ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات
- دسته: فیزیووژی ترجمه مقاله 2017 ieee
- مجله IEEE Transactions on Neural Systems and Rehabilitation Engineering
- دانشگاه: Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada
- لینک مقاله در سایت IEEE
- فرمت فایل : word
- تعداد صفحات فایل ترجمه شده: 25
- جهت دانلود انگلیسی این مقاله اینجا کلیک نمایید.
- محصول مشابه:
ترجمه مقاله مهندسی پزشکی|تشخیص و طبقه بندی پتانسیل واحد حرکتی سیگنال ماهیچه نگاری درون ماهیچهای
2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات
دانلودترجمه مقاله مهندسی پزشکی: تجزیهی چندکانالهی سیگنالهای EMG درون ماهیچهای توسط جداسازی کور منابع بر اساس ایستان گردشی
یک روش مبتنی بر چگالی برای خوشه بندی خواص پتانسیل واحد حرکتی برای تقویت تشخیص اختلال های عصبی عضلانی
خلاصه:
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.
A Density-Based Clustering Approach to Motor Unit Potential Characterizations to Support Diagnosis of Neuromuscular Disorders
خرید
