دانلود ترجمه مقاله مقایسه طبقه بندی کننده ویژگی و شبکه عصبی کانولوشنی برای شناسایی آریتمی

عنوان فارسی

مقایسه طبقه بندی کننده های مبتنی بر ویژگی و شبکه های عصبی کانولوشنی، برای شناسایی آریتمی، از بخش های کوتاه ECG

عنوان انگلیسی

Comparing Feature-Based Classifiers and Convolutional Neural Networks to Detect Arrhythmia from Short Segments of ECG

کلمات کلیدی :

  الکتروکاردیوگرافی؛ یادگیری ماشین؛ اندازه گیری نویز؛ ضربان قلب؛ استخراج ویژگی

درسهای مرتبط مهندسی کامپیوتر؛ مهندسی پزشکی
تعداد صفحات مقاله انگلیسی : 4 نشریه : IEEE
سال انتشار : 2017 تعداد رفرنس مقاله : 20
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
پاورپوینت : ندارد

سفارش پاورپوینت این مقاله

وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
IEEE
قیمت دانلود ترجمه مقاله
31,200 تومان
فهرست مطالب

1. مقدمه 2. مواد 3. روشها 4. نتایج 5. بحث و بررسی 6. نتیجه گیری

سفارش ترجمه
ترجمه نمونه متن انگلیسی

چکیده – تشخیص بیماری های قلب و عروق، همانند فیبریلاسیون دهلیزی (AF)، یک روند گسترده و طولانی است که اغلب نیاز به معاینه بصری سیگنال های ECG، توسط متخصصان دارد. به منظور بهبودبخشی مدیریت بیمار و همچنین کاهش هزینه های مراقبت و درمان، شناسایی اتوماسیون شده این بیماری ها اهمیت خارق العاده ای دارد. در این مطالعه، قسمت های کوتاه ECG را در 4 دسته تقسیم بندی می کنیم (AF، عادی، سایر ریتم ها یا نویز) که به عنوان بخشی از فیزیونت/محاسبه در چالش 2017 قلب و عروق به شمار می رود. ما مدرن ترین طبقه بندی کننده های مبتنی بر ویژگی را با یک رویکرد مبتنی بر شبکه عصبی کانولوشنی مقایسه می کنیم. هر دو روش، با استفاده از داده های چالش، به طور تکمیلی، با پایگاه داده دیگری که از فیزیونت به دست آمده، آموزش داده شده اند. طبقه بندی کننده مبتنی بر ویژگی، یک نمره F1 برابر با 72%، در مجموعه آموزشی (اعتبارسنجی متقابل 5 گانه) و 79% در مجموعه آزمایشی مخفی به دست آورده است. به طور مشابه، شبکه عصبی کانولوشنی، در پایگاه داده تکمیل شده، نمره 72.1% و در مجموعه آزمایشی، 83% به دست آورد. روش دوم، نمره نهایی 79% را در رقابت به دست آورد. روتین های توسعه یافته و مدل های از پیش آموزش یافته به طور آزادانه، تحت یک گواهینامه GNU GPLv3 در دسترس هستند.

نمونه متن انگلیسی مقاله

The diagnosis of cardiovascular diseases such as atrial fibrillation (AF) is a lengthy and expensive procedure that often requires visual inspection of ECG signals by experts. In order to improve patient management and reduce healthcare costs, automated detection of these pathologies is of utmost importance. In this study, we classify short segments of ECG into four classes (AF, normal, other rhythms or noise) as part of the Physionet/Computing in Cardiology Challenge 2017. We compare a state-of-the-art feature-based classifier with a convolutional neural network approach. Both methods were trained using the challenge data, supplemented with an additional database derived from Physionet. The feature-based classifier obtained an F 1 score of 72.0% on the training set (5-fold cross-validation), and 79% on the hidden test set. Similarly, the convolutional neural network scored 72.1% on the augmented database and 83% on the test set. The latter method resulted on a final score of 79% at the competition. Developed routines and pre-trained models are freely available under a GNU GPLv3 license.

توضیحات و مشاهده مقاله انگلیسی

محتوی بسته دانلودی:

PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
قیمت : 31,200 تومان

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود ترجمه مقاله مقایسه طبقه بندی کننده ویژگی و شبکه عصبی کانولوشنی برای شناسایی آریتمی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

20 − 1 =

مقالات ترجمه شده

نماد اعتماد الکترونیکی

پشتیبانی

logo-samandehi