ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

true

1963572 ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

دسته: فیزیووژی ترجمه مقاله 2017 ieee
مجله IEEE Transactions on Neural Systems and Rehabilitation Engineering
دانشگاه: Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada
لینک مقاله در سایت IEEE
فرمت فایل : word
تعداد صفحات فایل ترجمه شده: 25
جهت دانلود انگلیسی این مقاله اینجا کلیک نمایید.

یک روش مبتنی بر چگالی برای خوشه بندی خواص پتانسیل واحد حرکتی برای تقویت تشخیص اختلال های عصبی عضلانی

خلاصه:

کلاس بندی عضله الکتروفیزیولوژیکی شامل توصیف مشخصات پتانسیل های واحد حرکتی (MUP) و پس از آن اجتماع مشخصات این MUP هاست. روش های موجود هم برای توصیف مشخصات MUP و هم برای کلاس بندی الکتروفیزیولوژیکی عضله سه کلاس ( عضله ناخوش (مایوپاتیک) ، دارای ریشه عصبی (نوروژنیک) و عادی) در نظر می گیرند. اگرچه، تغییرات MUP ناشی از بیماری ذاتا پیوسته هستند که این موضوع پیدا کردن یک مرز مشخص بین MUPهای عادی، مایوپاتیک و نوروژنیک را مشکل می کند. بنابراین، توصیف مشخصات MUP که مبتنی بر بیشتر از سه کلاس باشد اثرات مختلف بیماری را بهتر می تواند نمایش دهد. در اینجا، یک سیستم کلاس بندی الکتروفیزیولوژیکی عضله نوین ارئه می گردد. در این سیستم تعداد کلاس ها برای توصیف مشخصات MUP به صورت پویا (دینامیک) در نظر گرفته می شود. بدین منظور یک الگوریتم خوشه بندی به نام فاصله همسایگی آنتروپی پایدار ( Neighborhood Distances Entropy Consistency)، به اختصار NDEC، پیشنهاد می شود تا خوشه هایی با شکل و چگالی های دلخواه در یک فضای ویژگی MUP پیدا شود. این خوشه ها تعدادی مفهوم بهنجاری و نابهنجاری MUP را نمایش می دهند. این خوشه ها برای توصیف مشخصات MUP به جای سه کلاس رایج استفاده می شوند. مشخصات MUP ماهیچه مورد مطالعه به صورت یک بردار ویژگی به کلاسیفایرهای SVM و نزدیک ترین همسایگی داده شده و کلاس بندی با استفاده از مجموع نتایج این دو کلاسیفایر انجام می شود. 103 مجموعه MUP از ماهیچه درشت نئی پیشین ( tibialis anterior muscle) ثبت شد که سیستم پیشنهادی توانست با دقت 97% کلاس بندی انجام دهد. این دقت به صورت معناداری بالاتر از دقت کارهای قبلی است.

A Density-Based Clustering Approach to Motor Unit Potential Characterizations to Support Diagnosis of Neuromuscular Disorders

Electrophysiological muscle classification involves characterization of extracted motor unit potentials (MUPs) followed by the aggregation of these MUP characterizations. Existing techniques consider three classes (i.e., myopathic, neurogenic, and normal) for both MUP characterization and electrophysiological muscle classification. However, diseased-induced MUP changes are continuous in nature, which make it difficult to find distinct boundaries between normal, myopathic, and neurogenic MUPs. Hence, MUP characterization based on more than three classes is better able to represent the various effects of disease. Here, a novel, electrophysio- logical muscle classification system is proposed, which considers a dynamic number of classes for characterizing MUPs. To this end, a clustering algorithm called neighbor- hood distances entropy consistency is proposed to find clusters with arbitrary shapes and densities in an MUP feature space. These clusters represent several concepts of MUP normality and abnormality and are used for MUP characterization instead of the conventional three classes. An examined muscle is then classified by embedding its MUP characterizations in a feature vector fed to an ensemble of support vector machine and nearest neighbor classifiers. For 103 sets of MUPs recorded in tibialis anterior muscles, the proposed system had a 97% electro-physiological muscle classification accuracy, which is significantly higher than in previous works.