دانلود پروپوزال بهینه سازی تشخیص صرع مبتنی بر انرژی سیگنال EEG با استفاده از الگوریتم های فراابتکاری |
|||
---|---|---|---|
عنوان فارسی پروپوزال | بهینه سازی تشخیص صرع مبتنی بر انرژی سیگنال EEG با استفاده از الگوریتم های فراابتکاری | ||
عنوان انگلیسی پروپوزال | Provide a model for classifying epileptic seizures using statistical features of EEG signal | ||
سال نگارش | 2022 | ||
مقاله بیس | دانلود رایگان مقاله بیس | ||
رشته | پزشکی و کامپیوتر | ||
قالب فایل | Word |
این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:
https://safirdep.com/wp-content/uploads/2023/05/Provide-a-model-for-classifying-epileptic-seizures-using-statistical-features-of-EEG-signa.pdf
فهرست مطالب پروپوزال بهینه سازی تشخیص صرع مبتنی بر انرژی سیگنال EEG با استفاده از الگوریتم های فراابتکاری
- بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند
- اهمیت و ضرورت انجام تحقیق
- مرور ادبیات و سوابق مربوطه
- جنبه جدید بودن و نوآوری در تحقیق
- اهداف مشخص تحقیق
- فرضیه های تحقیق
- روش شناسی تحقیق
- شرح کامل روش (میدانی، کتابخانهای) و ابزار
- جامعه آماری، روش نمونه گیری و حجم نمونه
- روشها و ابزار تجزیه و تحلیل داده ها
- مراجع
بیان مساله
صرع یکی از شایعترین بیماریهای سیستم اعصاب است که تنها در ایالات متحده، ۲/۲ میلیون نفر به آن مبتلا هستند و باعث تشنج در فرد میشود که میتواند در زندگی افراد تاثیراتی از جمله مرگ داشته باشد. به همین علت، تحقیقات قابلتوجهی در زمینه شناسایی صرع به محض وقوع آن، صورت میگیرد، به طوری که اثرات و عواقب آن را بتوان فورا کاهش داد. فعالیتهای عصبی مغز انسان بین هفتههای هفده الی بیست و سوم در طی دوران جنینی شروع میشود.

اعتقاد بر این است که از این مرحله اولیه و در سراسر زندگی یک فرد، سیگنالهای تولید شده در مغز انسان نه تنها نشاندهنده عملکرد مغز بلکه وضعیت کل بدن را نشان میدهد. این فرض انگیزه اعمال روشهای پردازش سیگنال دیجیتال پیشرفته بر روی سیگنالهای الکتریکی ثبت شده از مغز یک انسان برای اندازهگیری را میدهد.[۱] عملکرد طبیعی مغز تولیدکننده الکتریک و مغناطیس است. که هر دو نتیجه فعالیت الکتریکی جریان یونها در نورونهای عصبی مغز، در درجه اول در قشر مغز بوده که به محرکهای مختلف پاسخ میدهد.
قشر مغز از تعداد ۹۱۰ الی ۱۰۱۰ نورون عصبی تشکیل شده که سیگنال الکتریکی تولیدشده از این سلولها در واقع یک عملکرد منحصربهفرد از مغز را نشان میدهد. اندازهگیری و دریافت سیگنالها با استفاده از الکترودها انجام میشود. این روش به عنوان سیگنالهای الکتروآنسفالوگرام شناخته میشود. منبع اصلی این سیگنال فعالیت همزمان هزاران نورون عصبی است.
اندازهگیری سیگنالها به صورت غیرتهاجمی و ساده است که به وسیله آن میتواند بر فعالیت مغز نظارت کرد [۲]. سیگنالهای موج نگاری مغزی (EEG) بهعنوان ابزارهای متداول و کمهزینه برای شناسایی اسیب های مغزی مورد استفاده قرار میگیرد. مانیتورینگ دستی سیگنالهای EEG برای شناسایی حملات مغزی یک روش زمانبر است حتی برای عصب شناسان با تجربه. بنابراین، روشهای مکانیزه شناسایی حملات مبتنی بر تکنیکهای پردازش سیگنال پیشرفته به میزان زیادی بار محاسباتی مربوط به مانیتورینگ سیگنالهای بلند EEG را توسط متخصصین بالینی، کم میکند.
برخی از مراجع
۱۰٫ Mursalin, Md, et al. “Epileptic seizure classification using statistical sampling and a novel feature selection algorithm.” arXiv preprint arXiv:1902.09962 (۲۰۱۹)..
Prasanna, J., et al. “Automatic Epileptic Seizure Classification using MODWT and SVM.” ۲۰۱۹ ۲nd International Conference on Signal Processing and Communication (ICSPC). IEEE, 2019.
Choubey, Hemant, and Alpana Pandey. “Classification and detection of epilepsy using reduced set of extracted features.” ۲۰۱۸ ۵th International Conference on Signal Processing and Integrated Networks (SPIN). IEEE, 2018.
Manjusha, M., and R. Harikumar. “Performance analysis of KNN classifier and K-means clustering for robust classification of epilepsy from EEG signals.” ۲۰۱۶ International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET). IEEE, 2016.
Vijith, V. S., et al. “Epileptic seizure detection using non linear analysis of EEG.” ۲۰۱۶ International Conference on Inventive Computation Technologies (ICICT). Vol. 3. IEEE, 2016.

دانلود پروپوزال در مورد شبکه عصبی
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.