In this article, we develop a compr

In this article, we develop a comprehensive mobile-based approach, which is able to perform the essential processes needed to automatically analyze and detect epileptic seizures using the information contained in electroencephalography (EEG) signals. We first develop and implement an appropriate combination of different algorithms that resample, smooth, remove artifacts, and constantly and adaptively segment signals to prepare them for further processing. We then improve and fully implement a large variety of features introduced in the literature of epileptic seizures detection. We also select the relevant features to reduce a feature vector space and improve the classification process by developing two automated filter and wrapper selection algorithms. We thoroughly compare between these selection algorithms in terms of redundant features, execution time and classification accuracy through three experiments. We subsequently exploit the selected features as input to a machine learning classifier to detect epileptic seizure states in a reasonable time. We experimentally and theoretically evaluate the scalability of the whole algorithm respectively on patients' data available in standard clinical database and on 500 EEG recordings including 500 seizures. Having efficient and scabble algorithm, we develop two extra algorithms to dynamically acquire and transmit EEG signals from wireless sensors attached to patients and to visualize on mobile devices the obtained processing and analysis results. We finally integrate all our algorithms together along with an android mobile application to implement an effective mobile-based EEG monitoring system where its accuracy is tested on live EEG data. (C) 2015 Elsevier Ltd. All rights reserved.

ผลลัพธ์ (ไทย) 1:

ในบทความนี้ เราพัฒนาครอบคลุมมือถือปฏิบัติตาม ซึ่งจะสามารถทำกระบวนการจำเป็นต้องวิเคราะห์ และ epileptic เส้นที่ใช้ข้อมูลที่อยู่ในสัญญาณ electroencephalography (EEG) การตรวจหาโดยอัตโนมัติ เราต้องพัฒนา และดำเนินการทั้งอัลกอริทึมต่าง ๆ ที่เปลี่ยนความละเอียด เรียบ เอาวัตถุ และการแบ่งส่วนสัญญาณเพื่อเตรียมความพร้อมสำหรับการประมวลผลเพิ่มเติม ตลอดเวลา และอย่างเหมาะ สม เราปรับปรุงแล้ว และใช้ความหลากหลายของคุณลักษณะที่นำมาใช้ในวรรณคดีของเส้น epileptic ตรวจเต็ม นอกจากนี้เรายังเลือกคุณลักษณะที่เกี่ยวข้องเพื่อลดการคุณลักษณะเวกเตอร์ และปรับปรุงการจัดประเภท โดยการพัฒนาตัวกรองอัตโนมัติ 2 และกระดาษห่อเลือกอัลกอริทึม เราต้องเปรียบเทียบระหว่างอัลกอริทึมตัวเลือกเหล่านี้ในลักษณะซ้ำซ้อน เวลาดำเนินการและจัดประเภทความถูกต้องผ่านการทดลอง 3 เรามาใช้คุณลักษณะที่เลือกเป็นเข้า classifier เรียนเป็นเครื่องตรวจหาอเมริกา epileptic เป็นลมในเวลาที่เหมาะสม เรา experimentally และตามหลักวิชาประเมินขนาดของอัลกอริธึมที่ทั้งหมดตามลำดับ ในข้อมูลผู้ป่วยที่มีอยู่ในฐานข้อมูลทางคลินิกมาตรฐาน และบันทึก EEG 500 รวมทั้งเส้น 500 มีประสิทธิภาพ และ scabble อัลกอริทึม เราพัฒนาสองพิเศษอัลกอริทึมแบบไดนามิกได้รับ และส่งสัญญาณ EEG จากเซ็นเซอร์ไร้สายกับผู้ป่วย และมองเห็นภาพบนอุปกรณ์มือถือได้รับการประมวลผลและวิเคราะห์ผลการ เราในที่สุดรวมกระบวนของเรากัน ด้วยแอพลิเคชันมือถือ android ใช้ EEG องค์กรการใช้ mobile มีประสิทธิภาพระบบที่มีทดสอบความถูกต้องของข้อมูล EEG สดตรวจสอบ (ค) 2015 Elsevier จำกัด สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราพัฒนาวิธีการที่ใช้โทรศัพท์มือถือที่ครอบคลุมซึ่งจะสามารถดำเนินการกระบวนการที่จำเป็นโดยอัตโนมัติการวิเคราะห์และตรวจสอบอาการลมชักโดยใช้ข้อมูลที่มีอยู่ใน electroencephalography (EEG) สัญญาณ ก่อนอื่นเราพัฒนาและดำเนินการรวมกันที่เหมาะสมของขั้นตอนวิธีการที่แตกต่างกัน resample เรียบลบสิ่งประดิษฐ์และอย่างต่อเนื่องและปรับเปลี่ยนสัญญาณส่วนการเตรียมความพร้อมสำหรับการประมวลผลเพิ่มเติม จากนั้นเราจะปรับปรุงและรองรับการใช้ความหลากหลายของคุณสมบัติที่นำมาใช้ในวรรณกรรมของการชักโรคลมชักการตรวจสอบ นอกจากนี้เรายังเลือกคุณสมบัติที่เกี่ยวข้องกับการลดปริภูมิเวกเตอร์บาร์และปรับปรุงกระบวนการการจัดหมวดหมู่โดยการพัฒนาสองตัวกรองอัตโนมัติและขั้นตอนวิธีการเลือกกระดาษห่อ เราอย่างละเอียดเปรียบเทียบระหว่างขั้นตอนวิธีการเลือกเหล่านี้ในแง่ของคุณสมบัติซ้ำซ้อนเวลาดำเนินการจัดหมวดหมู่และความถูกต้องผ่านการทดลองสาม ต่อมาเราใช้ประโยชน์จากคุณสมบัติที่เลือกเป็น input เพื่อจําแนกการเรียนรู้เครื่องในการตรวจสอบรัฐลมบ้าหมูในเวลาที่เหมาะสม เราทดลองและทฤษฎีการประเมินความยืดหยุ่นของอัลกอริทึมทั้งตามลำดับข้อมูลเกี่ยวกับผู้ป่วยที่มีอยู่ในฐานข้อมูลทางคลินิกที่ได้มาตรฐานและ 500 รวมทั้งบันทึก EEG 500 ชัก มีขั้นตอนวิธีการที่มีประสิทธิภาพและ scabble เราพัฒนาสองขั้นตอนวิธีพิเศษแบบไดนามิกได้รับและส่งสัญญาณ EEG จากเซ็นเซอร์ไร้สายที่ติดอยู่กับผู้ป่วยและผู้ที่จะเห็นภาพบนโทรศัพท์มือถือที่ได้รับการประมวลผลและผลการวิเคราะห์ ในที่สุดเราก็บูรณาการขั้นตอนวิธีการของเราทั้งหมดเข้าด้วยกันพร้อมกับใช้โทรศัพท์มือถือหุ่นยนต์ที่จะใช้สมองมือถือที่ใช้ระบบการตรวจสอบที่มีประสิทธิภาพที่ถูกต้องมีการทดสอบข้อมูลที่อยู่ EEG (C) 2015 เอลส์ จำกัด สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เราพัฒนาครอบคลุมตามแนวทางเคลื่อนที่ ซึ่งสามารถแสดงกระบวนการที่จำเป็นที่จำเป็นโดยอัตโนมัติวิเคราะห์และตรวจสอบโรคลมชัก โดยใช้ข้อมูลที่มีอยู่ในการบันทึกคลื่นไฟฟ้าสมอง ( EEG ) สัญญาณ แรกที่เราพัฒนาและใช้ผสมที่เหมาะสมของขั้นตอนวิธีที่แตกต่างกันที่ resample เรียบเนียน ลบสิ่งประดิษฐ์และตลอดเวลา ส่วนสัญญาณ และการปรับตัวเพื่อเตรียมความพร้อมสำหรับการประมวลผลต่อไป เราก็ปรับปรุงอย่างเต็มที่และใช้ความหลากหลายของคุณสมบัติที่แนะนำในวรรณกรรมของโรคลมชักการตรวจหา เราก็เลือกคุณสมบัติที่เกี่ยวข้องลดคุณลักษณะเวกเตอร์พื้นที่และปรับปรุงกระบวนการจำแนกโดยการพัฒนาสองแบบอัตโนมัติและขั้นตอนวิธีการเลือกตัวกรองกระดาษห่อเราอย่างละเอียด เปรียบเทียบขั้นตอนวิธีการเหล่านี้ในแง่ของลักษณะซ้ำซ้อน เวลาประหารและความถูกต้องของการจำแนกโดย 3 การทดลอง เราสามารถใช้ประโยชน์จากคุณลักษณะที่เลือกเข้าเรียนจนได้เป็นเครื่องตรวจจับชักสหรัฐอเมริกาในเวลาที่เหมาะสมเราทดลองและตามหลักวิชาประเมิน ( ทั้งขั้นตอนวิธีตามลำดับในผู้ป่วยข้อมูลที่มีอยู่ในฐานข้อมูลคลินิกมาตรฐานและ 500 EEG บันทึกรวมทั้ง 500 อาการชัก ที่มีประสิทธิภาพและ scabble ขั้นตอนวิธีเราพัฒนาสองขั้นตอนวิธีพิเศษแบบไดนามิกได้รับและส่งสัญญาณคลื่นสมองจากเซ็นเซอร์ไร้สายติดคนไข้ และภาพบนอุปกรณ์มือถือผลการประมวลผลและการวิเคราะห์ในที่สุดเราก็รวมขั้นตอนวิธีการของเราทั้งหมดเข้าด้วยกันพร้อมกับโปรแกรมมือถือ Android ที่จะใช้โทรศัพท์มือถือที่มีประสิทธิภาพตามระบบการตรวจสอบความถูกต้องของคลื่นสมองที่ทดสอบกับข้อมูลอยู่สมอง . ( C ) และ บริษัท จำกัด สงวนลิขสิทธิ์