. Mohamed, S. Simpson, Seizure state detection of temporal lobe seizures by autoregressive spectral analysis of scalp EEG, Clin. Neurophysiol. 120 (2009) 1479–1488 [7] K.M. Kelly, D.S. Shiau, R.T. Kern, J.H. Chien, M.C.K. Yang, K.A. Yandora, J.P. Valeriano, J.J. Halford, J.C. Sackellares, Assessment of a scalp EEG-based automated seizure detection system, Clin. Neurophysiol. 121 (2010) 1832–1843 [8] S.K. Xie, S. Krishnan, Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis, Med. Biol. Eng. Comput. 51 (2013) 49–60 [9] R. Meier, H. Dittrich, A. Schulze-Bonhage, A. Aertsen, Detecting epileptic seizures in long-term human EEG: a new approach to automatic online and real-time detection and classification of polymorphic seizure patterns, J. Clin. Neurophysiol. 5 (3) (2008) 119–131 [10] J.P. Pijn, J. Van Neerven, A. Noest, F.H. Lopes da Silva, Chaos or noise in EEG signals; dependence on state and brain site, Electroencephalogr. Clin. Neurophysiol. 79 (5) (1991) 371–
A framework on wavelet-based nonlinear features and extreme learning machine for epileptic seizure detection
Lan-Lan Chena,, Jian Zhanga, Jun-Zhong Zoua, Chen-Jie Zhao b, Gui-Song Wang b a Department of Automation, School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, PR China b Department of Neurosurgery, Renji Hospital Affiliated to Shanghai Jiao Tong University, Shanghai 200233, PR China
abstract
Background: Many investigations based on nonlinear methods have been carried out for the research of seizure detection. However, some of these nonlinear measures cannot achieve satisfying performance without considering the basic rhythms of epileptic EEGs. New method: To overcome the defects, this paper proposed a framework on wavelet-based nonlinear features and extreme learning machine (ELM) for the seizure detection. Three nonlinear methods, i.e., approximate entropy (ApEn), sample entropy (SampEn) and recurrence quantification analysis (RQA) were computed from orignal EEG signals and corresponding wavelet decomposed sub-bands separately. The wavelet-based energy was measured as the comparative. Then the combination of sub-band features was fed to ELM and SVM classifier respectively. Results: The decomposed sub-band signals show significant discrimination between interictal and ictal states and the union of sub-band features helps to achieve better detection. All the three nonlinear methods show higher sensitivity than the wavelet-based energy analysis using the proposed framework. The wavelet-based SampEn-ELM detector reaches the best performance with a sensitivity of 92.6% and a false detection rate (FDR) of 0.078. Compared with SVM, the ELM detector is better in terms of detection accuracy and learning efficiency. Comparison with existing method(s): The decomposition of original signals into sub-bands leads to better identification of seizure events compared with that of the existing nonlinearmethods without considering the time–frequency decomposition. Conclusions: The proposed framework achieves not only a high detection accuracy but also a very fast learning speed, which makes it feasible for the further development of the automatic seizure detection system. © 2013 Elsevier Ltd. All rights reserved
مقدمه
صرع یک اختلال جدی از سیستم عصبی مرکزی است که با تشنج هایی که در مواقع غیر قابل پیش بینی رخ می دهد مشخص می شود. حدود یک درصد از جمعیت کلی علائم تشنج را نشان می دهد. تشنج های مکرر موجب افزایش خطر آسیب های مداوم فیزیکی می شود و حتی ممکن است منجر به مرگ گردد. سیگنال های EEG به عنوان راه های عملی برای نظارت صرع و تشخیص آن دیده می شوند. با این حال بررسی یک شغل چالش برانگیز حتی برای متخصصان مغز و اعصاب آموز ش دیده است زیرا سیگنال های EEG با حضر بیش از حد مصنوعات به آسانی آلوده می شود. توسعه ی سیستم های خودکار برای آزادی متخصصین مغز و اعصاب از تفسیر طولانی مدت EEG امری مهم است. بسیاری از روش ها برای تحلیل خودکار EEG مبتلا به صرع کشف شده اند و آن مطالعات به طور عمده به استخراج ویژگی صرع و طبقه بندی فعالیت های تشنجی تاکید دارد. بسیاری از روش های تشخیص کارآمد تشنج بر پایه تحلیل کیفی قدرت ، تجزیه ی ident Event TM تست شده اند. در سال های اخیر تکنیک های تحلیل غیر خطی محبوبیت بیشتری با نتایج امیدوار کننده با توجه به ماهیت غیر خطی و پویای سیگنال های EEG به دست آوردند. خلاصه ای از این مطالعات در بخشی از مقالات موجود است. در این مطالعه ما سه تکنیک استخراج ویژگی غیر خطی را بررسی نشان می دهد که باندهای موجک EEG اطلاعات بسیار دقیقی درباره ی فعالیت های عصبی تشکیل دهنده سیگنال های EEG به دست می دهد. مشخصاتی که در EEG طیف کامل مشهور نیستند در سیگنال های زیر گروه جداگانه نیز مشخص می باشند . در آزمایشات ما برخی از اقدامات غیر خطی نمی توانند به عملکرد طبقه بندی رضایت بخش مبتنی بر تحلیل سیگنال های اصلی EEG دست یابند. از این رو روش موجود شامل تجزیه ی زمان – فرکانس برای استخراج ویژگی های داده ها از طریق قطع نامه های مختلف زمان و مقیاس های فرکانسی است. علاوه بر این تحلیل انرژی مبتنی بر موجک برای مقایسه با روش های غیر خطی انجام می شود. در تحقیق تشخیص صرع ، روش طبقه بندی تاکید دیگری از این نوع کار است. تا به حال طرح آشکارسازی ها هنوز هم با چالش بزرگ مواجه است زیرا ثبت طولانی مدت باعث تولید مقدار بسیار زیادی داده می کند و همپوشانی قابل توجهی از حالات تشنج و غیر تشنج دارد.برای بهبود عملکرد سیستم تشخیص طراحان باید با مبادله ی شیب داربین حساسیت آشکارساز و تشخیص آن مقابله کنند و سازشی تشخیص و کارایی آشکارساز ایجاد کننده اولین روش قابل اجرا در فیلتر موجک برای استخراج ویژگی های فرکانس و ساخت یک آشکارساز شبکه ی عصبی برای طبقه بندی توسعه یافته است. الگاریتم BP و SVM به طور گسترده به عنوان آشکارسازی برای طبقه بندی است. با این حال هنگامی که جسم نمونه بزرگ باشد سرعت یادگیری هر دو روش برای اجابت الزامات برنامه های کاربردی بسیار کم است . ماشین یادگیری الگاریتم یادگیری تا حد زیادی از سقوط به بهینه ی محلی اجتناب نمی کند بلکه سرعت یادگیری را افزایش می دهد. در این پژوهش ویژگی های غیر خطی مبتنی بر موجب برای طبقه بندی ELM و برای تشخیص حملات صرع با در نظر گرفتن حساسیت ، ویژگی و کارایی آشکارساز تغذیه می شود. هدف این پژوهش توسعه ی یک سیستم خودکار بسیار حساس با مقدار تشخیص کم و نادرست برای کمک متخصصین مغز جهت بررسی دوره های نهفته ی EEG حاوی تشخنج توسعه یافته اند
