دسته بندی:

الگوریتم ها - algorithms

---

سال انتشار:

2021

---

ترجمه فارسی عنوان مقاله:

تشخیص BECT اسپایک براساس ویژگی‌های توالی EEG Novel و الگوریتم ‌های LSTM

---

عنوان انگلیسی مقاله:

BECT Spike Detection based on Novel EEG Sequence Features and LSTM Algorithms

---

منبع:

BECT Spike Detection based on Novel EEG Sequence Features and LSTM Algorithms

---

نویسنده:

Zhendi Xu∗, Tianlei Wang, Jiuwen Caoy, Senior Member, IEEE, Zihang Bao, Tiejia Jiang∗, and Feng Gaoy

---

چکیده انگلیسی:

The benign epilepsy with spinous waves in the central temporal region (BECT) is the one of the most common epileptic syndromes in children, that seriously threaten the nervous system development of children. The most obvious feature of BECT is the existence of a large number of electroencephalogram (EEG) spikes in the Rolandic area during the interictal period, that is an important basis to assist neurologists in BECT diagnosis. With this regard, the paper proposes a novel BECT spike detection algorithm based on time domain EEG sequence features and the long short-term memory (LSTM) neural network. Three time domain sequence features, that can obviously characterize the spikes of BECT, are extracted for EEG representation. The synthetic minority oversampling technique (SMOTE) is applied to address the spike imbalance issue in EEGs, and the bi-directional LSTM (BiLSTM) is trained for spike detection. The algorithm is evaluated using the EEG data of 15 BECT patients recorded from the Childrens Hospital, Zhejiang University School of Medicine (CHZU). The experiment shows that the proposed algorithm can obtained an average of 88.54% F1 score, 92.04% sensitivity, and 85.75% precision, that generally outperforms several state-of-the-art spike detection methods.
Index Terms: BECT | Spike detection | Time domain EEG sequence features | LSTM model

---

چکیده فارسی:

صرع خوش‌خیم با امواج spinous در منطقه زمانی ۲ ( BECT ) یکی از شایع‌ترین syndromes مبتلا به صرع در کودکان است که به طور جدی رشد سیستم برای کودکان را تهدید می‌کند . مشخص‌ترین ویژگی ۵ BECT وجود تعداد زیادی از electroencephalogram ۶ ( EEG ) در ناحیه Rolandic در طول دوره interictal است که یک اساس مهم برای کمک به neurologists در BECT diag8 است . با توجه به این مساله , این مقاله یک الگوریتم تشخیص BECT spike را براساس توالی زمانی سری زمانی EEG ثبت می‌کند و حافظه کوتاه‌مدت حافظه بلند مدت ( LSTM ) را نشان می‌دهد . سه ویژگی متوالی دامنه زمانی , که به وضوح ۱۲ را مشخص می‌کنند , برای نمایش EEG استخراج می‌شوند . ۱۳ تکنیک نمونه‌گیری اقلیت ترکیبی ( smote ) برای ۱۴ سخنرانی در مورد مساله عدم تعادل در EEGs بکار گرفته می‌شود و ۱۵ - ( BiLSTM ) برای تشخیص سیخ آموزش‌دیده است . این الگوریتم با استفاده از داده‌های EEG ۱۵ BECT ثبت‌شده از ۱۷ بیمار Hospital ثبت‌شده از ۱۷ بیمارستان کودکان , دانشکده پزشکی University ۱۸ ( CHZU ) , مورد ارزیابی قرار می‌گیرد . این آزمایش نشان می‌دهد که الگوریتم پیشنهادی می‌تواند به طور متوسط 88.54 % F [ 1] , ۹۲.۰۴ درصد حساسیت , و ۲۰ 85.75 درصد را بدست آورد , که به طور کلی از چندین روش تشخیص استاندارد ویژگی استفاده می‌کند . عبارات راهنما: BECT | تشخیص اسپایک | حوزه زمان EEG ویژگی توالی | مدل LSTM

---

---

---

---

حجم فایل: 930 کیلوبایت

---

قیمت: 49000 تومان   

---

توضیحات اضافی:

---

---

---