مقاله انگلیسی رایگان در مورد تشخیص حمله صرعی غیر ارادی مبتنی بر EEG چند کاناله – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله تشخیص حمله صرعی غیر ارادی مبتنی بر EEG چند کاناله با استفاده از تجزیه فیلترینگ تکراری و مدل پنهان مارکوف
عنوان انگلیسی مقاله Multi-channel EEG based automatic epileptic seizure detection using iterative filtering decomposition and Hidden Markov Model
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۱۷ 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 – MedLine
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۲٫۸۲۸ در سال ۲۰۱۹
شاخص H_index ۷۵ در سال ۲۰۲۰
شاخص SJR ۰٫۵۷۰ در سال ۲۰۱۹
شناسه ISSN ۰۰۱۰-۴۸۲۵
شاخص Quartile (چارک) Q2 در سال ۲۰۱۹
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط پزشکی، مهندسی پزشکی
گرایش های مرتبط مغز و اعصاب، بیوالکتریک
نوع ارائه مقاله
ژورنال
مجله  کامپیوترها در بیولوژی و پزشکی – Computers In Biology And Medicine
دانشگاه Department of Electrical Engineering, Indian Institute of Technology, Patna, India
کلمات کلیدی نوار مغزی، صرع، تجزيه و تحليل فيلترینگ مکرر، ويژگي هاي طيفی، قدرت تجزيه حالت دینامیک، مدل پنهان ماركوف
کلمات کلیدی انگلیسی EEG، Epilepsy، Iterative filtering decomposition، Spectral features، Dynamic mode decomposition power، Hidden Markov Model
شناسه دیجیتال – doi
https://doi.org/10.1016/j.compbiomed.2019.103571
کد محصول E14901
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- Proposed approach

۳- Techniques

۴- Results

۵- Conclusion and future scope

References

بخشی از متن مقاله:

Abstract

Electroencephalography (EEG) is a non-invasive method for the analysis of neurological disorders. Epilepsy is one of the most widespread neurological disorders and often characterized by repeated seizures. This paper intends to conduct an iterative filtering based decomposition of EEG signals to improve upon the accuracy of seizure detection. The proposed approach is evaluated using All India Institute of Medical Science (AIIMS) Patna EEG database and online CHB-MIT surface EEG database. The iterative filtering decomposition technique is applied to extract sub-components from the EEG signal. The feature set obtained from each segmented intrinsic mode function consists of 2-D power spectral density and time-domain features dynamic mode decomposition power, variance, and Katz fractal dimension. The Hidden Markov Model (HMM) based probabilistic model has been designed using the above-stated features representing the seizure and non-seizure EEG events. The EEG signal is classified based on the maximum score obtained from the individual feature-based classifiers. The maximum score derived from each HMM classifier gives the final class information. The proposed decomposition of EEG signals achieved 99.60% and 99.74% accuracy in seizure detection for the online CHB-MIT surface EEG database and AIIMS Patna EEG database, respectively.

Introduction

EEG has a wide application in the diagnosis of neurological diseases such as dementia, migraine, and epilepsy [1]. Epilepsy is a non-communicable disease that can affect people of different ages. Nearly 70 million people are affected by epilepsy all over the world, and in India alone, 12 million people are suffering from epilepsy [2]. The unexpected simultaneous activity of groups of neurons is called a seizure. The duration of seizure in continuous EEG signals varies from 1 to 10 seconds. Depending on the seizure condition, the recording duration varies from minutes to hours. At present, the seizure detection is manual, and accuracy depends largely on the doctor’s experience. There is an urgent requirement to develop an efficient algorithm which can detect seizure efficiently from continuous EEG signal. There are different state-of-the-art methods proposed for seizure detection. Discrete wavelet transform (DWT) and empirical mode decomposition (EMD) are widely used techniques for data decomposition. EMD time-domain features and frequency domain features with a linear discriminant analysis classifier are used for seizure classification [3]. Multivariate empirical mode decomposition, instantaneous rate, instantaneous amplitude, and artificial neural network are efficient in seizure detection [4]. EMD intrinsic mode function (IMF) and Higher-order moment features are found to be effective in seizure detection [5]. DWT coefficients are found to be efficient in seizure and non-seizure classification [6]. Energy ratio from wavelet coefficients and ant colony classifier achieved good classification accuracy [7]. Stationary wavelet transform has a good application in seizure detection.

ارسال دیدگاه

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