این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۳۱، شماره ۲۴۳، صفحات ۹۸۵-۹۹۶
عنوان فارسی تشخیص تشنج در کودکان مبتنی بر مدل‌سازی الکتروانسفاگرافی با مدل فرآیند گوسی
چکیده فارسی مقاله مقدمه: تشنج یکی از علل شایع بستری شدن کودکان در بیمارستان ها می باشد و چون به علل مختلفی عارض می شود، می تواند عوارض متفاوتی را در میان بیماران نشان دهد. با توجه به اهمیت تشخیص صحیح تشنج، هدف این مقاله یافتن روشی قابل اعتماد برای تشخیص تشنج بود. روش ها: بدین منظور از مدل سازی فرآیند گوسی (Gaussian process یا GP) استفاده گردید و با آموزش مدل با استفاده از سیگنال های EEG (Electroencephalography) ثبت شده از چند کودک 5/1 تا 16 ساله ی بیمار، به تشخیص رخداد تشنج پرداخته شد. در این روش پس از مدل کردن سیگنال با مدل GP، دو معیار واریانس پیش گویی و نسبت دامنه ی دو پارامتر از مدل به عنوان معیارهای کارا برای تشخیص تشنج استخراج گردیدند و با استفاده از این فرض که سیگنال EEG تشنجی، سیگنالی ریتمیک و تا حدودی معین است، با بررسی تغییرات این دو معیار در دو حالت بدون تشنج و با تشنج تشخیص تشنج داده شد. یافته ها: پس از مدل کردن سیگنال با مدل GP، دو معیار واریانس پیش گویی شده و نسبت دامنه ی برای هر خروجی مدل استخراج گردید. نتایج نشان داد که در زمان رخداد تشنج، واریانس پیش گویی به شدت کاهش یافت و نسبت دامنه ی افزایش یافت. نتیجه گیری: نتایج این مطالعه نشان داد که دو معیار استفاده شده، برای تشخیص تشنج مناسب هستند. هر چند میزان موفقیت معیار دوم در تشخیص تشنج نسبت به روش واریانس پیش گویی کمتر است، اما حسن این روش در مواردی مثل پایدار بودن در مقابل تغییرات انتخاب مرتبه ی مدل است.
کلیدواژه‌های فارسی مقاله تشخیص تشنج، مدل فرآیند گوسی، سیگنال مغزی، الکتروانسفالوگرافی
عنوان انگلیسی Seizure Diagnosis in Children based on the Electroencephalogram Modellind by Gaussian Process Model
چکیده انگلیسی مقاله Background: A seizure is the physical findings or changes in behavior occur after an episode of abnormal electrical activity in the brain. Seizures may interfere with cardiorespiratory function and with nutrition and may have detrimental long-term effects on cerebral development. Electroencephalogram (EEG) is essential in diagnosis and management of seizures. Automatic seizure detection is very important in clinical practice and has to be achieved by analyzing the EEG. Methods: For automatic seizure detection, we used Gaussian process (GP) model and train it on the EEG signals recorded from some children between the ages of 1.5 to 16 years. After modeling EEG signal by GP model, two measures of output signal were derived: the variance of the predicted signal and the hyperparameter ratio. It was based on the hypotheses that because the EEG signal during seizure events is more deterministic and rhythmic, we can use the changing of these two criteria for seizure detection. Findings: During seizure events, the variance of the model output signal reduced and the hayperparameter ratio increased. The second measure was less successful but it had other advantages like robustness to model order selection. Conclusion: The GP modeling is a good method for seizure detection. Important objectives are to perform this detection as quickly, efficiently and accurately as possible. In this method, decisions are made accurate and with negligible delay.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله زهرا امینی | zahra amini
دانشجوی دکتری، گروه بیو الکتریک و مهندسی پزشکی، دانشکد ه ی فناوری های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی اصفهان (Isfahan university of medical sciences)

حسین ربانی | hossein rabbani
دانشیار، مرکز تحقیقات پردازش سیگنال و تصویر پزشکی و گروه بیو الکتریک و مهندسی پزشکی، دانشکده ی فناوری های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی اصفهان (Isfahan university of medical sciences)

نشانی اینترنتی http://jims.mui.ac.ir/index.php/jims/article/view/2617
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/103/article-103-318199.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات