توضیحات
پروژه شبیه سازی فشرده سازی پیشرفته سیگنال EEG در بیمار آلزایمری با متلب
نحوه اجرای پروژه:
برای اجرای پروژه فایل Main.m را در متلب فراخوانی کنید برنامه به صورت خودکار نمودار های خروجی
را تولید خواهد کرد.
فایل ها:
Main.m اسکریپت اصلی برنامه است که باید اجرا شود.
Solver.m متد پیاده سازی L1-norm است که برای حل مساله CS و بازسازی سیگنال به کار می رود.
Read.m متد خواندن اولیه دیتاست است که برای تولید فایل .mat به کار می رود.
توضیح قسمت ها:
خواندن داده ها در main:
names={‘MCI’,’AD’,’HC’};
% [data_t(:,:,1)]=read(‘N_data\1_co\ts4.log’);
% [data_t(:,:,2)]=read(‘N_data\1_co\ts2.log’);
% [data_t(:,:,3)]=read(‘N_data\1_co\ts10.log’);
load(‘data_set\data_t.mat’);
خطوط 16-23 تعریف اولیه متغیر های برنامه است.
data(:,:)=data_t(:,:,sel);
x=data(1,:)’;
چکیده:
بیماری آلزایمر (AD) شایعترین و سریعترین بیماری عصبی در جهان است. ابزارهای بیومارکر برای تشخیص زودرس و پیشرفت بیماری در AD همچنان موارد اساسی برای کاربردهای بالینی (کنترل و نظارت بیمار) ، سیستمهای بهداشتی (رشد شیوع AD در آینده نزدیک) و شرکتهای دارویی (پیشرفت دارو) است. الکترونسفالوگرام (EEG) ، در اصل ، راهی قدرتمند و نسبتاً ارزان برای غربالگری زوال عقل و AD در مراحل اولیه آنها است ، اگرچه به ویژگیهای تجویز شده برای استفاده بالینی نرسیده است. سیستم های قابل حمل EEG مبتنی بر حسگرهای بی سیم می توانند برای مانیتور کردن طولانی مدت محتاطانه مورد استفاده قرار گیرند به شرطی که بتوانند مشکلات فن آوری را حل کنند (به عنوان مثال ، اندازه و طول عمر باتری ها). برنامه های کلینیکی نیاز به ضبط فشرده داده های گسترده EEG دارند و نیاز به تکنیک های فشرده سازی کارآمد و انعطاف پذیر را افزایش می دهد. در این مقاله ، این مسئله فشرده سازی از یک منظر دیگر روبرو است: آیا می توان یک سیستم نمونه گیری / سنجش فشاری را تصور کرد که قادر است نه تنها داده های توان را کاهش دهد بلکه بین حالت های مغز نیز تبعیض قایل شود؟ در این صورت ، می توان بین بیماران مبتلا به AD ، افراد مبتلا به اختلال شناختی خفیف (MCI) و سالمندان سالم سالم تمایز قائل شد. بر این اساس ، این مطالعه به بررسی عملکرد تکنیک های فشرده سازی EEG برای بازیابی اطلاعات با کیفیت مورد نیاز از محدودیتهای بالینی و همزمان ارزیابی از وضعیت بیماران می پردازد. ضریب پراکندگی نشان داده شده که نشانگر خوبی از AD است که قادر به تمایز AD EEG از MCI و کنترل سالم (HC) است. این مطالعه ، که روی یک پایگاه داده تجربی انجام شده است ، همچنین رویکرد موجک آستانه ای را با روش نوظهور سنجش فشاری مقایسه می کند. نتایج نشان می دهد روابط بین نسبت فشرده سازی و اقدامات آنتروپیک پیچیدگی EEG ، که کاهش آن مشخصه اصلی شروع AD در نظر گرفته شده است.
- پروژه شبیه سازی فشرده سازی پیشرفته سیگنال EEG در بیمار آلزایمری با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.