کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
530194 | 869750 | 2015 | 12 صفحه PDF | دانلود رایگان |
کلیدواژهها
1.مقدمه
1.1.تشخیص تغییر در سیگنالهای غیرایستا
2.1. نوآوریهای مقاله و سازماندهی آن
2.سیگنالهای EEG نوزاد
1.2. صرعهای EEG نوزاد
شکل 1. ثبت سیگنالهای EEG نوزاد.
شکل 2. EEG یک نوزاد که نشان دهندۀ الگوهای صرع است
شکل 3. EEG یک نوزاد آلوده به مصنوعات.
2.2. تشخیص مصنوعات EEG نوزاد
شکل 4. بلوک دیاگرام کلی یک سیستم تشخیص عیب خودکار مبتنی بر EEG. توجه شود که مراحل حذف مصنوع و شناسایی نابهنجاری بخشی از این کار نیستند.
3.تشخیص خودکار نابهنجاریهای EEG نوزاد و مصنوعات با استفاده از ویژگیهای (t,f)
1.3. پایگاهدادههای EEG نوزاد
شکل 5. مکان و فهرست نمادهای الکترودهای واقع روی سر کودک. دایرهها مکان 20 الکترود را نشان میدهند که از آنها سیگنالها ثبت شدهاند.
2.3. شکلگیری تصویر زمان- فرکانس
3.3. استخراج ویژگی
جدول 1
1.3.3. گسترش ویژگیهای حوزۀ f به حوزۀ مشترک (t,f)
2.3.3. گسترش ویژگیهای حوزۀ t به حوزۀ مشترک (t,f)
جدول 2
3.3.3.ویژگیهای (t,f) ذاتی تکمیلی
4.3. ویژگیهای انتخابشده
5.3. پیادهسازی
جدول 3
جدول 4
6.3. ارزیابی عملکرد
1.6.3. تحلیل ROC
شکل 6. (الف) رهیافتی برای ارزیابی عملکرد ویژگیهای (t,f) برای تشخیص صرعها در EEG نوزاد.
2.6.3. دستهبندی
4.نتایج و بحثها
1.4. ارزیابی عملکرد ویژگیها با استفاده از تحلیل ROC
1.1.4. تشخیص صرع
جدول 5
2.1.4 تشخیص مصنوع
جدول 6
2.4. تصمیمگیری مبتنی بر SVM (ماشین بردار پشتیبان)
1.2.4. تشخیص صرع
جدول 7
2.2.4. تشخیص مصنوع
جدول 8
5.نتیجهگیری
• We propose (t,f) based features for detecting change in nonstationary signals.
• We use the features to detect seizures and artifacts in newborn EEGs.
• The features result in an improved performance in detecting seizures and artifacts.
• Performance of (t,f) features depends on the type of time–frequency distribution.
This paper considers the general problem of detecting change in non-stationary signals using features observed in the time–frequency (t,f) domain, obtained using a class of quadratic time–frequency distributions (QTFDs). The focus of this study is to propose a methodology to define new (t,f) features by extending time-only and frequency-only features to the joint (t,f) domain for detecting changes in non-stationary signals. The (t,f) features are used as a representative subset characterizing the status of the observed non-stationary signal. Change in the signal is then reflected as a change in the (t,f) features. This (t,f) approach is applied to the problem of detecting abnormal brain activity in newborns (e.g. seizure) using measurements of the EEG for diagnosis and prognosis. In addition, a pre-processing stage for detecting artifacts in EEG signals for signal enhancement is studied and implemented separately. Overall results indicate that, in general, the (t,f) approach results in an improved performance in detecting artifacts and seizures in newborn EEG signals as compared to time-only or frequency-only features.
Journal: Pattern Recognition - Volume 48, Issue 3, March 2015, Pages 616–627