MAPress
ترجمه فارسی مقاله توسعه الگوریتم های یادگیری ماشین با استفاده از داده های EEG برای تشخیص وجود درد مزمن

ترجمه فارسی مقاله توسعه الگوریتم های یادگیری ماشین با استفاده از داده های EEG برای تشخیص وجود درد مزمن

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Development of Machine Learning Algorithms Using EEG Data to Detect the Presence of Chronic Pain
عنوان مقاله به فارسی توسعه الگوریتم های یادگیری ماشین با استفاده از داده های EEG برای تشخیص وجود درد مزمن
نویسندگان Jonathan Miller, ProfileSkylar Jacobs, ProfileWilliam Koppes, ProfileFrank Minella, Federica Porta, ProfileFletcher A. White, ProfileJoseph A. Lovelace
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Pain Medicine دارو درد

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Chronic pain impacts more than one in five adults in the United States (US) and the costs associated with the condition amount to hundreds of billions of dollars annually. Despite the tremendous impact of chronic pain in the US and worldwide, the standard of care for diagnosis depends on subjective self-reporting of pain state, with no effective objective assessment procedure available. This study investigated the application of signal processing and machine learning to electroencephalography (EEG) data for the development of classification algorithms capable of differentiating subjects in pain from pain free subjects. In this study, nineteen (19) channels of EEG data were obtained from subjects in an eyes closed resting state, and ultimately data from 186 participants were used for algorithm development, including 35 healthy controls and 151 chronic pain patients. Signal processing was applied to identify noise free segments of EEG data and 6375 quantitative EEG (qEEG) measures were calculated for each subject. Various machine learning methodologies were applied to the data, with Elastic Net chosen as the optimal methodology. The final classifier developed using Elastic Net contained 34 qEEG features with non-zero weights. The classifier was able to differentiate pain versus no pain subjects with an accuracy of 79.6%, sensitivity of 82.2%, and specificity of 66.7%. The features used in the classifier were evaluated and found to align well with contemporary literature regarding changes in neurological characteristics associated with chronic pain.

چکیده به فارسی (ترجمه ماشینی)

درد مزمن بیش از یک در پنج بزرگسال در ایالات متحده (ایالات متحده) تأثیر می گذارد و هزینه های مربوط به این بیماری سالانه صدها میلیارد دلار است.با وجود تأثیر چشمگیر درد مزمن در ایالات متحده و در سراسر جهان ، استاندارد مراقبت از تشخیص بستگی به گزارش ذهنی وضعیت درد دارد و هیچ روش ارزیابی عینی مؤثر در دسترس نیست.این مطالعه به بررسی استفاده از پردازش سیگنال و یادگیری ماشین به داده های الکتروانسفالوگرافی (EEG) برای توسعه الگوریتم های طبقه بندی می تواند در مورد تمایز افراد در درد از افراد بدون درد استفاده شود.در این مطالعه ، نوزده (19) کانال داده EEG از افراد در حالت استراحت بسته چشم به دست آمد و در نهایت از داده های 186 شرکت کننده برای توسعه الگوریتم ، از جمله 35 کنترل سالم و 151 بیمار درد مزمن استفاده شد.پردازش سیگنال برای شناسایی بخش های بدون سر و صدا از داده های EEG استفاده شد و اقدامات 6375 کمی EEG (QEEG) برای هر موضوع محاسبه شد.روشهای مختلف یادگیری ماشین بر روی داده ها اعمال شد ، با خالص الاستیک به عنوان روش بهینه انتخاب شد.طبقه بندی نهایی که با استفاده از شبکه الاستیک توسعه یافته است شامل 34 ویژگی QEEG با وزن غیر صفر است.طبقه بندی کننده قادر به تمایز درد در مقابل افراد بدون درد با دقت 79.6 ٪ ، حساسیت 82.2 ٪ و ویژگی 66.7 ٪ بود.ویژگی های مورد استفاده در طبقه بندی مورد بررسی قرار گرفت و به خوبی با ادبیات معاصر در مورد تغییرات در خصوصیات عصبی مرتبط با درد مزمن هماهنگ شد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.