بیوالکتریک
سبحان شیخیوند؛ زهره موسوی؛ توحید یوسفی رضایی
دوره 14، شماره 3 ، مهر 1399، ، صفحه 209-220
چکیده
استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای صرع از طریق بازرسی بصری یکی از چالشهای مهم در سالهای اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگیهای مطلوبی است که بتوانند بیشترین تمایز را میان مراحل مختلف ...
بیشتر
استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای صرع از طریق بازرسی بصری یکی از چالشهای مهم در سالهای اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگیهای مطلوبی است که بتوانند بیشترین تمایز را میان مراحل مختلف صرع ایجاد نمایند. فرایند یافتن ویژگیهای مناسب عموما امری زمانبر است. در این پژوهش رویکرد جدیدی برای شناسایی خودکار مراحل مختلف صرع ارائه شده است. در این مقاله از دستهبندی مبتنی بر نمایش تنک سیگنال (SRC) به همراه یادگیری دیکشنری آموزش دیده برای شناسایی خودکار مراحل مختلف بیماری صرع با استفاده از سیگنال EEG استفاده شده است. روش پیشنهادی در 8 سناریو از 9 سناریوی ارائه شده به صحت، حساسیت و اختصاصیت 100% دست یافته و همچنین در برابر نویز گوسی تا سطح صفر دسیبل مقاوم میباشد. نتایج به دست آمده نشان میدهد که استفاده از الگوریتم پیشنهادی برای شناسایی مراحل مختلف صرع موفقیت بیشتری نسبت به سایر روشهای مشابه دارد.
سمیرا رضوانی اردکانی؛ سجاد محمدعلینژاد؛ رضا قاسمی
دوره 13، شماره 3 ، مهر 1398، ، صفحه 273-289
چکیده
بیماری صرع یکی از مهمترین اختلالات عصبی در جهان به شمار میرود. برای مهار حملههای صرعی از الگوریتمهای کنترلی گوناگونی استفاده شده است. در کنترل حملات صرعی، زمان کنترل و کاهش حملات و مقاوم بودن کنترل کننده در برابر تغییرات پارامترهای پاتولوژیکی و نوسانات ناخواسته از اهمیت زیادی برخوردار است. برای فراهم ساختن این الزامات و ...
بیشتر
بیماری صرع یکی از مهمترین اختلالات عصبی در جهان به شمار میرود. برای مهار حملههای صرعی از الگوریتمهای کنترلی گوناگونی استفاده شده است. در کنترل حملات صرعی، زمان کنترل و کاهش حملات و مقاوم بودن کنترل کننده در برابر تغییرات پارامترهای پاتولوژیکی و نوسانات ناخواسته از اهمیت زیادی برخوردار است. برای فراهم ساختن این الزامات و از آنجا که یکی از روشهای سرکوب امواج صرعی، تغییر در میانگین پتانسیل الکتریکی نورونهای محرک است، در این مقاله یک کنترل کنندهی مد لغزشی انتگرالی فراپیچشی زمان معین به مدل ترکیبی قشر مغز و اپتوژنتیک اعمال شده است. ابتدا جریان یونی تولید شده در کانالهای یونی در روش اپتوژنتیک به متغیر حالت مربوط به میانگین پتانسیل الکتریکی نورونهای محرک در مدل قشر مغز اعمال شده و دو مدل اپتوژنتیک و قشر مغز با یکدیگر ترکیب شده تا ولتاژ کنترلی اعمال شده به سیستم از طریق مدل اپتوژنتیک به صورت فوتونهای نور به نورونهای ناحیهی صرعی در مغز اعمال شود. سپس کنترل کنندهی مذکور با این هدف که مدل صرعی، مدل سالم را در مدت زمان معینی دنبال کند به این مدل ترکیبی اعمال شده است. در نهایت با استفاده از کنترل کنندهی مد لغزشی انتگرالی فراپیچشی زمان معین مشاهده میشود که در مدت زمان معین، خطای همگرایی وضعیت صرعی به وضعیت سالم کاملا صفر شده، دامنهی سیگنال کنترل نسبت به حالت مد لغزشی کلاسیک کاهش یافته و همچنین مشکلات تکینگی و نوسانات ناخواسته که از محدودیتهای کنترل کنندهی مد لغزشی کلاسیک میباشد، برطرف شده است.
پردازش سیگنالهای حیاتی
امین زارع؛ رضا بوستانی؛ منصور ذوالقدر جهرمی
دوره 4، شماره 3 ، آذر 1389، ، صفحه 195-208
چکیده
پیشبینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتیست که مورد توجه محققان است. حملات صرع به طور نامنظم و غیر قابل پیشبینی شدهای اتفاق میافتند. بنابراین تشخیص حملات صرع از روی سیگنالهای EEGکه در بازة زمانی طولانی گرفته میشوند؛ بسیار حائز اهمیت است. این امر تشخیصی به دو مرحله مجزای استخراج ویژگیها از قطعات سیگنال EEGو اعمال ...
بیشتر
پیشبینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتیست که مورد توجه محققان است. حملات صرع به طور نامنظم و غیر قابل پیشبینی شدهای اتفاق میافتند. بنابراین تشخیص حملات صرع از روی سیگنالهای EEGکه در بازة زمانی طولانی گرفته میشوند؛ بسیار حائز اهمیت است. این امر تشخیصی به دو مرحله مجزای استخراج ویژگیها از قطعات سیگنال EEGو اعمال الگوریتم طبقهبندی بر روی بردارهای ویژگی تقسیم میشود. به همین منظور در مرحله اول با استفاده از تحلیل زمان- فرکانس بر روی قطعات سیگنال EEGو بهدست آوردن صفحه زمان- فرکانس هر قطعه، استخراج ویژگیها از سیگنالها انجام میشود. در مرحله دوم با استفاده از الگوریتم نزدیکترین همسایه کار تشخیص حملات صورت میگیرد. اما قبل از اعمال الگوریتم طبقهبندی، برای اصلاح فضای ویژگیها و یادگیری معیار فاصله، از الگوریتم AIS-RCAاستفاده شده است. این الگوریتم برای بهدست آوردن ماتریس تبدیل W، دادهها را به صورت مجموعهای از دستهها در نظر میگیرد و با ارائه الگوریتم جدید AD-AIRSو با الهام گرفتن از سیستم ایمنی بدن دستهها را مییابد. آزمایشهای انجام شده نشان دهندة دقت 100% و بهبود نتایج در مقایسه با برخی روشهای انتقال موجک، آنتروپی، معیار بینظمی و تبدیل انتقال فوریه سریع را نشان میدهد.