دانلود رایگان مقالات IEEEدانلود رایگان مقالات پژوهشی پزشکیدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات ژورنالی پزشکیدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقاله ISI اختلالات خواب به زبان انگلیسیدانلود رایگان مقاله ISI الگوریتم و محاسبات به زبان انگلیسیدانلود رایگان مقاله ISI پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI معماری سیستم های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مغز و اعصاب به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023

مقاله انگلیسی رایگان در مورد یک الگوریتم PSO-SVM جدید نیمه متصل موازی مشارکتی – IEEE 2012

 

مشخصات مقاله
ترجمه عنوان مقاله یک الگوریتم PSO-SVM جدید نیمه متصل موازی مشارکتی : مطالعه ای مبتنی بر شناسایی وقفه تنفسی در خواب ( آپنه)
عنوان انگلیسی مقاله A novel partially connected cooperative parallel PSO-SVM algorithm: Study based on sleep apnea detection
انتشار مقاله سال ۲۰۱۲
تعداد صفحات مقاله انگلیسی  ۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۱۰٫۱۸۰ در سال ۲۰۱۷
شاخص H_index ۱۴۵ در سال ۲۰۱۹
شاخص SJR ۳٫۴۹۳ در سال ۲۰۱۷
شناسه ISSN ۱۰۸۹-۷۷۸X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
رشته های مرتبط  مهندسی کامپیوتر – پزشکی
گرایش های مرتبط  الگوریتم و محاسبات – معماری سیستم های کامپیوتری – مغز و اعصاب
نوع ارائه مقاله
ژورنال
مجله / کنفرانس IEEE Congress on Evolutionary Computation
دانشگاه Faculty of Engineering and IT University of Technology, Sydney Sydney, Australia
کلمات کلیدی  آپنه در زمان خواب، PSO، برنامه نویسی موازی، SVM
کلمات کلیدی انگلیسی Sleep apnea, PSO, parallel programming, SVM
شناسه دیجیتال – doi
https://doi.org/10.1109/CEC.2012.6256138
کد محصول E11891
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I.Introduction
II.Preliminary Techniques Information
III.Approach and Method
IV.Results and Discussion
V.Conclusion

 

بخشی از متن مقاله:

Abstract

Sleep disorders are common in a general population. It effect one in 5 adults and has several short term and long term bad side effects on health. Sleep apnea (SA) is the most important and common component of sleep disorders. This paper presents an automatic approach for detecting apnea events by using few bio-singles that are related to breathe defect. This work uses only air flow, thoracic and abdominal respiratory movement as input. The proposed algorithm consists of three main parts which are signal segmentation, feature generation and classification. A new proposed segmentation method intelligently segments the input signals for further classification, then features are generated for each segment by wavelet packet coefficients and also original signals. In classification phase a unique parallel PSO-SVM algorithm is investigated. PSO used to tune SVM parameters, and also data reduction. Proposed parallel structure used to help PSO to search space more efficiently, also avoiding fast convergence and local optimal results that are common problem in similar parallel algorithms. Obtained results demonstrate that the proposed method is effective and robust in sleep apnea detection and statistical tests on the results shown superiority of it versus previous methods even with more input signals, and also versus single PSO-SVM. Using fewer signals means more comfortable to subject and also, reduction of cost during recording the data.

INTRODUCTION

Sleep disorders are important because they are common in a general population; a survey in 1987 [1] reported that at least one symptom of disturbed sleep was present in 41% of all subjects; and still sleep disorder is common now [2], for instance, Young reported that one daytime sleepiness in 5 adults in 2004 [3].

The sleep disorders have several short term and long term bad side effects[4]. Short-term effects lead to impaired attention and concentration, lowered life quality, increased rates of absenteeism with less productivity, and greater possibility of accidents at work, home or on the road. Longterm consequences of sleep deprivation include increased morbidity and mortality from more automobile accidents, coronary artery disease, heart failure, high blood pressure, obesity, type 2 diabetes mellitus, stroke and memory impairment as well as depression. Long-term consequences, however, are still open [5] for further academic research..

نوشته های مشابه

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا