CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

طراحی مدل هوشمند عمیق به منظور پیش بینی بیماری صرع با استفاده از سیگنال ECG

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۲۱۴ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: CSCG02_065
زبان مقاله: فارسی
حجم فایل: ۵۲۳.۰۵ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله طراحی مدل هوشمند عمیق به منظور پیش بینی بیماری صرع با استفاده از سیگنال ECG

  مانداناسادات غفوریان - گروه مهندسی پزشکی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
    محمد تشنه لب - گروه مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
  محمدحسن مرادی - گروه مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

چکیده مقاله:

صرع شایع ترین بیماری عصبی بعد از سکته مغزی است ،که به دلیل آشفتگی های زودگذر مغز، به طور ناخودآگاه و غیرقابل پیش بینی روی میدهد.روشهای متنوعی، به منظور پیشبینی دقیق وضعیت حملات صرع ارایهشده است که ناتوانی آنها در ایجاد یک بازنمایی مناسب و توانمند بوده است. در این مطالعه از شبکه های عصبی عمیق برای پیشبینی حمله صرع با استفاده ازآنالیز فعالیت الکتریکی قلب (ECG) بر روی پایگاه داده بومی متشکل از 8 بیمار ارایه شده است. شبکههای عصبی عمیق گونه ای از ساختارهای عصبی ،که به علت داشتن بیش از یک لایه ی مخفی، قادر به تعمیم دهی بهتر در مقایسه با شبکه عصبی سنتی هستند. 8 ویژگی HRV در حوزههای زمان، فرکانس و6 ویژگی با سعی و خطا توسط شبکه عصبی عمیق استخراج و برای پیشبینی به MLP داده شده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی قادر است با متوسط حساسیت 99.37 ومتوسط خصوصیت 99.40 درصد حملات صرع را پیشبینی کند.

کلیدواژه‌ها:

آنالیز تغییرات ضربان قلب، پیشبینی، صرع،یادگیری عمیق

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CSCG02-CSCG02_065.html
کد COI مقاله: CSCG02_065

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
غفوریان, مانداناسادات؛ محمد تشنه لب و محمدحسن مرادی، ۱۳۹۶، طراحی مدل هوشمند عمیق به منظور پیش بینی بیماری صرع با استفاده از سیگنال ECG، دومین کنفرانس ملی محاسبات نرم، گیلان -رودسر، دانشگاه گیلان، https://www.civilica.com/Paper-CSCG02-CSCG02_065.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (غفوریان, مانداناسادات؛ محمد تشنه لب و محمدحسن مرادی، ۱۳۹۶)
برای بار دوم به بعد: (غفوریان؛ تشنه لب و مرادی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۹۳۸۱
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • هوش مصنوعی > یادگیری عمیق
  • اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.