چکيده

بر طبق سازمان سلامت جهانی(WHO)  صرع تقریبا بین 40 تا 50 میلیون نفر تاثیر می گذارد. الکتروانسفالوگرام  (EEG)فعالیت های عصبی در مغز رو ثبت می کند و برای شناسایی صرع مورد استفاده قرار میگیرد.

بررسی و معاینه دیداری سیگنال های EEG یک فرآیند زمان بر و ممکن است منجر به خطای انسانی شود.استخراج ویژگی ها و طبقه بندی دو مرحله اصلی است که برای ساخت چهارچوب تشخیص خودکار صرع مورد نیاز است.

استخراج ویژگی ،ابعاد سیگنال ورودی را با حفظ ویژگی های آموزنده و طبقه بندی برچسب مناسب کلاس را که به بردار ویژگی استخراج شده اختصاص می دهد را کاهش می دهد. هدف ما ارائه تکنیک های استخراج ویژگی های موثر برای طبقه بندی سیگنال EEG خودکار صرع است.

در این مطالعه ،دو تکنیک استخراج ویژگی های موثر (الگوی توصیفی همسایه محلی [LNDP] و الگوی گرادیان محلی یک بعدی [1D-LGP]) برای طبقه بندی سیگنال های  EEGصرعی معرفی شده اند.

طبقه بندی بین تشنج صرعی وسیگنال های غیر تشنج با استفاده از طبقه بندی های مختلف یادگیری ماشین انجام می شود. در این تحقیق از مجموعه داده های معیار EEG صرع اراِئه شده توسط دانشگاه Bonn استفاده شده است. عملکرد طبقه بندی با استفاده از اعتبارسنجی ضربدری 10-fold cross ارزیابی می شود.

Local pattern transformation based feature extraction techniques for

classification of epileptic EEG signals

 طبقه بندی سیگنال EGG صرع با استفاده از ویژگی های الگوی محلی

 Published in: Elsevier

Date of Publication: 2017

مشخصات شبيه ساز:

کارشناسی ارشد مهندسی پزشکی

دانشگاه تهران

محتويات:

• اصل مقاله
• پياده سازي در متلب
• ضميمه کردن گزارش فارسي
• ضمیه کردن دیتابیس

دانلود فايل

فیلم توضیح متخصص  نيز موجود ميباشد که در صورت نياز و با پرداخت جداگانه ايميل ميشود.

Papersim2015@gmail.com