پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 660 |
| تعداد مقالات | 9,647 |
| تعداد مشاهده مقاله | 68,705,924 |
| تعداد دریافت فایل اصل مقاله | 48,198,419 |
معرفی مشخصه استخراج غیرخطی مبتنی بر ضرایب DT-CWT سیگنال های EEG مغز برای تشخیص تشنج‌های صرعی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 خرداد 1404 اصل مقاله (660 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.30724.2461 | ||
| نویسندگان | ||
| احسان مصطفی پور* 1؛ افشین کلیجی2؛ محسن باهنر3؛ نعمت اله عزتی2؛ عبداله جعفری چاشمی3 | ||
| 1دانشگاه ارومیه دانشکده برق و کامپیوتر | ||
| 2دانشگاه صنعتی ارومیه | ||
| 3دانشگاه آزاد اسلامی واحد مهدی شهر | ||
| تاریخ دریافت: 02 خرداد 1402، تاریخ بازنگری: 23 بهمن 1402، تاریخ پذیرش: 22 اسفند 1403 | ||
| چکیده | ||
| صرع نوعی بیماری مغزی است که با مشاهده سیگنال های EEG قابل تشخیص است. ابن بیماری غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک وظیفه چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری عمیق کلاس‌بندی کرده‌اند. برای دست یابی به ویژگی های کارآمد، موجک مختلط درختی دوگانه (DTCWT) در نظر گرفته شده است. سپس، ضرایب موجک تجزیه شده به استخراج ویژگی غیرخطی اعمال می شود. این ویژگی ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی (RBF) استفاده می گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس بندی مشاهده می شود. این امر، نیازمند بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب DT-CWT یک سیگنال EEG استفاده می شود. | ||
| کلیدواژه‌ها | ||
| صرع؛ الگوریتم k-means؛ مشخصه های غیر خطی؛ شبکه های تابع پایه شعاعی؛ کلاس بندی EEG مغز؛ کاهش ویژگی | ||
| عنوان مقاله [English] | ||
| Introducing a non-linear feature extraction based on DT-CWT coefficients of EEG signals for detecting epileptic seizures | ||
| نویسندگان [English] | ||
| Ehsan Mostafapour1؛ Afshin Koleiji2؛ Mohsen Bahonar3؛ Nematollah Ezzati2؛ Abdollah Jafari Chashmi3 | ||
| 1Urmia University faculty of electrical and computer engineering | ||
| 2Urmia university of technology | ||
| 3Islamic Azad University, Mehdi Shahr Branch | ||
| چکیده [English] | ||
| صرع نوعی بیماری مغزی است که بررسی و تحلیل سیگنال‌های EEG قابل تشخیص است. بیماری صرع غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می‌شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک کار چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری ماشین کلاس‌بندی کرده‌اند. برای دست یابی به ویژگی‌های کارآمد، موجک مختلط درختی دوگانه در نظر گرفته شده است. سپس، از ضرایب موجک برای استخراج ویژگی غیرخطی ستفاده می‌شود. این ویژگی‌ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی استفاده می‌گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس بندی مشاهده می‌شود. این امر، سبب بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. با توجه به دانش نویسندگان، این اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب یک سیگنال EEG استفاده می‌شود. | ||
| کلیدواژه‌ها [English] | ||
| Epilepsy, k-means algorithm, Non-linear features, Radial basis function networks, Brain EEG classification, Feature reduction | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 104 تعداد دریافت فایل اصل مقاله: 62 |
||