دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس پزشکیدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات بیس مهندسی پزشکیدانلود رایگان مقالات پژوهشی پزشکیدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی پزشکیدانلود رایگان مقالات ژورنالی پزشکیدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی پزشکیدانلود رایگان مقالات سال 2020دانلود رایگان مقاله ISI الگوریتم و محاسبات به زبان انگلیسیدانلود رایگان مقاله ISI بیوالکتریک به زبان انگلیسیدانلود رایگان مقاله ISI پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI سایبرنتیک پزشکی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های عصبی مصنوعی ANN به زبان انگلیسیدانلود رایگان مقاله ISI قلب و عروق به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی پزشکی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI موجک به زبان انگلیسیسال انتشارمقالات پزشکی با ایمپکت فاکتور بالا به زبان انگلیسیمقالات پزشکی با مدل مفهومی به زبان انگلیسیمقالات مهندسی پزشکی با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی پزشکی با مدل مفهومی به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با مدل مفهومی به زبان انگلیسی

مقاله انگلیسی رایگان در مورد تشخیص خودکار فیبریلاسیون دهلیزی در سیگنالهای ECG – الزویر ۲۰۲۰

 

مشخصات مقاله
ترجمه عنوان مقاله تشخیص خودکار فیبریلاسیون دهلیزی در سیگنالهای ECG مبتنی بر تبدیل بسته های موجک و تابع همبستگی فرایند تصادفی
عنوان انگلیسی مقاله Automated detection of atrial fibrillation in ECG signals based on wavelet packet transform and correlation function of random process
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۱۰ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۳٫۸۳۰ در سال ۲۰۱۹
شاخص H_index ۵۱ در سال ۲۰۲۰
شاخص SJR ۰٫۷۱۱ در سال ۲۰۱۹
شناسه ISSN ۱۷۴۶-۸۰۹۴
شاخص Quartile (چارک) Q2 در سال ۲۰۱۹
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط پزشکی، مهندسی پزشکی، کامپیوتر
گرایش های مرتبط قلب و عروق، بیوالکتریک، سایبرنتیک پزشکی، مهندسی الگوریتم ها و محاسبات
نوع ارائه مقاله
ژورنال
مجله  پردازش و کنترل سیگنال زیست پزشکی – Biomedical Signal Processing And Control
دانشگاه School of Mathematics, Tianjin University, Tianjin 300354, China
کلمات کلیدی نوار قلب، فیبریلاسیون دهلیزی، تبدیل بسته موجک، تابع همبستگی، طبقه بندی کننده شبکه عصبی مصنوعی
کلمات کلیدی انگلیسی Electrocardiogram، Atrial fibrillation، Wavelet packet transform، Correlation function، Artificial neural network classifier
شناسه دیجیتال – doi
https://doi.org/10.1016/j.bspc.2019.101662
کد محصول E14921
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

۱- Introduction

۲- Methods and materials

۳- Results

۴- Discussion

۵- Conclusion

References

بخشی از متن مقاله:

Abstract

Atrial fibrillation (AF) is a common cardiac arrhythmia in clinic. The traditional AF detection using visual inspection by trained physicians is an inefficient and burdensome task. In this paper, we introduce a novel method for the automated AF detection using two-lead electrocardiogram (ECG) signals. We use the wavelet packet transform (WPT) and the correlation function of random process theory to devise an efficient feature extraction strategy for physiological signal analysis, and construct the corresponding histogram. Then, multivariate statistical features based on the correlation among wavelet coefficient series are extracted from the corresponding histogram as the feature set, which is the input to artificial neural network (ANN) classifier for the detection. Moreover, various statistical analyses are performed and some parameter tuning strategies are formulated by fitting the receiver operating characteristic (ROC) curve to ensure the reliability and robustness of the work. To evaluate the classification performance of the algorithm, 10-fold cross-validation is implemented on the MIT-BIH AF database. Compared with some state-of-the-art algorithms, the numerical results prove that our proposed strategy yields superior classification performance. To the best of our knowledge, this is also the first application of random process theory for AF detection, providing great potential in medical diagnosis.

Introduction

Atrial fibrillation (AF), a common cardiac arrhythmia, endangers human health and causes a social burden, which is closely related to the occurrence of stroke, thrombus, even death. More than 6 million people have been affected in the United States and about 90 million people have AF around the world [1]. This trend is expected to increase significantly with age [2]. Therefore, it is essential for public health to combat the harm and prevalence of the disease. Conventionally, AF detection is diagnosed by visual inspection of electrocardiogram (ECG) signals by trained physicians, whichmakes artificialdetectioninefficient andsubjective [3]. A large amount of ECG data have inevitably hindered the efficiency of AF detection. Hence,there is an urgent demand for an automated AF detection mechanism to analyze massive amounts of ECG data, facilitate diagnosis and lighten the burden on physicians [4]. The ECG is one of the most common and powerful tools for diagnosing atrial activity in clinicaltreatment, which mainly reveals the electrical action in the heart of human body [3,5]. The irregularity of RR intervals and absence of P-waves (replaced by rapid, irregular and disordered fibrillatory waves, called f-waves) are two main features of ECG data in AF [6]. Various algorithms based on these two features have been performed to automatically detect AF from ECG data. According to the absence of P-waves, Maji et al. [7] utilized empirical mode decomposition to analyze the denoised ECG signals for the corresponding intrinsic mode functions, and then some statistical parameters of P-waves were derived from these functions to perform classification. Padmavathi and Ramakrishna [8] measured some related coefficients based on the auto-regressive model of ECG signals and the support vector machine (SVM) as well as K-nearest neighbor (KNN) classifier was used to detect AF episodes. Pourbabaee et al.[9] developed a feature learning method using deep convolutional neural networks for the analysis of ECG data. At the same time, more schemes using the irregularity of RR intervals have also been initiated to classify AF signals. Dash et al.

نوشته های مشابه

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا