تشخیص بیماری های عصبی-حرکتی با تحلیل بافت تصاویر طیف سیگنال های ماهیچه ای

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 308

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_TJEE-48-4_019

تاریخ نمایه سازی: 22 تیر 1398

Abstract:

مشکلات عصبی-حرکتی دربرگیرنده طیف وسیعی از بیماری ها هستند که موجب اختلال در عملکرد ماهیچه های ارادی و یا اعصاب می شوند. یکی از روش های تشخیص خودکار این بیماری ها، بررسی سیگنال های ماهیچه ای توسط برنامه های کامپیوتری است. برنامه هایی که به این منظور توسعه می یابند شامل چندین مرحله پردازش هستند که استخراج ویژگی و دسته بندی از مراحل اصلی آن ها است. در این مقاله روشی مبتنی بر تحلیل بافت طیف سیگنال برای استخراج ویژگی ارائه شده است که برخلاف روش های زمانی، فرکانسی و زمان-فرکانسی مبتنی بر موجک، با استخراج توامان روابط زمان و فرکانس از سیگنال های ماهیچه ای موجب تشکیل یک بردار ویژگی با قابلیت تمایز بالا و ابعاد پایین می گردد. همچنین، جهت دسته بندی ویژگی ها، ماشین بردار پشتیبان، k-نزدیک ترین همسایه، تحلیل تمایزی، رگرسیون منطقی و ترکیب آن ها در دو حالت کلی و با تفکیک باندهای فرکانسی مورد بررسی قرار گرفته اند. به منظور برآورد روش پیشنهادی در این تحقیق از پایگاه داده سیگنال های ماهیچه ای اندام تحتانی استفاده شده است. با توجه به نتایج به دست آمده از آزمایش ها ، دقت دسته بندی %89.40 با استفاده از ماشین بردار پشتیبان با هسته RBF در حالت تفکیک باندهای فرکانسی حاصل شده است که به میزان %3.40 نسبت به بهترین روش قبلی دقیق تر است.

Authors

سیدمحمد طباطبائی

گروه مهندسی کامپیوتر - دانشکده فنی و مهندسی - دانشگاه رازی

عبداله چاله چاله

گروه مهندسی کامپیوتر - دانشکده فنی و مهندسی - دانشگاه رازی

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 :
  • حمید صادقی، فضائل آیت اللهی و ابوالقاسم. اسدالله راعی، شناسایی ... [مقاله ژورنالی]
  • سجاد شفیع پور یوردشاهی، میرهادی سیدعربی، علی آقاگل زاده شناسایی ... [مقاله ژورنالی]
  • M. A. Oskoei and H. Hu, Myoelectric control systems—A survey, ...
  • G. kamen and G. E. Caldwell, Physiology and interpretation of ...
  • E. Criswell, Cram s Introduction to Surface Electromyography, Jones & ...
  • R. Merletti and D. Farina,Surface Electromyography: Physiology,Engineering and Applications, John ...
  • M. J. Aminoff, Electromyography in Clinical Practice: Electrodiagnostic Aspects of ...
  • H. Jungbluth, T. Basil, H. Darras, Jr. Royden Jones, M. ...
  • A. S. U. Doulah, S. A. Fattah, W. P. Zhu ...
  • F. Ertuğrul, Y. Kaya and R. Tekin, A novel approach ...
  • A. Phinyomark, P. Phukpattaranont and C. Limsakul, Feature reduction and ...
  • I. Elamvazuthi, N. H. X. Duy and Z. S. Ali, ...
  • S. Shetty and Y. S. Rao, SVM based machine learning ...
  • A. Goen, Classification of EMG signals for assessment of neuromuscular ...
  • S. Koçer and A. E. Tümer, Classifying neuromuscular diseases using ...
  • O. Bazgir, J. Frounchi, S. A. H. Habibi, L. Palma ...
  • H. Pourakbari, Y. Sarbaz, J. Parvin and M. H. Vojudi, ...
  • P. Kugler, C. Jaremenko, J. Schlachetzki, J. Winkler, J. Klucken ...
  • N. H. Ghassemi, F. Marxreiter, C. F.Pasluosta, P. Kugler, J. ...
  • P. R. Pal, G. Goswami and N. P. Mohanty, Expert ...
  • S. Kalwa and H. T. Patil, Neuromuscular disease classification based ...
  • J. Kohlschuetter, J. Peters and E. Rueckert, Learning probabilistic features ...
  • M. Herrera-González, G. A. Martínez-Hernández, J. L. Rodríguez-Sotelo and Ó. ...
  • M. Musselman and D. Djurdjanovic, Time–frequency distributions in the classification ...
  • J. L. Flanagan,Speech Analysis Synthesis and Perception, Springer Science & ...
  • T. Ojala, M. Pietikainen and T. Maenpaa, Multiresolution gray-scale and ...
  • H. Jin, Q. Liu, H. Lu and X. Tong, Face ...
  • L. Zhang, R. Chu, S. Xiang, S. Liao and S. ...
  • C. Shan, S. Gong and P. W. McOwan, Robust facial ...
  • E. Bingham, S. Kaski, J. Laaksonen and J. Lampinen, Advances ...
  • R. M. Haralick and K. Shanmugam, Textural features for image ...
  • J. M. Hausdorff, A. Lertratanakul, M. E. Cudkowicz, A. L. ...
  • M. Nikolic, Detailed Analysis of Clinical Electromyography Signals: EMG Decomposition, ...
  • A. Frank and A. Asuncion, UCI Machine Learning Repository, University ...
  • V. Cantarella, Bones and Muscles. An Illustrated Anatomy, New York: ...
  • D. L. Donoho and I. M. Johnstone, Adapting to unknown ...
  • F. Bianconi and A. Fernández, On the occurrence probability of ...
  • K. Nazarpour, A. R. Sharafat and S. M. P. Firoozabadi, ...
  • A. Phinyomark, S. Hirunviriya, C. Limsakul and P. Phukpattaranont, Evaluation ...
  • Y. Al-Assaf, Surface myoelectric signal analysis: dynamic approaches for change ...
  • K. Englehart, B. Hudgins, P. Parker and M. Stevenson, Time-frequency ...
  • Ö. F. Ertuğrul, M. E. Tağluk, Y. Kaya and R. ...
  • نمایش کامل مراجع