معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام
Publish Year: 1395
Type: Journal paper
Language: Persian
View: 227
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JIPET-7-26_006
Index date: 9 January 2022
معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام abstract
در این مقاله یک نمایه جدید به منظور تشخیص خودکار شدت بیماری آصم با استفاده از پردازش سیگنالهای کپنوگرام ارائه شده است. تحقیقات انجام گرفته در گذشته نشان دهنده ارتباط مهمی بین کپنوگرام و بیماری آصم بوده است .هرچند، اغلب آن تحقیقات از روشهای پردازشی حوزه زمان اسفاده کرده بوده و بر این فرضیه استوار بودند که کپنوگرام یک سیگنال ایستان است. در این تحقیق با استفاده از ضرائب پیش بینی خطی (LPC) و روش مدلینگ اتورگرسیو (AR Modelling-Burg Method) سیگنالهای کپنوگرام مورد پردازش قرار گرفته اند. با استفاده از نتایج حاصل از این پردازش، تعداد شش ویژگی استخراج شده اند که با استفاده از روشهای آماری مانند ROC, توانایی های آنها برای تمایز بیماران آصمی از افراد سالم و همینطور قابلیت آنها برای تشخیص شدت بیماری آصم اثبات شده است. در ادامه با استفاده از به کار بردن این بردار ویژگی در یک شبکه عصبی GRBF, نمایه اشاره شده که همان خروچی این شبکه است، استخراج شده است. این نمایه یک عدد طبیعی بین ۱ تا ۱۰ می باشد (۱ برای افراد سالم و۱۰ نشان دهنده بیمار با شدت آصم ببسیار بالا) که متوسط تشخیص صحیح ۹۰/۱۵ % و خطای ۹/۸۵% را داراست. الگوریتم ارائه شده در این پژوهش بر آن دارد که روشی سریع و مقرون به صرفه برای کمک به متخصصان ارائه دهد، چراکه قادر است شدت بیماری آصم را به صورت سریع و خودکار رصد کند.
معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام Keywords:
معرفی نمایه جدید به منظور تشخیص خودکار شدت پیشرفت بیماری آصم با استفاده از سیگنالهای کپنوگرام authors
محسن کاظمی
استادیار - دانشکده مهندسی برق، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ایران
آیک هوتو
دانشیار - رییس بخش اورژانس بیمارستان پولای پننگ، شهر پننگ، مالزی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :