مقاله ترجمه شده درباره داینالیت ها: روشی تازه برای مدل سازی و فشرده سازی سیگنال های زیستی – سال 2014
مشخصات مقاله:
عنوان فارسی مقاله:
داینالیت ها: روشی تازه برای مدل سازی و فشرده سازی سیگنال های زیستی. کاربردهایی برای سیگنال های فیزیولوژیکی و مولکولی
عنوان انگلیسی مقاله:
Dynalets: A new method for modelling and compressing biological signals. Applications to physiological and molecular signals
کلمات کلیدی مقاله:
تبدیل فورییر، تبدیل دینالیت، پردازش سیگنال، فشرده سازی سیگنال قلب و ضربان، گوشی ضربان سنج (stethoscope) پروتئینی
مناسب برای رشته های دانشگاهی زیر:
مهندسی برق و کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش ماشین و رباتیک، هوش مصنوعی و مهندسی الکترواپتیک
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
1. مقدمه
2. تغییر شکلهای فورییر و موج کوچک ضربه ای هیلی
3.سیستم ون در پل
4. تبدیل داینالیت
5. کاربردهای قلبی عروقی
6.کاربرد برای ECG
7. سیگنال ضربان
8. کاربردهای فیزیولوژیکی
9. سیگنال طیف پروتئین غیر دوره ای
10. تبدیل داینالیت یک پیک از یک سیگنال طیف سنجی NMR
11. به سوی یک “گوشی ضربان سنج” پروتئینی
12. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
The biological information coming from electrophysiologic sensors like ECG, pulse sensor or from molecular signal devices like NMR spectrometry has to be visualized and manipulated in a compressed way for an efficient medical use by clinicians, if stored in scientific data bases or in personalized patient records repositories. Here, we define a new transform called Dynalet based on Lie´nard ordinary differential equations susceptible to model the mechanism at the source of the studied signal, and we propose to apply this new technique first to the modelling and compression of real biological periodic signals like ECG and pulse rhythm. We consider that the cardiovascular activity results from the summation of cellular oscillators located in the cardiac sinus node and we show that, as a result, the van der Pol oscillator (a particular Lie´nard system) fits well the ECG signal and the pulse signal. The reconstruction ofthe original signal(pulse or ECG) using Dynalettransform is then compared with that of Fourier, counting the number of parameters to be set for obtaining an expected signal-to-noise ratio. Then, we apply the Dynalet transform to the modelling and compression of molecular spectra obtained by protein NMR spectroscopy. The reconstruction of the original signal (peak) using Dynalet transform is again compared with that of Fourier. After reconstructing visually the peak, we propose to periodize the signal and give it to hear, the whole process being called the protein ‘‘stethoscope’’
چکیده
اطلاعات زیستی حاصل از سنسورهای الکتروفیزیولوژیکی مانند ECG سنسور نبض یا از دستگاه های سیگنال مولکولی مانند طیف سنجی NMR باید در یک شیوه فشرده برای یک کاربرد پزشکی کارامد توسط متخصصان بالینی مجسم شده و با مهارت مورد استفاده قرار گیرد، چنانچه در پایگاه های داده ی علمی یا مخازن بایگانی بیمار به طور شخصی، ذخیره شده باشد.اینجا، ما یک تبدیل جدید به نام دینالیت را بر مبنای معادلات دیفرانسیلی عادی لیه نارد تعریف میکنیم که آماده ی مدلسازی مکانیسم در سیگنال مورد مطالعه است و ما بکارگیری این تکنیک جدید را اولین بار برای مدلسازی و فشرده سازی سیگنالهای دوره ای زیستی مانند ECG و میزان ضربان ارائه میدهیم.ما بررسی میکنیم فعالیت قلبی عروقی از جمع نوسانگرهای سلولی واقع در ند سینوس قلبی حاصل میشود و ما نشان میدهیم، در نتیجه ،نوسانگر ون در پل (یک سیستم لیه نارد خاص) به خوبی با سیگنال ECG و سیگنال ضربان، تناسب دارد.بازسازی سیگنال اصلی (ضربان یا ECG) با استفاده از تبدیل داینالیت ، آنگاه با سیگنال فورییر مقایسه میشود ،با شمارش تعداد پارامترهایی که برای کسب یک نسبت سیگنال به نویز مورد انتظار تنظیم میشود.آنگاه تبدیل دینالیت با مدلسازی و فشرده سازی طیف مولکولی حاصل از طیف سنجی NMR پروتئینی، بکار میرود.بازسازی سیگنال اصلی (پیک) با استفاده از تبدیل داینالیت ،بار دیگر با بازسازی فورییر مقایسه میشود.پس از بازسازی بصری پیک، ما دوره ای کردن سیگنال را پیشنهاد میدهیم و آن را در معرض شنود قرار میدهیم، کل فرایند “گوشی ضربان سنج” (استتوسکوپ) پروتئینی نامیده میشود.
