دانلود مقاله ترجمه شده یک روش مبتنی بر چگالی برای خوشه بندی خواص پتانسیل واحد حرکتی برای تقویت تشخیص اختلال های عصبی عضلانی


چطور این مقاله مهندسی پزشکی را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2009386 رایگان است. ترجمه چکیده این مقاله مهندسی پزشکی در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
1,150,000 ریال
شناسه محصول :
2009386
سال انتشار:
2017
حجم فایل انگلیسی :
1 Mb
حجم فایل فارسی :
797 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

یک روش مبتنی بر چگالی برای خوشه بندی خواص پتانسیل واحد حرکتی برای تقویت تشخیص اختلال های عصبی عضلانی

عنوان انگليسي

A Density-Based Clustering Approach to Motor Unit Potential Characterizations to Support Diagnosis of Neuromuscular Disorders

نویسنده/ناشر/نام مجله

.

این مقاله چند صفحه است؟

این مقاله ترجمه شده مهندسی پزشکی شامل 11 صفحه انگلیسی به صورت پی دی اف و 39 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی

چکیده

کلاس بندی عضله الکتروفیزیولوژیکی شامل توصیف مشخصات پتانسیل های واحد حرکتی (MUP) و پس از آن اجتماع مشخصات این MUP هاست. روش های موجود هم برای توصیف مشخصات MUP و هم برای کلاس بندی الکتروفیزیولوژیکی عضله سه کلاس ( عضله ناخوش (مایوپاتیک) ، دارای ریشه عصبی (نوروژنیک) و عادی) در نظر می گیرند. اگرچه، تغییرات MUP ناشی از بیماری ذاتا پیوسته هستند که این موضوع پیدا کردن یک مرز مشخص بین MUPهای عادی، مایوپاتیک و نوروژنیک را مشکل می کند. بنابراین، توصیف مشخصات MUP که مبتنی بر بیشتر از سه کلاس باشد اثرات مختلف بیماری را بهتر می تواند نمایش دهد. در اینجا، یک سیستم کلاس بندی الکتروفیزیولوژیکی عضله نوین ارئه می گردد. در این سیستم تعداد کلاس ها برای توصیف مشخصات MUP به صورت پویا (دینامیک) در نظر گرفته می شود. بدین منظور یک الگوریتم خوشه بندی به نام فاصله همسایگی آنتروپی پایدار ( Neighborhood Distances Entropy Consistency)، به اختصار NDEC، پیشنهاد می شود تا خوشه هایی با شکل و چگالی های دلخواه در یک فضای ویژگی MUP پیدا شود. این خوشه ها تعدادی مفهوم بهنجاری و نابهنجاری MUP را نمایش می دهند. این خوشه ها برای توصیف مشخصات MUP به جای سه کلاس رایج استفاده می شوند. مشخصات MUP ماهیچه مورد مطالعه به صورت یک بردار ویژگی به کلاسیفایرهای SVM و نزدیک ترین همسایگی داده شده و کلاس بندی با استفاده از مجموع نتایج این دو کلاسیفایر انجام می شود. 103 مجموعه MUP از ماهیچه درشت نئی پیشین ( tibialis anterior muscle) ثبت شد که سیستم پیشنهادی توانست با دقت 97% کلاس بندی انجام دهد. این دقت به صورت معناداری بالاتر از دقت کارهای قبلی است.

1-مقدمه

سیگنال های الکترومایوگرافی (EMG) فعالیت الکتروفیزیولوژیکی عضله ها را نمایش می دهد. سیگنال EMG در حین انقباض ارادی از جمع قطارهای پتانسیل واحدهای موتوری (MUPTs) که در واحدهای موتوری (MUs) فعال تولید می شوند، تشکیل می شود. هر MUPT نمایانگر قطار پتانسیل واحد موتوری است که با فعال شدن مکرر یک واحد موتوری تولید می شود. هر پتانسیل واحد موتوری (MUP) شامل جمع پتانسیل های فیبر عضلانی (MFPs) است که توسط فیبرهای عضلانی یک واحد موتوری تولید می شود. بیماری های عصبی عضلانی شکل و فیزیولوژی واحدهای موتوری را تغییر می دهد که موجب تغییر شکل MUP ها و الگوهای فعال شدن MU ها می گردد…


واحد حرکتی تشخیص اختلال های عصبی عضلانی :کلمات کلیدی

چکیده انگلیسی

Abstract

Electrophysiological muscle classification involves characterization of extracted motor unit potentials (MUPs) followed  by  the  aggregation of  these  MUP  characterizations. Existing techniques consider three classes (i.e., myopathic, neurogenic,  and  normal)  for  both  MUP  characterization  and electrophysiological muscle classification. However, diseased induced  MUP  changes  are  continuous  in  nature,  which  make  it difficult  to  find  distinct  boundaries  between  normal,  myopathic and  neurogenic  MUPs.  Hence,  MUP  characterization  based  on more  than  three  classes  is  better  able  to  represent  the  various effects of disease. Here, a novel, electrophysiological muscle classification system is proposed which considers a dynamic number of classes for characterizing MUPs. To this end, a clustering algorithm called neighborhood distances entropy consistency  (NDEC)  is  proposed  to  find  clusters  with  arbitrary shapes  and  densities  in  a  MUP  feature  space.  These  clusters represent  several  concepts  of  MUP  normality  and  abnormality and are used for MUP characterization instead of the conventional three classes. An examined muscle is then classified by  embedding  its  MUP  characterizations  in  a  feature  vector  fed to an ensemble of SVM and nearest neighbor classifiers. For 103 sets  of  MUPs  recorded  in  tibialis  anterior  muscles,  the  proposed system had a 97% electrophysiological muscle classification accuracy, which is significantly higher than in previous works.

Keywords: Motor Unit Potential
Skip Navigation Linksصفحه اصلی > دپارتمان ها > دپارتمان فنی و مهندسی > مهندسی پزشکی > مقاله های مهندسی پزشکی و ترجمه فارسی آنها > یک روش مبتنی بر چگالی برای خوشه بندی خواص پتانسیل واحد حرکتی برای تقویت تشخیص اختلال های عصبی عضلانی
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید