شماره کتابشناسی ملی
شماره
۱۲۸۵۶پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
پیاده‌سازی الگوریتم تشخیص زودرس تشنجات صرعی با استفاده از سیگنال‌های EEG بر روی FPGA
نام نخستين پديدآور
/رقیه آقازاده حبشی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: دانشکده‌ی مهندسی برق و کامپیوتر
مشخصات ظاهری
نام خاص و کميت اثر
۱۱۹ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
در رشته مهندسی برق گرایش الکترونیک
زمان اعطا مدرک
۱۳۹۲/۱۱/۲۵
کسي که مدرک را اعطا کرده
دانشگاه تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
صرع یکی از شایع‌ترین عارضه‌های مغزی است که مشخصه اصلی آن حملات تشنجی مکرر است .در حال حاضر ۶۵ میلیون نفر در سراسر جهان به بیماری صرع مبتلا هستند و هر ساله ۲ میلیون نفر دیگر دچار این بیماری میشوند .منفی‌ترین جنبه تشنج که باعث میشود بیمار نتواند زندگی عادی خود را داشته باشد، غیر قابل پیش‌بینی بودن و رخداد ناگهانی آن است .یک الگوریتم تشخیص خودکار و بی‌درنگ میتواند هسته سیستم حلقه بسته‌ای باشد که به عنوان سیستم اعلام خطر تشنج، سیستم تزریق خودکار دز مشخصی از دارو و یا سیستم تحریک‌کننده الکتریکی مغز استفاده میشود .علاوه بر این، پیش‌بینی اینکه تشنج چه زمانی ممکن است رخ دهد، به بیماران کمک میکند از مواضع خطر دور شوند و زندگی ایمن و طبیعی داشته باشند .در این پروژه، ما ابتدا یک سیستم بلادرنگ، کاملا خودکار ومستقل از بیمار را برای تشخیص تشنجات صرعی ابسنس در موش‌های صحرایی WAG/Rij که یک مدل حیوانی معتبر از صرع ابسنس انسانی هستند، ارائه می‌کنیم .سپس، امکان پیش‌بینی تشنج در این موش‌های صحرایی بررسی شده و الگوریتم پیش‌بینی تشنج ارائه میگردد .الگوریتم تشخیص تشنج بر اساس تغییرات توان موجک در دو محدوده فرکانسی خاص مربوط به تشنج‌ها نسبت به توان پس‌زمینه در این فرکانس‌ها، عمل میکند .توان موجک در این محدوده‌های فرکانسی با دو روش تبدیل موجک پیوسته و تبدیل موجک گسسته محاسبه و نتایج به دست آمده از این دو روش با هدف دست‌یابی به روشی بهینه برای پیاده‌سازی با هم مقایسه میشوند .این الگوریتم بر روی سیگنال‌های EEG ثبت شده از ۶ موش صحرایی اعمال شده است .نتایج به دست آمده نشان میدهند که این الگوریتم قادر به تشخیص تشنج، یک ثانیه پس از شروع آن با حساسیت ۱۰۰ و دقت بالای ۵/۹۸ است .بنابراین، با توجه به دقت و حساسیت بالای این روش، می‌توان آنرا بر روی سیستم حلقه‌بسته تحریک الکتریکی مغز استفاده کرد .به منظور پیاده‌سازی الگوریتم تشخیص تنها ۲۳ از حجم FPGA استفاده شده‌است و نتایج پیاده‌سازی و شبیه‌سازی از نظر دقت وحساسیت تشخیص کاملا بر هم منطبق هستند .الگوریتم ارائه شده دوم بر اساس آنالیز زمان-فرکانسی و مقدار تغییرات پیچیدگی سیگنال‌های EEG ، وقوع تشنج را پیش‌بینی میکند .این الگوریتم توان سیگنال‌های EEG در فرکانس تتا و تغییرات مقدار آنتروپی جایگشت را به طور همزمان ارزیابی میکند .نتایج اعمال این الگوریتم بر روی سیگنال‌های EEG دو موش صحرایی نشان میدهد که این الگوریتم تعداد ۱۱۳ تشنج از ۱۵۵ تشنج را در این موش‌ها با موفقیت پیش‌بینی میکند
متن يادداشت
ictal state prior to onset of seizures in 113 out of 155 seizures (72.9 ). The dependence of accuracy, sensitivity and anticipation time of prediction algorithm on the program settings and the attributes of EEG recordings are discussed-term EEG recordings of the two WAG/Rij rats and the results indicate that the prediction algorithm successfully detected the pre-frequency analysis and a complexity measure in EEG signals of the WAG/Rij rats. We have used the changes of permutation Entropy and the wavelet power of theta frequency range, simultaneously. This algorithm was applied to the long-time system for closed loop deep brain stimulation systems. The hardware implementations used 23 of the FPGA after optimizing several segments and the simulation results of the implemented hardware are well matched to the simulation results in the MATLAB. The proposed prediction method is based on the time-channel EEG signals recorded from six WAG/Rij rats exhibited spontaneous occurrences of spike and wave discharges (SWDs) in the EEG recordings. The results indicate that the seizure detection algorithm is able to detect the seizures within 1 sec with sensitivity of 100 and precision over 98.5 . The detection algorithm, with its high sensitivity and specificity, could be used for further studies of absence seizures in humans and rats and could be implemented as real-epileptic EEG) in the two specific frequency bands whose power changes are highly correlated with SWDs. The wavelet power of two specific frequency bands is calculated based on Continues Wavelet Transform and Discrete Wavelet Transform methods and results of these methods were compared to obtain the optimum hardware resources. The proposed algorithm is implemented on single-time, completely automated and patient independent algorithm for detection of absence epileptic seizures in WAG/Rij rats as a valid animal model of human absence epilepsy. In the second part a prediction method for absence seizures was proposed. The seizure detection algorithm is based on the variation of wavelet power to background power (power of non-demand deep brain electrical stimulation system. Moreover, predicting the onset of seizures would help sufferers to live a normal life safer, and they can move out of harm's way. In this project, we first presented a real-epileptic drug delivery system or on-time detection of seizures is the kernel of a system that can be used as a seizure warning system, automated anti-Epilepsy is the most common serious brain disorder characterized by recurrent seizures. Epilepsy affects 65 million people today and about two million new cases occur each year worldwide. The most negative aspect of seizure that causes the patient dont enjoy from normal life, is its sudden and incontrollable features. An algorithm for automatic real
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
آقازاده حبشی، رقیه
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
فرونچی، جواد، استاد راهنما
مستند نام اشخاص تاييد نشده
شهابی، پرویز، استاد مشاور
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
