Zurichnch/Automatic High-Frequency-Resolator

ساخت وبلاگ

این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

  • محلی
  • مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

تشخیص نوسان فرکانس بالا (AHFOD)

این کد هنوز در حال توسعه است و به همین ترتیب از پیشنهادات استقبال می کند.

این کد در نظر گرفته شده است که برای تشخیص نوسانات فرکانس بالا (HFO) در داده های زیر مورد استفاده قرار گیرد:

  • الکتروانسفالوگرام EEG (آزمایش نشده)
  • ECOG ECOG (آزمایش شده)
  • الکتروانسفالوگرام داخل جمجمه IEEG (آزمایش شده)

تعریف کار HFO

HFO به عنوان نشانگرهای زیستی برای بافت مغز صرع شناخته می شود. HFO ها به طور کلی به عنوان الگوهای EEG خود به خود در محدوده فرکانس بین 80 تا 500 هرتز مشاهده می شوند که حداقل از چهار نوسان تشکیل شده است که به وضوح از فعالیت پس زمینه جدا هستند. بررسی HFO

HFO های Interictal در بومی سازی منطقه شروع تشنج (SOZ) نسبت به سنبله ها خاص تر بوده و ارتباط خوبی با نتیجه پس از عمل در بیماران صرع ارائه داده اند. بنابراین ما ارتباط بالینی ناحیه HFO را در بیمار با یک روش خودکار تأیید کردیم. این یک پیش نیاز است قبل از اینکه HFO ها بتوانند درمان جراحی را در مطالعات چند مرکز هدایت کنند.

[1] Buos S. ، Hilfiker P. ، Surucu O. ، Scholkmann F. ، Krayenbühl N. ، Grunwald T. Sathein J. نوسانات فرکانس بالا داخل جمجمه انسانی (HFOS) که با تجزیه و تحلیل فرکانس زمانی خودکار تشخیص داده می شوند. PLOS ONE 9 ، E94381 ، doi: 10. 1371/joual. pone. 0094381 (2014).

[2] Buos S. ، Frauscher B. ، Zelmann R. ، Haegelen C. ، Sathein J. ، Gotman J. مورفولوژی نوسانات فرکانس بالا (HFO) باعث بهبود مشخص کردن منطقه صرع نمی شود. Clin Neurophysiol 127 ، 2140-2148 ، doi: 10. 1016/j. clinph. 2016. 01. 002 (2016).

[3] Fedele T. ، Van 'T Klooster M. ، Buos S. ، Zweiphenning W. ، Van Klink N. ، Leijten F. ، Zijlmans M. ، Sathein J. تشخیص خودکار نوسانات فرکانس بالا در طول عمل جراحی صرع نتیجه تشنج را پیش بینی می کندبشرClin Neurophysiol 127 ، 3066-3074 ، doi: 10. 1016/j. clinph. 2016. 06. 009 (2016).

[4] Fedele T. ، Buos S. ، Boran E. ، Krayenbühl N. ، Hilfiker P. ، Grunwald T. و Sathein J. برداشتن نوسانات فرکانس بالا نتیجه تشنج را در بیمار فردی پیش بینی می کند. SCI Rep 7 ، 13836 ، doi: 10. 1038/S41598-017-13064-1 (2017).

[5] Fedele T. ، Ramantani G. ، Buos S. ، Hilfiker P. ، Curio G. ، Grunwald T. ، Krayenbühl N. ، Sathein J. پیش بینی نتیجه تشنج بهبود یافته توسط موج های سریع تشخیص داده شده در قشر مغز داخلی کم مصرف. Clin Neurophysiol 128 ، 1220-1226 ، doi: 10. 1016/j. clinph. 2017. 03. 038 (2017).

[6] Boran E. ، Ramantani G. ، Krayenbühl N. ، Schreiber M. ، König K. ، Fedele T. and Sathein J. ECOG با چگالی بالا ، تشخیص نوسانات فرکانس بالا را پیش بینی می کند که نتیجه تشنج را پیش بینی می کند. Clin Neurophysiol 130 ، 1882-1888 ، doi: 10. 1016/j. clinph. 2019. 07. 008 (2019).

[7] Boran E. ، Sathein J. ، Krayenbühl N. ، Ramantani G. and Fedele T. نوسانات با فرکانس بالا در فرکانس تشنج آینه EEG پوست سر در صرع کانونی کودکان. SCI Rep 9 ، 16560 ، doi: 10. 1038/S41598-019-52700-W (2019).

چگونه ردیاب کار می کند:

ورودی:

پارامترها از یک پرونده "para. mat" از پیش ساخته شده خوانده می شوند. پرونده . mat شامل ساختاری به نام "Detpara" است. در داخل ساختار Detpara متغیرهای زیر را می توان یافت. پرونده اکسل را در پوشه مربوطه مشاهده کنید.

پرونده داده به صورت "data. mat" با متغیرهای خوانده شده در زیر و همچنین متغیر محاسبه شده در زیر ذخیره می شود.

خروجی: hfo-object با دسته های زیر:

متغیرهاشرح
لاتینسیگنال با استفاده از پارامترهای فیلتر مشخص شده در
وابسته به فیلتگیسیگنال فیلتر شده
پاكت نامهپاکت سیگنال W. R. T سیگنال فیلتر شده.
پایه:سیگنال فیلتر شده برای فواصل آنتروپی بالا جستجو می شود.
ماکسنویزموآستانه وابسته به سیگنال فیلتر برای انتخاب Indbaseline.
زیرزمینمقدار مورد استفاده در انتخاب رویداد بر اساس پایه (پاکت).
فلتبازلینثمقدار مورد استفاده در انتخاب رویداد بر اساس پایه (سیگنال فیلتر شده).
خطیشاخص های سیگنالی که برای محاسبه پایه گرفته می شود.
HientropyIntvشاخص های آنتروپی بالا.
مناسبت ها :اطلاعات مربوط به وقایع مورد علاقه شناسایی شده را جمع آوری می کند.
شمارهتعداد وقایع شناسایی شده در هر کانال به عنوان ورودی (سلول حاوی عدد صحیح).
markings. startشاخص شروع وقایع.
markings. endشاخص نهایی وقایع.
markings. lenطول نمونه از وقایع.
برنامهسلول جداول حاوی خواص وقایع شناسایی شده در هر کانال.
نرخEventNumber تقسیم بر مدت زمان سیگنال در دقیقه ها.

روند:

ردیاب مبتنی بر آستانه سیگنال برای قدرت ، مورفولوژی و خاصیت انرژی مختلف است.

  1. مرحله 0: بارگذاری پارامترها ، داده ها و بررسی ناسازگاری های مشخصات.
    1. در این مرحله تمام پارامترهای از پیش مجموعه متمرکز و بارگیری می شوند.
    2. داده ها بارگذاری شده و پارامترهای متا داده محاسبه می شوند.
    3. چندین قوام بین پارامترها و داده ها (یا) بررسی شده است.
    1. در اینجا همه کانال ها با استفاده از فیلتر FIR با باند فرکانس و پارامترهای فیلتر مشخص شده در پارامترها ، فیلتر شده اند.
    2. پاکت بالایی سیگنال فیلتر شده سپس محاسبه می شود.

    این کد تقریباً به تنهایی جدا از بدیهی است که به MATLAB نیاز دارد. بنابراین فقط کلون و اجرا کنید.

    برای یک مرور کلی از عملکرد این کد ، بخش "hfowalkthrough. m" را به بخش اجرا کنید و تفسیر را بخوانید.

    برای نمایش عملکرد ، پرونده "rundemozurichspec. m" واقع در پوشه +نسخه ی نمایشی را اجرا کنید.

    برای نمایش عملکرد ، پرونده "rundemozurichmorph. m" واقع در پوشه +نسخه ی نمایشی را اجرا کنید.

    تهیه یک فایل پارامتر.

    یافتن HFO گاهی به عنوان یک هنر توصیف می شود. این یک دروغ است ، به سادگی پارامترهای زیادی وجود دارد که باید در فرآیند تشخیص تنظیم شوند. به منظور کنترل این امر ، همه پارامترها متمرکز هستند. در پیش تنظیم پوشه پوشه یک اسکریپت ردیاب پاراما سازنده وجود دارد. در آن تمام پارامترهای از پیش مجموعه مشخص شده است. همچنین یک پرونده fir_2khz. mat وجود دارد که حاوی ضرایب یک فیلتر طراحی شده است. برای اینکه بتوانید فایل پارامتر خود را داشته باشید ، فقط مقادیر موجود در Script DetectorParameterMaker. m را تغییر داده و اسکریپت را اجرا کنید. برای استفاده از ضرایب فیلتر خود ، باید این را به صورت دستی اضافه کنید یا پرونده ای را اضافه کنید که به همان روش fir_2khz. mat را بخوانید

    از طرف دیگر ، اگر ایجاد ثابت یک فایل پارامتر. mat بیش از حد باشد ، می توان پارامترها را در یک پرونده از قبل موجود نیز به صورت دستی تغییر داد. این کار از طریق تکنیک های معمول MATLAB انجام می شود.

    • hfo. m
      1. paraanddata. m
      2. filtersignal. m
      3. پایه . M
      4. EventsOfinterest. m
    • COOCCURENCE. M

    بارگذاری پارامترها و داده ها

    paraanddata. m برای بارگذاری پارامترها و داده ها از مسیرهای فایل مشخص شده استفاده می شود. این سه عملکرد فرعی دارد:

    1. LoadParameters: به عنوان ورودی یک پرونده پرونده از یک پرونده . mat در قالب ارائه شده در DetectorParameterMaker. m وارد می شود.
    2. LoadData: به عنوان ورودی یک پرونده فایل . mat در قالب ارائه شده در بخش فوق وارد می شود.
    3. TestParameters: یک تابع آزمایش برای دیدن اینکه آیا پارامترهای مشخص شده با داده ها مغایرت ندارند یا خیر.

    Filtersignal. m برای به دست آوردن سیگنال فیلتر شده و همچنین پاکت استفاده می شود. دارای عملکردهای زیر زیر است:

    1. Filtersignal: فیلتر دیجیتال دیجیتال به جلو و معکوس ، ضرایب تنظیم شده در پارامترها. غیر بازگشتی
    2. GetSignalEnvelope: پاکت سیگنال فیلتر شده را بدست آورید.

    پایه. M برای به دست آوردن پایه سیگنال استفاده می شود. این عملکرد به شرح زیر ادامه می یابد: < Pan> filtersignal. m

سیگنالهای معاملاتی...
ما را در سایت سیگنالهای معاملاتی دنبال می کنید

برچسب : نویسنده : عارف لرستانی بازدید : 54 تاريخ : پنجشنبه 10 فروردين 1402 ساعت: 16:50