بسته جامع تشخیص بیماری صرع از روی سینگال مغزی EEG

این بسته پژوهشی مجموعه کاملی از آخرین پژوهش های انجام شده در زمینه تشخیص بیماری صرع از روی سینگال مغزی EEG است. در تدوین این بسته از جدیدترین مقالات و پایان نامه های موجود در این زمینه استفاده شده است. مخاطبان این بسته دانشجویان تحصیلات تکمیلی و پژوهش گرانی هستند که قصد فعالیت در این زمینه دارند.

  • در فصل اول این پژوهش کاربرد شبکه عصبی در تشخیص بیماری صرع از روی EEG بررسی شده است
  • در فصل دوم این پژوهش پیش بینی زمان شروع حملات صرع از روی نوار مغزی EEG بررسی شده است
  • در فصل سوم این پژوهش کاربرد تبدیل موجک (ویولت) و آشوب در پیش بینی و تشخیص بیماری صرع از روی نوار مغزی EEG بررسی شده است

صرع وقوع آشفتگی ناگهانی و گذرا در عملکرد مغـز اسـت کـه از تخلیــــه گــــروه وســــیعی از ســــلولهاي مغــــزي حاصــــل می گردد. در هنگام وقوع حمله هـاي صـرعی، در سـیگنال EEG شخص بیمار، شکل موجهاي متناوب سنکرون دامنه بالایی ظاهر می گردد. درحمله هاي صرعی، شکل موجهاي گذرا صرع گونه دیده می شوند که شامل ضربه ها و امواج تیز هستند. لـذا بـا اسـتخراج این ویژگیها از روي سیگنال EEG توسـط فـرد خبـره مـی تـوان بیماری هاي سیسـتم اعصـاب را تشـحیص داد. امـا آشـکار سـازي و طبقه بندي این شکل موج هاي گذرا و تیز با مشاهده EEG ثبـت شده کار سخت و وقت گیري است که نیاز بـه فـرد متخصـص و خبره دارد چرا که طبقه بندي و ارزیابی سـیگنال هاي مـورد بحـث محدود است و معیار ارزیابی براي متخصص وجود ندارد. از طـرف دیگر ثبت هاي طولانی مدت EEG تا 24 ساعت و یا بیشتر طـول می کشد، که نیاز به آشـکار سـازي کـامپیوتري الگوهـاي صـرعی را قوت می بخشد زیرا ضربه هاي بین صرعی بندرت اتفاق می افتـد و ممکن است توسط شخصی کـه کاغـذ ثبـت را مـرور مـی کنـد نادیده گرفته شود.

قسمت هایی از فصل اول کاربرد شبکه عصبی در تشخیص بیماری صرع از روی EEG

در این روش با گذاشتن الکترودهایی بر سطح سر اثرات میدانهاي الکتریکی در سر ثبت خواهد شد که البته روشن است به علت دوري الکترودها از منبع اصلی تولید سیگنال ، که همان نورونهاي مغزي می باشد ، سیگنالهاي EEG از کیفیت خیلی بالایی برخوردار نبوده و امکان مخلوط شدن اثرهاي وابسته به فعالیت قسمتهاي مختلف مغز بالا می باشد.

شکل: 1-1روش ثبت سیگنالهاي EEG

در الکترود گذاري براي ثبت سیگنالهاي EEGمی توان روشهاي گوناگونی بکار برد ولی براي استاندارد بودن ثبت سیگنالهاي EEGتلاش می شود سیستمهاي الکترود گذاري یکسانی بکار برود که در این میان می توان به سیستم استاندارد بین المللی 20-10 اشاره نمود ( شکل 2-1)
از مزایاي روش ثبت سیگنال EEG سادگی و غیر تهاجمی بودن آن می باشد که این خود موجب کاربردهاي فراوانی از آن شده است.

فهرست کامل فصل اول کاربرد شبکه عصبی در تشخیص بیماری صرع از روی EEG

1-1 ) آشکار سازی وتشخیص صرع موجود در سیگنال EEG به کمک شبکه عصبی

1.1.1 سیگنال EEG و ویژگی های ظاهری آن 16
1.1.1.1 مقدمه 17
1.1.1.2 اندازه گیری سیگنال EEG 18
1.1.1.3 امواج مختلف سیگنال EEG 25
1.1.1.4 نرخ نمونه برداری سیگنال EEG 29
1.1.1.5 آشفتگی واغتشاشات الکتریکی سیگنال EEG 30
1.1.2 مروری بر روشهای آشکارسازی SPIKE های صرعی 35
1.1.2.1 مقدمه 36
1.1.2.2 تحلیل درحوزه زمان 37
1.1.2.3 تحلیل در حوزه فرکانس 40
1.1.2.4 آشکارسازی SPIKE های موجود در EEGی با استفاده از تبدیل موجک 41
1.1.3 تبدیل موجک روشی برای استخراج ویژگی 43
1.1.3.1 مقدمه 44
1.1.3.2 مقایسه تبدیل موجک با تبدیل فوریه و STFT 45
1.1.3.3 تبدیل موجک پیوسته وگسسته 50
1.1.3.4 تبدیل موجک پیوسته 50
1.1.3.5 تبدیل موجک گسسته 52
1.1.3.6 تبدیل موجک گسسته توسط فیلتر کردن مرحله ای 53
1.1.3.7 معرفی چند موجک 57
1.1.4 شبکه عصبی 61
1.1.4.1 مقدمه 62
1.1.4.2 مدل سازی نرون تنها 62
1.1.4.3 تابع فعالیت 63
1.1.4.4 معماری شبکه عصبی 64
1.1.4.5 شبکه های پیش خور 65
1.1.4.6 شبکه های برگشتی 65
1.1.4.7 الگوریتم های یادگیری 66
1.1.4.8 شبکه عصبی MLP 67
1.1.4.9 الگوریتم پس انتشار خطا 67
1.1.4.10 سیگنال خطا 68
1.1.4.11 کل انرژی خطا 68
1.1.4.12 انتخاب نرخ یادگیری 69
1.1.4.13 مرحله آموزش 69
1.1.4.14 توقف آموزش 70
1.1.4.15 معرفی شبکه های ART 71
1.1.4.16 شبکه FUZZY ART 73
1.1.4.17 دریافت اطلاعات ورودی 74
1.1.4.18 شبکه FUZZY ARTMAP 75
1.1.5 پیاده سازی روش 79
1.1.5.1 مقدمه 80
1.1.5.2 مجموعه داده ها 81
1.1.5.3 قطعه بندی سیگنال EEG 81
1.1.5.4 استخراج ویژگی جهت اعمال به شبکه عصبی 82
1.1.5.5 انرژی سیگنال 83
1.1.5.6 نرخ عبور از صفر 83
1.1.5.7 انرژی محدوده فرکانسی20-0 هرتز 83
1.1.5.8 ویژگی های استخراج شده با استفاده از تبدیل موجک برای هر قطعه 85
1.1.5.9 انرژی طیف فرکانسی 85
1.1.5.10 نرخ عبور از صفر تمامی زیرباندها 86
1.1.5.11 بهنجارسازی ویژگی ها 86
1.1.5.12 برچسب زدن SPIKE های صرعی با استفاده از شبکه های عصبی 87
1.1.5.13 شبکه عصبی FUZZY ARTMAP 88
1.1.5.14 شبکه عصبی MLP 88
1.1.6 نتیجه گیری وپیشنهادات 90
1.1.6.1 نتیجه گیری 91
1.1.6.2 پیشنهادات 95
1.1.6.3 منابع وماخذ 96
1.1.6.4 ABSTRACT 99

1-2 ) پردازش سیگنال هاي مغزي (EEG) با استفاده از شبکه های عصبی

1.2.1 سیگنال های مغزی 114
1.2.1.1 مقدمه 115
1.2.1.2 سیگنالهاي مغزي 116
1.2.1.3 سیگنالهاي الکتریکی غیر تهاجمیEEG 116
1.2.1.4 سیگنالهای الکتریکی تهاجمی ECOG 118
1.2.1.5 سیگنالهای مغناطیسی MEG 118
1.2.1.6 طبقه بندي کننده بر پایه ي شبکه هاي عصبی پرسپترون 120
1.2.2 شبکه های عصبی 122
1.2.2.1 تاریخچه شبکه های عصبی 124
1.2.2.2 آشنایی با شبکه های عصبی 125
1.2.2.3 شباهت بامغز 126
1.2.2.4 پرسپترون 128
1.2.2.5 یادگیری یک پرسپترون 128
1.2.2.6 قوانین آموزش پرسپترون 130
1.2.2.7 الگوریتم یادگیری پرسپترون 130
1.2.2.8 قانون دلتا 131
1.2.2.9 الگوریتم GRADIENT DESCENT 132
1.2.2.10 خلاصه یادگیری قانون دلتا 133
1.2.2.11 مشکلات روش GRADIENT DESCENT 134
1.2.2.12 آموزش یکجا و افزایشی 134
1.2.2.13 شبکه هاي چند لایه 135
1.2.2.14 یک سلول واحد 136
1.2.2.15 تابع سیگموئید 136
1.2.2.16 الگوریتم BACK PROPAGATION 137
1.2.2.17 بیان الگوریتم BP 137
1.2.2.18 انتشار به سمت جلو 138
1.2.2.19 انتشار به سمت عقب 138
1.2.2.20 شرط خاتمه الگوریتم 139
1.2.2.1 معایب شبکه هاي عصبی 140
1.2.3 آزمایش ها 142
1.2.3.1 آزمایش 1 143
1.2.3.2 نتایج حاصل از تغییر EPOCH 149
1.2.3.3 نتایج حاصل از تغییر نرخ یادگیری 150
1.2.3.4 نتایج حاصل از تغییر تعداد نرون هاي لایه هاي میانی 151
1.2.3.5 آزمایش2 152
1.2.3.6 گل زنبق 152
1.2.3.7 نتایج حاصل از تغییر EPOCH 155
1.2.3.8 نتایج حاصل از تغییر نرخ یادگیری LEARNING RATE 156
1.2.3.9 نتایج حاصل از تغییر تعداد نرون هاي لایه هاي میانی 157
1.2.3.10 آزمایش 3 158
1.2.3.11 تصاویر ماهواره اي 158
1.2.3.12 نتایج حاصل از تغییر EPOCH 161
1.2.3.13 نتایج حاصل از تغییر نرخ یادگیری LEARNING RATE 162
1.2.3.14 نتایج حاصل از تغییر تعداد نرون هاي لایه هاي میانی 163
1.2.3.15 آزمایش4 164
1.2.3.16 پردازش داده های مغزی(EEG) با استفاده از شبکه های عصبی 164
1.2.3.17 نتایج حاصل از تغییر EPOCH 169
1.2.3.18 نتایج حاصل از تغییر نرخ یادگیری LEARNING RATE 170
1.2.3.19 نتایج حاصل از تغییر تعداد نرون هاي لایه هاي میانی 171
1.2.3.20 نتیجه گیري نهایی 172
1.2.3.21 فهرست منابع و ماخذ 173
1.2.3.22 ABSTRACT 178

1-3 ) مقایسه صحت شبکه های عصبی RBF و MLP در تشخیص بیماری صرع

1.3.1 چکیده 180
1.3.2 مقدمه 180
1.3.3 دادگان 181
1.3.4 استخراج ویژگی 181
1.3.5 شبکه عصبی 182
1.3.6 شبکه عصبی MLP 182
1.3.7 شبکه های با تابع شعاعی 182
1.3.8 پردازش داده 183
1.3.9 الگوریتم ژنتیک 183
1.3.10 آموزش شبکه ی عصبی با استفاده از الگوریتم ژنتیک 183
1.3.11 نتایج 184
1.3.12 نتیجه گیری 186
1.3.13 مراجع 187

1-4 ) آشکارسازي تخلیههاي صرعی در سیگنال مغزي با استفاده از شبکههاي عصبی المن و روبه جلو

1.4.1 چکیده 195
1.4.2 مقدمه 195
1.4.3 استخراج ویژگیها 196
1.4.4 مجموع دامنههاي عبوري از آستانه 196
1.4.5 فرکانس غالب 196
1.4.6 توان متوسط در ناحیه انرژي اصلی 197
1.4.7 -آنتروپی طیفی نرمالیز شده 197
1.4.8 ویژگیهاي زمان -فرکانس 197
1.4.9 تبدیل ویولت 197
1.4.10 ویژگی غیر خطی 198
1.4.11 بعد فرکتال به شیوه هایوچی 198
1.4.12 شبکه عصبی المن 198
1.4.13 طبقه بندي داده ها 198
1.4.14 شبکه عصبی رو به جلو 198
1.4.15 شبیه سازي نتایج تجربی 199
1.4.16 نحوه ثبت و مشخصات سیگنال 199
1.4.17 شبیه سازي 199
1.4.18 پیادهسازي شبکه عصبی رو به جلوپرسپترون……………………………………………..199
1.4.19 پیادهسازي شبکه عصبی المن 199
1.4.20 انتخاب داده 199
1.4.21 پارامتر هاي ارزشیابی دقت عملکرد 199
1.4.22 نتایج تجربی 200
1.4.23 بحث و نتیجه گیري 201
1.4.24 مراجع 201

1-5 ) بررسی زمان شروع حمله صرع درسیگنالهای EEG به کمک روش تجزیه به مدلهای تجربی وبعد مبستگی

1.5.1 چکیده 203
1.5.2 مقدمه 203
1.5.3 روش ها واجزاء 204
1.5.4 نچزیه به مدهای تجربی 204
1.5.5 استخراج بعد همبستگی درفضای شبه حالت برای داده EEG 205
1.5.6 نتایج 206
1.5.7 نتیجه گیری 207
1.5.8 مراجع 207

1-6 ) پیش بینی زمان وقوع حملات صرع باپردازش سیگنال EEG با استفاده از فیلتر کالمن

1.6.1 چکیده 209
1.6.2 مقدمه 209
1.6.3 پیش بینی زمان وقوع 210
1.6.4 علائم،تشخیص و درمان 210
1.6.5 نویزها وآرتیفکت های موثربرEEG 211
1.6.6 ماهیت سیگنالهای مغزی 211
1.6.7 بررسی SNR 212
1.6.8 محل قرار دادن الکترودهای ثبت EEG 212
1.6.9 پردازش سیگنال وبررسی فیلتر کالمن 213
1.6.10 روش آستانه 214
1.6.11 شبیه سازی 215
1.6.12 نتایج 217

1-7 ) ارائه یک سیستم ترکیبی هوشمند به منظور پیش بینی وقوع حملات تشنجی ناشی از صرع براساس تاخیرهای بهینه در سری های زمانی والگورتیم های انطباقی فازی-عصبی

1.7.1 چکیده 220
1.7.2 مقدمه 221
1.7.3 روش کار 221
1.7.4 یافته ها 226
1.7.5 بحث 230
1.7.6 نتیجه گیری 230
1.7.7 تشکر و قدردانی 230
1.7.8 REFERENCES 231
1.7.9 ABSTRACT 233

1-8 ) تشخیص الگوی EEG به منظور تشخيص صرع با استفاده از تبديل موجک وآشوب

1.8.1 چکیده 234
1.8.2 مقدمه 234
1.8.3 آشوب 235
1.8.4 نماي لياپانوف 236
1.8.5 بعد همبستگی 236
1.8.6 تجزیه EEG به پنج زیرباند 237
1.8.7 داده های EEG 237
1.8.8 استخراج ويژگيهاي آشوب از زيرباندها 237
1.8.9 آزمایش ها 237
1.8.10 روشهاي طبقهبندي 238
1.8.11 تحلیل اماری روی تمامی داده های EEG 238
1.8.12 تحليل تمايزي 238
1.8.13 شبكه عصبي پس انتشار لونبرگ 239
1.8.14 شبكه عصبي شعاعي 240
1.8.15 متوسط گيري گروهي 240
1.8.16 سيستمهاي فازي-عصبي تطابقي و استنتاج فازي 240
1.8.17 تيجهگيري 241
1.8.18 مراجع 242

1-9 ) ارائه روشی مبتنی بر تبدیل موجک و آشوب درتحلیل EEG با استفاده از شبکه های عصبی وفازی به منظور تشخیص صرع

1.9.1 چکیده 243
1.9.2 مقدمه 243
1.9.3 نمای لیابانوف 244
1.9.4 آشوب 244
1.9.5 داده های EEG 244
1.9.6 شبیه سازی 245
1.9.7 تجزیه EEG به پنج زیرباند 245
1.9.8 روش های طبقه بندی 245
1.9.9 سیستم های فازی –عصبی تطابقی 245
1.9.10 استخراج ویژگی های آشوب از زیرباندها 245
1.9.11 سیستم های استنتاج فازی 246
1.9.12 نتایج آزمایش ها 247
1.9.13 نتیجه گیری 247
1.9.14 مراجع 248
1.9.15 زیرنویس ها 249

1-9 ) ارائه روشی مبتنی بر تبدیل موجک و آشوب درتحلیل EEG با استفاده از شبکه های عصبی وفازی به منظور تشخیص صرع

1.9.1 چکیده 243
1.9.2 مقدمه 243
1.9.3 نمای لیابانوف 244
1.9.4 آشوب 244
1.9.5 داده های EEG 244
1.9.6 شبیه سازی 245
1.9.7 تجزیه EEG به پنج زیرباند 245
1.9.8 روش های طبقه بندی 245
1.9.9 سیستم های فازی –عصبی تطابقی 245
1.9.10 استخراج ویژگی های آشوب از زیرباندها 245
1.9.11 سیستم های استنتاج فازی 246
1.9.12 نتایج آزمایش ها 247
1.9.13 نتیجه گیری 247
1.9.14 مراجع 248
1.9.15 زیرنویس ها 249

1-10 ) تشخیص خودکار تشنج صرعی با استفاده از سیگنال EEG براساس تبدیل موجک گسسته

1.10.1 چکیده 250
1.10.2 مقدمه 250
1.10.3 مفاهیم و مراحل تشخیص خودکار تشنج صرعی 251
1.10.4 مفاهیم 251
1.10.5 روش تحلیل داده 252
1.10.6 تبدیل موجک 252
1.10.7 کاهش بعد ماتریس ویژگی 253
1.10.8 طراحی دسته بندی کننده ها 254
1.10.9 شبیه سازی تحلیل نتایج 254
1.10.10 نتیجه گیری 257
1.10.11 منابع ومراجع 257

1-11 ) تشخیص صرع به کمک ارزیابی های کیفی وکمی آشوب گون سیگنالهای مغزی

1.11.1 هدف 259
1.11.2 INTRODUCTION 259
1.11.3 مقدمه 260
1.11.4 تجزیه وتحلیل داده 261
1.11.5 داده ی تحقیق 261
1.11.6 تحیل کیفی 261
1.11.7 طیف فرکانسی 261
1.11.8 روش شمارش نزدیک ترین همسایه ی کاذب 263
1.11.9 روش اطلاعات متقابل 263
1.11.10 قابلیت کنترل آشوب 264
1.11.11 ابعاد دینامیک ها 264
1.11.12 تحلیل کمی 264
1.11.13 استخراج ویژگی های آشوب گون 264
1.11.14 فرکتال 265
1.11.15 هنجارسازی ویژگی ها 266
1.11.16 دسته بندی کننده ی بیزین 267
1.11.17 یافته ها 268
1.11.18 بحث و نتیجه گیری 268
1.11.19 منابع 270

1-12 ) طبقه بندی سیگنالهای الکتروانسفالوگرافی به منظور آشکارسازی اتوماتیک صرع با استفاده از ضرایب ویولت

1.12.1 چکیده 272
1.12.2 مقدمه 272
1.12.3 داده ها وروشها 273
1.12.4 دیتای مورد استفاده 273
1.12.5 استخراج ویژگی 273
1.12.6 انتخاب کانال EEG با استفاده از اطلاعات متقابل 273
1.12.7 طبقه بندی 274
1.12.8 نتایج 274
1.12.9 جمع بندی 275
1.12.10 مراجع 276

1-13 ) تشخیص اسپایک های بیماری سرع درنوار مغز بااستفاده از فیبلتر کالمن

1.13.1 چکیده 277
1.13.2 مقدمه 277
1.13.3 فیلتر کالمن توسعه یافته 278
1.13.4 مقدار دهی اولیه ی الگوریتم 279
1.13.5 آشکارسازی 280
1.13.6 شبیه سازی سیگنالهای مغزی،تولید سیگنال پس زمینه واسپایک 280
1.13.7 نتیجه گیری 281
1.13.8 منابع ومراجع 281

1-14 ) پیش بینی زمانی وقوع حملات صرع با پردازش سیگنال EEG با استفاده از فیلتر کالمن

1.14.1 چکیده 283
1.14.2 مقدمه 283
1.14.3 علائم،تشخیص ودرمان 284
1.14.4 پیش بینی زمان وقوع 284
1.14.5 نویزها وآرتیفکت های موثربرEEG 285
1.14.6 ماهیت سیگنال های مغزی 285
1.14.7 بررسی SNR 286
1.14.8 محل قرار دادن الکترودهای ثبت EEG 286
1.14.9 پردازش سیگنال وبررسی فیلتر کالمن 287
1.14.10 روش آستانه 288
1.14.11 شبیه سازی 289
1.14.12 نتایج 291
1.14.13 مراجع 291

i

ارجاع دهی و رفرنس نویسی

تمام مطالب این بسته مطابق با استاندارد های دانشگاههای وزارت علوم ایران رفرنس دهی شده اند و هیچ قسمتی از بسته وجود ندارد که بدون منبع باشد.

نگارش گروهی

در نگارش و جمع آوری این بسته آموزشی دو کارشناس ارشد رشته مکانیک و یک مهندس برق همراهی کرده اند.کار گروهی بستر بهتری برای پژوهش فراهم میکند.

<

معرفی منبع برای ادامه پژوهش

در این بسته بیش از 1000 مقاله و منبع در زمینه تشخیص بیماری صرع از روی سینگال مغزی معرفی شده است که می توان از آنها برای ادامه مسیر پژوهشی استفاده کرد.

Z

پاسخ به سوالات و پشتیبانی علمی

در قسمت دیدگاه ها  اماده پاسخگویی به سوالات احتمالی شما در حد توان علمی خود هستیم.در صورت نیاز شماره تماس برای ارتباط با محققین برای شما ارسال می گردد.

بخش هایی از فصل دوم پیش بینی زمان شروع حملات صرع از روی نوار مغزی EEG

در حالت کلی می توان تمام فرایند انتخاب ویژگی که منجر به تشخیص تاخیر می شود را اینگونه بیان کرد؛ توسط الگوریتم باینري حرکت دسته جمعی ذرات با توجه به تعداد ویژگی هاي گزارش الکترانسفالوگرام (EEG)، بردارهایی به ازاي هر گزارش سرشار از ” 0″ و “1” تولید می شود، رشته در مشخصات هر سیگنال (گزارش) ضرب شده و با توجه به”0″ یا “1” شدن ویژگی هاي هر سیگنال آرایه حاصل وارد تابع هزینه (در تابع برازندگی) می شود، سپس خروجی تشخیصی هر سیگنال بدست آمده و متناسب با خروجی هاي تشخیصی، به منظور طبقه بندي صحیح، نتیجه وارد الگوریتم SVM شده و مجداد به الگوریتم BPSO باز می گردد. این فرآیند در تابع هزینه الگوریتم BPSO و تکرار الگوریتم BPSO منجر به انتخاب بهترین جواب ممکن به منظور تشخیص تاخیر می شود. سپس توسط تاخیرهاي تشخیص داده شده ورودي هاي متناسب با اعمال تاخیر در طول تمام سیگنال بانک دادهایی براي ورودي سیستم انطباقی عصبی فازي ایجاد می شود تا در نهایت پیش بینی صحیح صورت گیرد. براي اثبات قابلیت هاي سیستم پیشنهادي، فرایند اعتبار سنجی عرضی 10- دسته ایی (توسط (K-fold) بر روي پایگاه داده (مجموعاً 200 گزارش تاخیر از سیگنال هاي حذف نویز شده از دسته هاي A, E در قالب 50 نمونه با 4 ویژگی) پیاده شد که به 10 دسته تقسم شدند. بطوریکه هر قسمت داراي ترکیبی از تمام سیگنال ها می باشد. در این نوع اعتبار سنجی، 9 قسمت از دادهها براي آموزش و قسمت باقیمانده براي آزمایش به کار می روند. این فرایند آموزش و آزمایش 10 بار به صورت متوالی چرخشی انجام می شود به طوري که هر بار یک قسمت متفاوت براي آزمایش کنار گذاشته می شود

فهرست کامل فصل دوم پیش بینی زمان شروع حملات صرع از روی نوار مغزی EEG

2-1) تشخیص صرع ازروی سیگنالهای EEG با استفاده از تبدیل موجک گسسته،آنتروپی تقریبی وانرژی سیگنال با کلاس بند SVM و BAYES

2.1.1 چکیده 294
2.1.2 مقدمه 294
2.1.3 روش ها وانتخاب داده ها 295
2.1.4 انتخاب داده ها. 295
2.1.5 آنتروپی تقریبی 295
2.1.6 تبدیل موجک گسسته 295
2.1.7 انرژی سیگنال 296
2.1.8 روش ارائه شده 296
2.1.9 ماشین بردار پشتیبان 297
2.1.10 بیزمعمولی 297
2.1.11 نتایج 297
2.1.12 نتیجه گیری 297
2.1.13 مراجع 298

2-2) آشکارسازی تخلیه های صرعی درسیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان

2.2.1 چکیده 300
2.2.2 مقدمه 300
2.2.3 استخراج ویژگی 301
2.2.4 ویولت وآنتروپی ویولت 301
2.2.5 ماشین بردار پشتیبان 302
2.2.6 الگوریتم ژنتیک 302
2.2.7 مجموعه داده 302
2.2.8 روش پیشنهادی مبتنی بر HGASVM 303
2.2.9 نتایج تجربی 303
2.2.10 نتیجه گیری 304
2.2.11 مراجع 304

2-3) تشخیص صرع در سیگنال EEG با استفاده از ویژگی طول خط وطبقه بند مبتنی بر الگوریتم IPO

2.3.1 مقدمه 306
2.3.2 استخراج و انتخاب ویژگیىا 307
2.3.3 داده های مورد استفاده 307
2.3.4 طبقه بندی وتشخیص سیگنالهای صرعی وغیرصرعی با استفاده ا الگوریتم IPO 308
2.3.5 بحث 310
2.3.6 نتیجه گیری 310
2.3.7 مراجع 311

2-4) تشخیص صرع براساس ماشین بردار پشتیبان وبااستفاده از ویژگی های آنتروپی تقریبی وانحراف معیار سیگنال EEG

2.4.1 چکیده 312
2.4.2 مقدمه 312
2.4.3 روش ها وابزارها 313
2.4.4 اخذ داده EEG 313
2.4.5 استخراج ویژگی 313
2.4.6 آنتروپی تقریبی 313
2.4.7 ماشین بردار پشتیبان 314
2.4.8 شاخصه سنجش عملکرد 315
2.4.9 نتایج 316
2.4.10 نتیجه گیری 317
2.4.11 مراجع 317

تعداد صفحه بسته آموزشی

تعداد منابع معرفی شده برای ادامه کار

تعداد پشتیبانان مخصوص این فایل

قسمت هایی از فصل سوم کاربرد تبدیل موجک (ویولت) و آشوب در پیش بینی و تشخیص بیماری صرع از روی نوار مغزی EEG

امروزه روشهاي ثبت EEG و محل قرار دادن الکترودها در حین ثبت همگی استاندارد شده اند. یکی از استانداردهاي متداول، سیستم بین المللی قاعده 10-20 است که در شکل(1)نشان داده شده است. شکل (1) ساختار تقسیم بندي نواحی مغز
Frontal ، Central،Temporal ناحیۀ 5 سطح مغز به، Parietal، Occipital تقسـیم مـی شـود و تعـدادي الکترود مطابق شکل (1) در محل هاي معینـی از ایـن پـنج ناحیه قرار داده شده که هر یک با اندیس خاصـی مشـخص می شود. بدین ترتیب، با توجه به اینکه فواصل الکترودها متناسب با خود شخص تعیین می شود، این استاندارد براي افراد مختلف و در سنین مختلف قابل استفاده است. در نامگذاري شماره الکترودها باید دقت کرد که اندیس هاي زوج مربوط به الکترودهاي نیم کره سمت راست مغز و اندیس هاي فرد مربوط به نیم کره چپ هستند. زیر نویس z هم مربوط به کانال هایی است که دقیقًا بر روي مرز میان دو نیم کره مغز واقع شده اند همچنین در این استاندارد معمولا دو الکترود با نام هاي A1 و A2 بعنوان مرجع سنجش سایر پتانسیل ها به استخوان پشت گوش هاي چپ و راست و یا به لالۀ دو گوش متصل می شوند

فهرست کامل فصل سوم کاربرد تبدیل موجک (ویولت) و آشوب در پیش بینی و تشخیص بیماری صرع از روی نوار مغزی EEG

3-1 ) پالایش حملات صرع در سیگنال EEG با استفاده از آنالیز مولفه های مستقل وروش NOVELTY FILTERING مبتنی بر شبکه های عصبی

3.1.1 چکیده 318
3.1.2 مقدمه 318
3.1.3 حذف نویز وآرتیفکت ها توسط روش ICA بطور خودکار 319
3.1.4 NOVELTY FILTERING مبتنی بر شبکه عصبی 321
3.1.5 نتایج 322
3.1.6 جمع بندی 323
3.1.7 مراجع 323

%

میزان رضایت

میزان رضایت افراد خریدار این بسته بعد از خرید

(نظر سنجی به وسیله ایمیل و یک هفته بعد ازخرید بسته انجام می گیرد)

تمام منابع معرفی شده هم به صورت فایل Word و هم به صوت فایل PDF در اختیار شما قرار می گیرد.

تومان35,000افزودن به سبد خرید

0دیدگاه ها

ارسال یک دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *