تجزیه و تحلیل شبکه ی خودکار برای ارزیابی برقراری ارتباط موثر مغز از داده های EEG بیماران الکلی

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تجزیه و تحلیل شبکه ی خودکار برای ارزیابی برقراری ارتباط موثر مغز از داده های EEG بیماران الکلی

عنوان لاتین

Automated network analysis to measure brain effective connectivity estimated from EEG data of patients with alcoholism

هدف. تشخصی و عیب یابی براساس استخراج ویژگی ها و دسته بندی با استفاده از سیگنال های دستگاه نوار مغزی (EEG) بطور کامل مطالعه شده است. تجزیه و تحلیل شبکه ای داده های سری زمانی سیگنال EEG یکی از چند تکنیکی است که می تواند به مطالعه ی عملکرد ذهن کمک کند. در این مطالعه ما EEG را تحلیل می کنیم تا اعتیاد به الکل شخص را تشخیص دهیم. رویکرد. ما یک روش جدید برای تخمین تفاوت های موجود در وضعیت مغز، براساس داده های EEG افراد نرمال و داده های حاصل از افراد الکلی، بوسیله ی محاسبه ی پارامترهای بسیاری که از شبکه ی موثر با استفاده از علیت گرنجر نشأت گرفته اند، مطرح می کنیم. نتایج اصلی. میان پارامترهای بسیار زیاد، تنها ده پارامتر بعنوان گزینه های نهایی انتخاب شدند. با ترکیب ده پارامتر مبتنی بر گراف، نتایج ما تفاوت های قابل پیش بینی بین افراد الکلی و افراد عادی نشان داد. یک دسته بندی کننده ی ماشین بردار پشتیبان با بهترین عملکرد دارای 90 درصد دقت با حساسیت 95.3 درصد و دقت 82.4 درصدی برای تمایز بین دو گروه بود.

Objective. Detection and diagnosis based on extracting features and classification using electroencephalography (EEG) signals are being studied vigorously. A network analysis of time series EEG signal data is one of many techniques that could help study brain functions. In this study, we analyze EEG to diagnose alcoholism. Approach. We propose a novel methodology to estimate the differences in the status of the brain based on EEG data of normal subjects and data from alcoholics by computing many parameters stemming from effective network using Granger causality. Main results. Among many parameters, only ten parameters were chosen as final candidates. By the combination of ten graph-based parameters, our results demonstrate predictable differences between alcoholics and normal subjects. A support vector machine classifier with best performance had 90% accuracy with sensitivity of 95.3%, and specificity of 82.4% for differentiating between the two groups.