فایل ورد کامل دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۶ صفحه

نتیجه‌گیری
صرع، یک بیماری عصبی تهدید‌کننده زندگی است. با استفاده از سیگنال EEG بیمار، می‌توان آن را کنترل کرد و تصمیم گرفت که صرع از نوع عمومی یا جزئی است.
این پژوهش با استفاده از روش پیشنهادی، دقت طبقه‌بندی هر مجموعه داده‌ی EEG را در یک کلاس و طبقه بررسی کرده که به ترتیب، تشخیص صرع با دقت و را در این طبقه‌ها نشان می‌دهد که می‌تواند دقت تشخیص حمله صرعی را در مقایسه با حالت نرمال و بازه inter-ictal T به ویژه برای تشخیص بازه‌های ictal بیمار افزایش دهد. استفاده از این روش، اخطار زنگ هشدار را کاهش داده و توانایی نظارت طولانی مدت بر صرع در بیمارستان را افزایش می‌دهد.

عنوان انگلیسی:Epileptic Seizure Classification using Statistical Features of EEG Signal~~en~~

V. CONCLUSION

Epilepsy is a severe life threatening neurological disease. Taking EEGs of the patient it can be monitored and decide whether it is a generalized or partial epilepsy. This research work using proposed method investigates the classification accuracy of every EEG subset data in a 2 class and 3 class order and shows epilepsy detection with 100% and 80% accuracy respectively which can increase the detection accuracy of epileptic seizure in comparison with normal and interictal EEG signal period, specially to detect ictal periods of an epileptic patient. This will reduce the wrong alarm and increase the long-term epilepsy monitoring ability of the hospital.

$$en!!