کمیت‌ سنجی سیگنال‌های نوار مغزی (EEG) برای مصرف الکل سوژه‌ها بر اساس الگوریتم درخت K-d مبتنی بر MSE

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

کمیت‌ سنجی سیگنال‌های نوار مغزی (EEG) برای مصرف الکل سوژه‌ها بر اساس الگوریتم درخت K-d مبتنی بر MSE

عنوان لاتین

Quantifying the dynamics of electroencephalographic (EEG) signals to distinguish alcoholic and non-alcoholic subjects using an MSE based K-d tree algorithm

در این مقاله، از الگوریتم درخت K-d مبتنی بر تحلیل درگاشت چندبازه‌ای (MSE) استفاده کرده‌ایم تا افراد الکلی را از دیگران تشخیص دهیم. تکنیک‌ های MSE سنتی در کاربردهای بسیاری برای کمیت سنجیِ سری‌های زمانیِ فیزیولوژی را در بازه‌های زمانیِ مختلف به کار برده شده‌اند. با این همه، این تلگوریتم نیازمند O(N2) می‌باشد، یعنی پیچدگیِ زمانی و فضایی نمایی که برای ارتباط طولانی مدت و اهداف آنلاین بهینه نیست. در مطالعه‌ی فعلی، ما از یک رویکرد درخت K-d احیر برای محاسبه‌ی درگاشت در بازه‌های زمانیِ مختلف استفاده کرده‌ایم. تابع احتمال در درگاشت به یک بازه‌ی متعامد تبدیل شده است. هدف این مطالعه این است که سیگنال‌های نوار معزی (EEG) را برای تعیین سوژه‌ های الکلی از دیگران استفاده کند و این کار را با بررسیِ توالی‌های شدید متشکل در بازه‌های زمانیِ مختلف انجام می دهد، که از MSE سنتی و مقایسه‌ی نتایج با MSE سریع (fMSE) استفاده می‌کند. عملکرد آن نیز از لحاظ اختصاصی بودن، حساسیت، دقت کل و ویژگی‌های عملیاتیِ گیرنده (ROC) تحلیل شده است. یافته‌های ما نشان می‌دهند که fMSE، با رویکرد الگوریتم درخت K-d، قابلیت اتکای تخمین درگاشت را در مقایسه با MSE سنتی بهبود می‌دهد. به علاوه، این تکنیک جدید برای مشخص‌سازیِ تغییرات فیزیولوژیکی موثر در بازه‌های زمانیِ مختلف نویدبخش‌تر است.

In this paper, we have employed K-d tree algorithmic based multiscale entropy analysis (MSE) to distinguish alcoholic subjects from non-alcoholic ones. Traditional MSE techniques have been used in many applications to quantify the dynamics of physiological time series at multiple temporal scales. However, this algorithm requires O(N2), i.e. exponential time and space complexity which is inefficient for long-term correlations and online application purposes. In the current study, we have employed a recently developed K-d tree approach to compute the entropy at multiple temporal scales. The probability function in the entropy term was converted into an orthogonal range. This study aims to quantify the dynamics of the electroencephalogram (EEG) signals to distinguish the alcoholic subjects from control subjects, by inspecting various coarse grained sequences formed at different time scales, using traditional MSE and comparing the results with fast MSE (fMSE). The performance was also measured in terms of specificity, sensitivity, total accuracy and receiver operating characteristics (ROC). Our findings show that fMSE, with a K-d tree algorithmic approach, improves the reliability of the entropy estimation in comparison with the traditional MSE. Moreover, this new technique is more promising to characterize the physiological changes having an affect at multiple time scales.