دانلود مقاله ترجمه شده تشخیص تنگی نفس موقتی در خواب – 2018 IEEE

دانلود مقاله ترجمه شده تشخیص تنگی نفس موقتی در خواب – 2018 IEEE:در تحلیل داده های EEG فریم به فریم به صورت متداول تنها مشخصه های کلی از یک فریم را می توان به دست آورد که در این مورد، ویژگی ها با در نظر داشتن کل فریم در یک زمان استخراج می شوند .در مقابل، در این مقاله، روش استخراج ویژگی به صورت دو مرحله ای ارائه شده است. نخست، ویژگی ها از یک مدت زمان کوتاه با همپوشانی بین فریم های فرعی در یک فریم محاسبه می شود که این کار باعث می شود که تغییرات شدید در زمان ثبت بشود و باعث می شود که تغییرات زمانی ویژگی استخراج شده در فریم، شناسایی شود. سپس تحلیل های آماری و مدل سازی بر روی الگوی تغییرات به دست آمده اعمال می شود که باعث می شود ما بتوانیم از مشخصه های محلی و سراسری یک فریم استفاده کنیم.

مقاله انگلیسی+ترجمه فارسی

فهرست مقالات

چکیده
۱- مقدمه
۲- روش پیشنهاد شده
الف) استخراج سیگنال محدود به باند
ب)استخراج ویژگی از چند باند
ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی
د) برازش مدل از الگوهای تغییرات ویژگی ها
ه) دسته بندی کننده
۳- نتایج و مباحث
الف) دیتابیس ها
ب) نکویی برازش
ج) نکویی ویژگی ها
د) نتایج دسته بندی
۴- جمع بندی
منابع

چکیده

آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند.

در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.

Abstract

Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe feature variation can be better represented by some statistical measures and characteristic probability density functions.

It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity, and accuracy.

نمونه ترجمه مقاله:دانلود ترجمه مقاله تنگی نفس

1. مقدمه

آپنه در خواب یکی از اختلال های رایج در خواب می باشد که باعث می شود کیفیت خواب بیمار دچار مشکل شود و بر روی 5 تا 20% از جمعیت بالغ تاثیر دارد [1و2]. بر اساس معیار آکادمی پزشکی خواب در آمریکا (AASM)، زمانی تشخیص آپنه ایجاد می شود که کاهش در جریان هوا 90%≤  می باشد و این کاهش بیشتر از 10 ثانیه طول می کشد. آپنه ضعیف نیازمند 30%≤ کاهش جریان هوا برای مدت زمان بیشتر از 10 ثانیه و یا کاهش اشباع اکسیژن 3%≤  و یا یک انگیختگی می باشد [3]. بیمارانی که به آپنه در خواب دچار هستند معمولا سردرد های شدید، خواب آلودگی در طول روز و بیماری های قلبی- تنفسی مختلف دارند.

در پلی سومنوگرافی در طول شب (PSG)، رخداد های آپنه در کل شب به صورت دستی توسط یک فرد متخصص شاخص بندی می شود که این کار یک کار پر هزینه، خسته کننده و زمان بر می باشد و ممکن است اشتباهات انسانی بر روی آن موثر باشند [6]. در نتیجه، یک الزام برای الگوریتم های خودکار شناسایی آپنه وجود دارد. طرح های مختلفی برای شناسایی آپنه به صورت خودکار با استفاده از سیگنال های زیستی مختلف وجود دارد که می توان به EEG اشاره کرد [7-13]. به عنوان مثال، در [7]، تغییرات در نرخ قلب، فشار بینی، EOG، EMG، دمای بینی و دهان و در [8]، اشباع اکسیژن، ضربان قلب و سیگنال های تنفسی و در [9]، سیگنال EMG و در [10]، سایز مردمک و در [11]، تنها سیگنال EEG  و در [12] سیگنال اکسیژن سنجی، و در [13]، سیگنال ECG، EMG و EOG سیگنال هایی هستند که مورد استفاده قرار گرفته اند.

به جای استفاده کردن از چند سیگنال فیزیولوژیک، سیگنال EEG به تنهایی مورد توجه محقق ها قرار گرفته است زیرا می توان از این سیگنال به صورت موفق در تحلیل مشکلات مرتبط با خواب استفاده کرد [14-23]. در[14]، رفتار غیر خطی سیگنال EEG مورد بررسی قرار گرفته است. توان های مقیاس بندی EEG که با استفاده از تحلیل نوسان حذفی (DFA) محاسبه شده است، به عنوان یک ویژگی مورد استفاده قرار می گیرند تا بتوان افراد مبتلا به آپنه را نسبت به افراد سالم [14]، دسته بندی کرد. در [15]، الگوریتم های تجزیه هرمیت مبتنی بر بهینه سازی ازدحام ذرات ارائه شده است و در [16] و [17]، تبدیل های موجک از EEG مورد استفاده قرار می گیرد تا بتوان رخداد های آپنه خواب را شناسایی کرد. به جای استفاده ازسیگنال های EEG با باند کامل، یک روش موثر، تقسیم کردن سیگنال های EEG به صورت باند های فرعی معروف EEG با نام های دلتا ، تتا، آلفا، سیگما و بتا و سپس تحلیل کردن سیگنال ها در این باند ها می باشد.