مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر، مهندسی پزشکی
مناسب برای گرایش های دانشگاهی زیر:
بیوالکتریک، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات و پردازش تصاویر پزشکی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
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
قسمتی از مقاله انگلیسی و ترجمه آن:
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.
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.