دانلود مقاله انگلیسی رایگان:پیش بینی مصارف صرع با استفاده از داده های بزرگ و یادگیری عمیق: به سوی سیستم سیار - 2018

محرم

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Epileptic Seizure Prediction Using Big Data and Deep Learning: Toward a Mobile System Epileptic Seizure Prediction Using Big Data and Deep Learning: Toward a Mobile System
    Epileptic Seizure Prediction Using Big Data and Deep Learning: Toward a Mobile System

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Epileptic Seizure Prediction Using Big Data and Deep Learning: Toward a Mobile System


    ترجمه فارسی عنوان مقاله:

    پیش بینی مصارف صرع با استفاده از داده های بزرگ و یادگیری عمیق: به سوی سیستم سیار


    منبع:

    Sciencedirect - Elsevier - EBioMedicine 27 (2018) 103–111


    نویسنده:

    Isabell Kiral-Kornek a,1, Subhrajit Roy a,1, Ewan Nurse a,b, Benjamin Mashford a, Philippa Karoly a,b, Thomas Carroll a,b, Daniel Payne a,b, Susmita Saha a, Steven Baldassano b, Terence OBrien b, David Grayden c, Mark Cook b, Dean Freestone b,⁎, Stefan Harrer a,⁎


    چکیده انگلیسی:

    Background: Seizure prediction can increase independence and allow preventative treatment for patients with epilepsy. We present a proof-of-concept for a seizure prediction system that is accurate, fully automated, patient-specific, and tunable to an individuals needs. Methods: Intracranial electroencephalography (iEEG) data of ten patients obtained from a seizure advisory system were analyzed as part of a pseudoprospective seizure prediction study. First, a deep learning classifier was trained to distinguish between preictal and interictal signals. Second, classifier performance was tested on held-out iEEG data from all patients and benchmarked against the performance of a random predictor. Third, the prediction system was tuned so sensitivity or time in warning could be prioritized by the patient. Finally, a demonstration of the feasibility of deployment of the prediction system onto an ultra-low power neuromorphic chip for autonomous operation on a wearable device is provided. Results: The prediction system achieved mean sensitivity of 69% and mean time in warning of 27%, significantly surpassing an equivalent random predictor for all patients by 42%. Conclusion: This study demonstrates that deep learning in combination with neuromorphic hardware can provide the basis for a wearable, real-time, always-on, patient-specific seizure warning system with low power consumption and reliable long-term performance.
    Keywords: Epilepsy ، Seizure prediction ، Artificial intelligence، Deep neural networks ، Mobile medical devices ، Precision medicine


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    حجم فایل: 860 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer