مقاله انگلیسی پیش بینی تشنج با استفاده از خصوصیات محلی و کلی نوسانی به همراه ترجمه فارسی(2016)

دسته بندي : علوم پزشکی » مقالات
بخشی از ترجمه فارسی مقاله:

1.مقدمه
EIZURE یک موج ناگهانی از فعالیت مغزی می باشد که بیش از 65 میلیون فرد را در سراسر جهان متاثر می سازد. در طول تشنج مغز نمی تواند فعالیت طبیعی خود را انجام دهد بنابراین فرد ممکن است فعالیت غیر طبیعی و انحصاری را در حرکت، رفتار، آگاهی و احساس نشان دهند. صرع تشنج های بازگشتی خود به خودی است. تشنج باعث غرق شدن، سوختگی ، تصادف و بطور بسیار جدی مرگ می شود. به هر حال، با پیش بینی دقیق و به موقع صرع قبل از آغاز تشنج واقعی، این موقعیت های ناخواسته جلوگیری می شوند. Electroencephalogram (EEG) یک ابزار پذیرفته شده برای تجزیه و تحلیل تشنج است. EEG می اواند فعالیت الکتریکی مغز را از طریق قرارگیری الکترودهای متعدد بر روی پوست سر را اندازه گیری کند.
مقاله برای بررسی شدن در 10 جولای 2015 پذیرفته شد. بخش از این مقاله توسط مرکز پژوهش یادگیری ماشینی CM3، دانشگاه Charles Sturt استرالیا حمایت شد. نویسندگان این مقاله برای CM3، دانشگاه Charles Sturt استرالیا می باشند. یک بخش قابل توجهی از پژوهش پیش بینی تشنج، در مراجع 23 تا 28 انجام شده اند. Williamson و همکارانش، یک روش پیش بینی تشنج بر اساس ویژ گی زمانی فضایی ارائه کردند. نتایج تجربی، %85 دقت را با نرخ پوزیتو نادرست (FPR) 0.03/h با استفاده از 19 بیمار از 21 بیمار کلی با استفاده از مجموعه داده ی مرجع ارائه می کنند. Chisci و همکارانش همچنین یک روش پیشنهادی را با استفاده از یک ندل خودکاهشی و ماشین بردار پشتیبان (SVM) پیشنهاد کردند. دقت روش (PA) %100 با FPR 0.41/h با استفاده از تنها 9 بیمار از مجموعه داده ی مشابه بود. Mirowskiو همکارانش روش دیگری را بر اساس ویژگی های دو متغیره مانند همبستگی عرضی، وابستگی غیر خطی، entrainment دینامیک با استفاده از مجموعه داده پیشنهاد کردند جایی که نتایج، %71 دقت با FPR صفر با استفاده از 15 بیمار از 21 بیمار ارائه کردند. Park و همکارانش یک تکنیکی را با استفاده از ویژگی های خطی قدرت طیفی و طبقه بندی کننده ی غیر خطی با توجه به 18 از 21 بیمار پیشنهاد کردند که این تکنیک %94.4 دقت را با FPR 0.20/h با استفاده از مجموعه داده ارائه کرد. Li و همکارانش نرخ spike را با استفاده از یک فیلتر مورفولوژی بکار بردند و %75.8 PA با FPR 0.09/h را با استفاده از تمام 21 بیمار از مجموعه داده ها بدست آوردند. Moghim و همکارانش یک تکنیک پیش بینی تشنج را با استفاده از ویژگی های آماری مختلف توسط دوباره علامت زدن دوره ی preictal سیگنال های EEG پیشنهاد کردند. آنها دقت بالایی را برای 1 تا 6 دقیقه با استفاده از مجموعه داده ها بدست آوردند. Rasekhi و همکارانش تکنیک پیش بینی تشنج را بر اساس ویژگی های خطی تک متغیره توسط ارائه ی %73.9 PA با FPR 0.15/h با استفاده از مجموعه داده ی دیگر پیشنهاد کردند.
دستیابی به یک تعادل خوب با استفاده از الگوریتم پیش بینی بین PA بالا با FPR پایین، با استفاده از تمام بیماران مشکل است. به علاوه برای یک افق پیش بینی تشنج داده شده (SPH)، همچنین دستیابی به عملکرد بالای سطح احتمال برای تمام بیماران توسط یک روش خاص مشکل می باشد. پدیده های non-abruptness و اناقض سیگنال ها به همراه موقعیت های مغزی متفاوت، سن بیمار، جنس بیمار، و نوع تشنج موضوعات چالش برانگیزی هستند که ثبات عملکرد را در عبارات PA پیشرفته و هشدار نادرست توسط روش موجود با استفاده از تمام بیماران متاثر می سازد. بنابراین پژوهش بیشتر باید به هدف دستیابی به دقت بهتر با FPR پایین انجام شود.