دانلود و نمایش مقالات مرتبط با Biomedical signal processing::صفحه 1
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

نتیجه جستجو - Biomedical signal processing

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 A review of feature selection methods in medical applications
مروری بر روشهای انتخاب ویژگی در برنامه های پزشکی-2019
Feature selection is a preprocessing technique that identifies the key features of a given problem. It has traditionally been applied in a wide range of problems that include biological data processing, finance, and intrusion detection systems. In particular, feature selection has been successfully used in medical applications, where it can not only reduce dimensionality but also help us understand the causes of a disease. We describe some basic concepts related to medical applications and provide some necessary background information on feature selection. We review the most recent feature selection methods developed for and applied in medical problems, covering prolific research fields such as medical imaging, biomedical signal processing, and DNA microarray data analysis. A case study of two medical applications that includes actual patient data is used to demonstrate the suitability of applying feature selection methods in medical problems and to illustrate how these methods work in real-world scenarios.
Keywords: Feature selection | High dimensionality | Pattern recognition | Medical imaging | Biomedical data
مقاله انگلیسی
2 A Novel Adaptive Feature Extraction for Detection of Cardiac Arrhythmias Using Hybrid Technique MRDWT & MPNN Classifier from ECG Big Data
رویکرد استخراج ویژگی تطبیقی برای تشخیص آریتمی های قلب با استفاده از تکنیک ترکیبی MRDWT و MPNN طبقه بندی از داده بزرگ ECG-2018
The efficient automatic detection of cardiac arrhythmia using a hybrid technique from ECG big data has been proposed with novel feature extraction technique using Multiresolution Discrete Wavelet Transform (MRDWT) and Multilayer Probabilistic Neural Network (MPNN) classifier. Big Data of ECG signals have been selected from MIT–BIH arrhythmia database for detection of two types of arrhythmias LBBB (Left Bundle Branch Block) and RBBB (Right Bundle Branch Block). The proposed technique can accurately detect and classify LBBB and RBBB along with normal heartbeat. A novel and hybrid method of detection of cardiac arrhythmia have four main stages: denoising of raw ECG, baseline wander removal, proposed feature extraction, and detection of abnormal heartbeats using MPNN neural classifier. 8600 ECG beats were selected, including 4200 normal and 4400 abnormal beats (2200 LBBB and 2200 RBBB) were utilized for testing the proposed technique. The detection outcome using MPNN was compared with other two neural classifiers: Feed Forward Neural Network (FFNN) and Back Propagation Neural Network (BPNN) classifiers. The accuracy and efficiency of classifiers performance were attained in terms of CER (Classification Error Rate), SP (Specificity), Se (Sensitivity), Pr (Precision), PPr (Positive Predictivity) and F Score. The system performance is achieved with 96.22%, 97.15% and 99.07% overall accuracy using FFNN, BPNN and MPNN. The average percentage of classification error rate (CER) using MPNN classifier is lowest 0.62% whereas FFNN and BPNN show 2.2% and 1. 90% average CER.
Keywords: Big data ، Cardiac arrhythmias ،Biomedical signal processing ، Artificial intelligence ، Machine learning
مقاله انگلیسی
3 پردازش علائم زیست پزشکی: از یک چارچوب مفهومی برای کاربرد های بالینی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 3 - تعداد صفحات فایل doc فارسی: 5
امروزه، سیستم های بدست آمده از اطلاعات موجود با وفاداری بالا قادر به ضبط مقادیر زیادی از علائم حیاتی با منشاء الکتریکی و غیر الکتریکی؛ تهاجمی یا غیرتهاجمی در مدت زمان طولانی بوده اند، که فرصت بی نظیری را در جهت مطالعه بدن انسان درمورد سلامت و بیماری اش فراهم نموده است. علائم پزشکی به طور گسترده ای در محیط بالینی برای تشخیص بیماری، نوع درمان، نظارت بر بیمار، پیشگیری از بیماری، و ارزیابی ریسک استفاده می شد. عمده پیشرفت های اخیر از ابزارهای بهداشتی، اطلاعات مختلف پزشکی به راحتی در دسترس مصرف کنندگان قرار داده می شد و تمام جنبه های زندگی را عملا ثبت می نمود. پردازش و تفسیر این داده ها، مجموعه ای چند وجهی از چالش ها، از جمله مقابله با رفتارهای ثابت را فراهم می کند، البته از بین متغیرهای زیست پزشکی حال حاضر، ترکیبی از منابع و علائم موجود به طور معمول از سطح بدن مشاهده شده و به تشخیص ضعیف فرایندهای فیزیولوژیکی در محیط های پر سر و صدا، استخراج و طبقه بندی ویژگی های دینامیکی، مدل سازی سیستم های فیزیولوژیکی، درک رابطه علت و معلولی بین سیستم تعاملی، و تبدیل پارامترها به اطلاعات مربوطه پرداخته که قادر به درمان بالینی و ایجاد یک اثر قابل اندازه گیری بر روی سیستم مراقبت های بهداشتی بوده است. این مسئله خاص، چالش های پ مربوطه در زمینه پردازش علائم پزشکی و احتمالات را برای توسعه فن آوری آینده پوشش می دهد.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 11120 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 11120 :::::::: افراد آنلاین: 56