مقاله انگلیسی رایگان در مورد تشخیص تشنج صرعی در سیگنالهای EEG با استفاده از IMFs نرمال شده – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله تشخیص تشنج صرعی در سیگنالهای EEG با استفاده از IMFs نرمال شده در دامنه CEEMDAN و دسته بند تفکیک کننده درجه دوم
عنوان انگلیسی مقاله Epileptic seizure detection in EEG signals using normalized IMFs in CEEMDAN domain and quadratic discriminant classifier
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
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 ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط پزشکی، مهندسی پزشکی
گرایش های مرتبط مغز و اعصاب، پردازش تصاویر پزشکی، انفورماتیک پزشکی
نوع ارائه مقاله
ژورنال
مجله  کنترل و پردازش سیگنال زیست پزشکی – Biomedical Signal Processing And Control
دانشگاه Electrical and Electronic Engineering, Bangladesh University of Engineering and Technology, Dhaka, Bangladesh
کلمات کلیدی تشنج صرعی، نوار مغزی، EEMDAN، نرمالیزه کردن حداکثر، دسته بند تفکیک کننده درجه دوم
کلمات کلیدی انگلیسی Epileptic seizure، EEG، CEEMDAN، Max normalization، Quadratic discriminant classifier
شناسه دیجیتال – doi
https://doi.org/10.1016/j.bspc.2019.101833
کد محصول E14938
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- Methodology

۳- Results and discussion

۴- Conclusions

References

بخشی از متن مقاله:

Abstract

Epilepsy is the fourth most common neurological disorder that manifests itself through unprovoked seizures, detection of which is the very first step of proper diagnosis and treatment of this severe disease. In this paper, an automated seizure detection method has been proposed based on the statistical and spectral features of max normalized intrinsic mode functions or IMFs that were extracted using complete ensemble empirical mode decomposition with adaptive noise method. First, a publicly available dataset of EEG signals was used to generate the IMFs and noise or outliers were discarded. Then IMFs were max normalized which was shown to improve the separability of features. Statistical and spectral features were extracted from the normalized IMFs which offered better separation of seizure and seizure-free data. Finally, Quadratic Discriminant classifier was used for the classification purpose and 10-fold cross validation was performed to validate the trained model. The proposed scheme is numerically efficient and shows a maximum of 100% accuracy which is the highest reported on this data set.

Motivation

The International League Against Epilepsy (ILAE) and the International Bureau for Epilepsy (IBE) have defined the terms epileptic seizure and epilepsy as follows: an epileptic seizure is a transient occurrence of signs and/or symptoms due to abnormal excessive or synchronous neuronal activity in the brain and epilepsy is a disorder of the brain characterized by an enduring predisposition to generate epileptic seizures and by the neurobiologic, cognitive, psychological, and social consequences of this condition [1]. The definition of epilepsy requires the occurrence of at least one epileptic seizure. According to World Health Organization (WHO), approximately 50 million people have epilepsy worldwide. Around 80% of epilepsy patients are either from low or middleincome countries, of which around 75% failto get proper treatment. Epilepsy has severe socioeconomic consequences, including high treatment cost,low employment rate, andlow salary among epileptic patients [2]. Epilepsy remains resistant to drug therapy in about one-third of patients and people with pharmacoresistant epilepsy are about 2–۱۰ times more likely to die compared to the general population [3].

ارسال دیدگاه

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