X
x جهت سفارش تبليغ در سایت ثامن بلاگ کليک کنيد




X بستن تبليغات
X بستن تبليغات
X بستن تبلیغات
X بستن تبليغات
مقاله دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک
به وبلاگ ما خوش آمدید - لطفا صفحه را تا پایان مشاهده کنید
مقاله دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک
مقاله دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک


عنوان انگلیسی مقاله: Classification of EMG signals using wavelet neural network
عنوان فارسی مقاله: دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک.
دسته: برق و الکترونیک
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 30
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
_______________________________________
چکیده ترجمه:
یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی بدست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90.7% و برای روش FEBANN 88% بوده است. مقایسه ی بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.
کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک
1.مقدمه:
بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریت کردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در |زوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود. 






مقاله دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک


عنوان انگلیسی مقاله: Classification of EMG signals using wavelet neural network
عنوان فارسی مقاله: دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک.
دسته: برق و الکترونیک
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 30
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
_______________________________________
چکیده ترجمه:
یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی بدست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90.7% و برای روش FEBANN 88% بوده است. مقایسه ی بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.
کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک
1.مقدمه:
بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریت کردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در |زوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود. 








برچسب ها : ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,
| لینک ثابت | نسخه قابل چاپ | امتیاز :
rss نوشته شده در تاریخ 1393/9/28 و در ساعت : 21:16 - نویسنده : alwaysuptodate
آخرین مطالب نوشته شده
  • آسانسور – پروژه درس روشهای اجرایی ساختمان
  • آزمایش جریان یکنواخت در کانال های روباز (گزارش آزمایشگاه هیدرولیک)
  • آزمایشگاه هیدرولیک : گزارش آزمایش رینولدز
  • آزمایشگاه هیدرولیک : گزارش آزمایش انواع جریان روباز
  • آزمایش بررسی جریان آب در ونتوری متر
  • آزمایشگاه هیدرولیک : گزارش آزمایش جت آب
  • گزارش آزمایشگاه مکانیک خاک
  • مقاله کاربرد فناوری نانو در جلوگیری از خرابی راه
  • نکات کلیدی رزومه نویسی همراه با نمونه رزومه های کاری
  • روش اجرا و متره سنگ خشکه نما
  • چگونه هر کسی را عاشق خود کنیم
  • آموزش گام به گام و مرحله ای ارسال مقاله ISI به ناشر Elsevier
  • فناوری کریستالی در ساخت بتن
  • Curtain wall دیوار پرده ای – پروژه روشهای اجرایی ساختمان
  • گزارش آزمایش تعیین درصد رطوبت خاک ( آزمایشگاه مکانیک خاک )
  • شاتکریت نسوز
  • گزارش آزمایش تعیین حدود اتربرگ ( آزمایشگاه مکانیک خاک )
  • پیام تبریک سال نو و نوروز 95
  • بسته آموزش درآمد اینترنتی پنجره طلایی
  • با پیش بینی رایگان مسابقات فوتبال هر ماه آیفون 6 برنده شوید
  • Copyright © 2010 by http://alwaysuptodate.samenblog.com