جستجوی مقالات مرتبط با کلیدواژه « حالت های مختلف بیهوشی » در نشریات گروه « پزشکی »
-
زمینه و هدفاین پژوهش یک چهارچوب محاسباتی برای طبقه بندی حالت های مختلف بیهوشی نظیر بیداری، بیهوشی سبک و بیهوشی و پارامترهای محیطی ارائه می دهد. EEG عمومی به کمک سیگنال مغزیمواد و روش هاتفکیک حالت های مختلف بیهوشی توسط مراحلی شامل جمع آوری داده، پیش پردازش، فرآیند جدید برچسب زدن ، انتخاب طول پنجره ی مناسب تحلیل توسط الگوریتم ژنتیک، استخراج ویژگی توسط پارامترهای جورث، آنتروپی تقریبی، EEGسیگنال عد همبستگی و ضرایب موجک دابشیز، بهنجار عد فرکتال پتروشن، نمای هرست، بزرگ ترین نمای لیاپانوف، پیچیدگی لمپل زیو، ب ب سازی ویژگی ها، انتخاب ویژگی های برتر توسط تحلیل مولفه های اصلی پراکندهی نامنفی و طبقه بندی توسط شبکه ی عصبی تابع ی پارامترهای استخراج شده از مبنای شعاعی انجام می شود. فرآیند الصاق برچسب صحیح، توسط نظر فرد خبره و تحلیل کیفی و کم کسی متری، فشارسنجی و زمان تزریق دارو صورت می گیرد. دستگاه های محرک عصبی محیطی، پالس ایافته هانتایج پژوهش نشان می دهد خروجی شبکه برای تشخیص حالت بیداری، بیهوشی سبک و بیهوشی عمومی به ترتیب به رسیده است. بنابراین مدل پیشنهادی در طبقه بندی حالت های مختلف بیهوشی به درصد 99/32 و 98/62 ،93/98ت درصدهای صح رسیده است. 97/3ت متوسط صحنتیجه گیریدرنهایت مشاهده می شود روش پیشنهادی بازنمایی خوبی از رفتار مغز در حالت های مختلف بیهوشی دارد.کلید واژگان: حالت های مختلف بیهوشی, برچسب زدن سیگنال مغزی, تحلیل غیرخطی, سیگنال های مغزی}Aims andBackgroundThis study develops a computational framework for the classification of different anesthesia states, including awake, moderate anesthesia, and general anesthesia, using electroencephalography (EEG) signals and peripheral parameters.Materials And MethodsThe proposed method proposes data gathering; preprocessing; a new labeling process of EEG signal; appropriate selection of window length by genetic algorithm; feature extraction by Hjorth parameters, approximate entropy, Petrosian fractal dimension, Hurst exponent, largest Lyapunov exponent, Lempel-Ziv complexity, correlation dimension, and Daubechies wavelet coefficients; feature normalization; feature selection by non-negative sparse principal component analysis; and classification by radial basis function (RBF) neural network. Correct labeling process of EEG signals is performed by an expert opinion and also qualitative and quantitative analysis of the extracted parameters from peripheral nerve stimulator, pulse oximetry, blood pressure, and the time of drug injection.
Findings: The results indicate that the proposed method would classify different anesthesia states including awake, moderate anesthesia, and general anesthesia, with the accuracy of 93.98%, 98.62, and 97.3, respectively. Therefore, the proposed method can classify different anesthesia states with the average accuracy of 97.3%.ConclusionFinally, the proposed method provided a good representation of the brain behavior in different anesthesia states.Keywords: Different anesthesia states, EEG Labeling process, Nonlinear analysis, EEG signals}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.