بیوالکتریک
سبحان شیخی‌وند؛ زهره موسوی؛ توحید یوسفی رضایی
دوره 14، شماره 3 ، مهر 1399، ، صفحه 179-193
چکیده
در سالهای اخیر خستگی راننده به یکی از دلایل مهم تصادفات جادهای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنالهای EEG به دلیل غیرتهاجمی بودن، مطمئنترین روش برای اندازهگیری خستگی راننده محسوب میشوند. تفسیر دستی سیگنالهای EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری ...
بیشتر
در سالهای اخیر خستگی راننده به یکی از دلایل مهم تصادفات جادهای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنالهای EEG به دلیل غیرتهاجمی بودن، مطمئنترین روش برای اندازهگیری خستگی راننده محسوب میشوند. تفسیر دستی سیگنالهای EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری برای تشخیص خستگی راننده با استفاده از سیگنالهای EEG فراهم شود. یکی از مشکلات مربوط به الگوریتمهای تشخیص خودکار خستگی راننده، استخراج و انتخاب ویژگیهای تبعیضآمیز است که به طور کلی منجر به پیچیدگی محاسباتی میشود. در این مقاله یک رویکرد جدید برای طبقهبندی خودکار دومرحلهای خستگی راننده از 6 منطقه‌ی فعال با استفاده از سیگنالهای EEG ارائه شده است. در این روش سیگنال EEG ثبت شده به طور مستقیم و بدون استفاده از استخراج/انتخاب ویژگی کلاسیک به عنوان ورودی شبکهی عمیق کانولوشنال و شبکهی حافظه‌ی طولانی کوتاه‌مدت (CNN-LSTM) در نظر گرفته شده است. موارد بیان شده به عنوان یک روند چالش برانگیز در مقالات پیشین مطرح شده است. معماری شبکهی پیشنهادی به صورت 7 لایه‌ی کانولوشن با 3 لایه‌ی LSTM و به دنبال آن 2 لایه‌ی کاملا متصل طراحی شده است. از شبکهی LSTM در ترکیب با شبکهی CNN برای افزایش پایداری و کاهش نوسانات استفاده شده است. نتایج شبیهسازی روش پیشنهادی برای طبقهبندی 2 حالت از خستگی راننده برای 6 ناحیه‌ی فعال A، B، C، D، E (بر اساس یک کانال) و F به ترتیب صحت 23/99، 55/97، 98، 26/97، 78/98، 77/93 درصد و ضریب کاپاکوهن 98/0، 96/0، 97/0، 96/0، 98/0 و 92/0 را ارائه کرده است. علاوه بر این با مقایسه‌ی نتایج به دست آمده با نتایج روشهای پیشین، عملکرد مطلوب روش پیشنهادی نشان داده شده است. همچنین با توجه به صحت بالای روش پیشنهادی بر اساس یک کانال سیگنال EEG (منطقه‌ی E)، میتوان از آن برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیششرط سرعت و صحت بالا استفاده کرد.
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.
سیده سعیده زاهدی حقیقی؛ سید محمود سخایی؛ محمدرضا دلیری
دوره 13، شماره 2 ، شهریور 1398، ، صفحه 95-104
چکیده
یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله‌ی تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد بررسی قرار گرفته است. در ابتدا، با توجه به خاصیت غیرایستایی EEG، توابع مد ذاتی (IMF) با استفاده از تجزیه‌ی مد تجربی (EMD) استخراج شده و سپس ۳ IMF اول انتخاب شده است. هر IMF با پنجره‌‌ای یک ...
بیشتر
یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله‌ی تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد بررسی قرار گرفته است. در ابتدا، با توجه به خاصیت غیرایستایی EEG، توابع مد ذاتی (IMF) با استفاده از تجزیه‌ی مد تجربی (EMD) استخراج شده و سپس ۳ IMF اول انتخاب شده است. هر IMF با پنجره‌‌ای یک ثانیهای به تکههای کوچکتری تبدیل شده و ویژگی توان از هر قسمت استخراج شده است. سپس با استفاده از یک نگاشت مناسب، موقعیت الکترودها درسیستم ۱۰-۲۰ به موقعیت پیکسلها در یک تصویر تبدیل شده و ویژگیهای استخراج شده به عنوان مولفههای رنگ پیکسل در نظر گرفته شده است. برای تعیین کلاس ظرفیت، تمام تصاویر تولید شده به عنوان ورودی به یک شبکهی یادگیری عمیق داده شده و کلاس بالا یا پایین ظرفیت (خروجی شبکه) مشخص شده است. از همین روش برای تعیین کلاس برانگیختگی نیز استفاده شده است. برای بررسی روش پیشنهادی از پایگاه دادهی DEAP استفاده شده است. با انتخاب تصویر با اندازهی ۱۷×۱۷، میانگین دقت و انحراف معیار طبقهبندی برای ظرفیت برابر با 58/78% و 9/3 و برای برانگیختگی برابر با 66/78% و 1/3 به دست آمده که در مقایسه با نتایج کارهای مشابه بهبود قابل توجهی داشته است.
پردازش سیگنالهای حیاتی
نسرین شعوری؛ سید محمد فیروزآبادی؛ کامبیز بدیع
دوره 7، شماره 4 ، اسفند 1392، ، صفحه 321-331
چکیده
در این مقاله، تفاوت سیگنالهای EEGنوزده کاناله دو گروه از افراد نقاش و غیرنقاش در هنگام مشاهده و تجسّم ذهنی تصویر و در حین استراحت از نظر نمای مقیاس بررسی شده است. با توجه به نتایج به دست آمده مشاهده شده است که نماهای مقیاس در افراد نقاش به صورت معنیداری بیشتر از افراد غیرنقاش در هر سه حالت مشاهده، تجسّم ذهنی و استراحت است. در نتیجه ...
بیشتر
در این مقاله، تفاوت سیگنالهای EEGنوزده کاناله دو گروه از افراد نقاش و غیرنقاش در هنگام مشاهده و تجسّم ذهنی تصویر و در حین استراحت از نظر نمای مقیاس بررسی شده است. با توجه به نتایج به دست آمده مشاهده شده است که نماهای مقیاس در افراد نقاش به صورت معنیداری بیشتر از افراد غیرنقاش در هر سه حالت مشاهده، تجسّم ذهنی و استراحت است. در نتیجه نماهای مقیاس میتواند اثر داشتن تخصص هنری را در سیگنال مغزی نشان دهد. علاوه بر آن تفاوت معنیداری بین نماهای مقیاس مربوط به دو فعالیت مشاهده و تجسّم دو گروه مشاهده نشده است. این مسأله فعالشدن مراکز نورونی مشابه در هنگام مشاهده و تجسّم یک تصویر را نشان می‌دهد. در نهایت دو گروه به وسیله نماهای مقیاس کانال C4و شبکه NeauralGasدر حالت استراحت و در هنگام مشاهده و تجسّم به ترتیب با میانگین صحت تشخیص50٪، 58.12٪و 70٪ طبقهبندی شده‌اند. نتایج طبقهبندی نشان داد تفکیکپذیری دو گروه به وسیله نمای مقیاس در حین انجام فعالیت شناختی یکسان، کاهش می‌یابد.
پردازش سیگنالهای حیاتی
مهدی عبدالصالحی؛ علی مطیع نصرآبادی؛ سید محمد فیروزآبادی
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 143-153
چکیده
در این تحقیق به بررسی سیگنالهای الکتروانسفالوگرام در احساسات مثبت، منفی و خنثی پرداخته شده است. در این پژوهش، فرض شده است که مغز دارای منابع مستقل مختلفی در هنگام هر فعالیت احساسی بوده که این منابع توسط الگوریتم پردازش مولفه های مستقل (ICA) قابل مشاهده خواهند بود. برای غلبه بر مشکل نامشخص بودن ترتیب مولفه های استخراج شده در الگوریتم ...
بیشتر
در این تحقیق به بررسی سیگنالهای الکتروانسفالوگرام در احساسات مثبت، منفی و خنثی پرداخته شده است. در این پژوهش، فرض شده است که مغز دارای منابع مستقل مختلفی در هنگام هر فعالیت احساسی بوده که این منابع توسط الگوریتم پردازش مولفه های مستقل (ICA) قابل مشاهده خواهند بود. برای غلبه بر مشکل نامشخص بودن ترتیب مولفه های استخراج شده در الگوریتم ICA ابتدا با استفاده از آنتروپی شانون، این منابع مرتب و سپس از روی این منابع مرتب شده، ویژگی های بعد فراکتالی Katz و اولین محل کمینه شدن اطلاعات متقابل بر حسب تاخیر به عنوان نمایش دهنده های تعین استخراج شده اند. نتایج نشان می دهد که میزان تعین منابع مرتب شده دارای اختلاف معنی داری در طول زمان و در سه حالت احساسی مثبت، منفی و خنثی می باشد. میزان تعین در حالت های احساسی خنثی، منفی و مثبت به ترتیب افزایش می یابد.
پردازش سیگنالهای حیاتی
محمد شهاب شهوازیان؛ وحید ابوطالبی؛ محمدتقی صادقی
دوره 6، شماره 1 ، خرداد 1391، ، صفحه 35-47
چکیده
با ظهور دانش بیومتریک، روشهای متداول تأیید هویت در سیستم‌های بیومتریک دچار دگرگونی شده‌اند و در حال جایگزینی با روش‌هایی بر پایة علایم حیاتی هستند. اخیراً کاربرد سیگنال الکتریکی مغز(EEG) در سیستم‌های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققان قرار گرفته است. پژوهش‌های نسبتاً محدودی در زمینة بیومتریک سیگنال ...
بیشتر
با ظهور دانش بیومتریک، روشهای متداول تأیید هویت در سیستم‌های بیومتریک دچار دگرگونی شده‌اند و در حال جایگزینی با روش‌هایی بر پایة علایم حیاتی هستند. اخیراً کاربرد سیگنال الکتریکی مغز(EEG) در سیستم‌های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققان قرار گرفته است. پژوهش‌های نسبتاً محدودی در زمینة بیومتریک سیگنال الکتریکی مغز به‌خصوص در سیستم‌های تأیید هویت آن انجام شده است و اکثر تحقیقات بر سیستم‌های تعیین هویت EEGتمرکز داشته‌اند. در این مقاله کارایی سیگنال الکتریکی مغز به عنوان یک سیستم بیومتریک در تأیید هویت افراد نشان داده شده است.در سیستم بیومتریک معرفی شده، از سیگنال الکتریکی پانزده کاربر در حین انجام فعالیت ذهنی استفاده شده است. ترکیبی از ضرایب مدل خود بازگشتی(AR)، توان باندهای فرکانسی سیگنال مغز، چگالی طیف توان، آنتروپی انرژی و آنتروپی نمونه به‌عنوان ویژگیهای مستخرج از سیگنال مغز و روش Kنزدیک‌ترین همسایه به‌عنوان طبقه‌بند، استفاده شده است. به‌منظور بهبود عملکرد سیستم تأیید هویت، علاوه بر بررسی ادغام در سطح حسگر و فضای ویژگی، امکان به‌کارگیری روش انتخاب ویژگی رفت و برگشتی نیز مطالعه شده است. نتایج آزمایش‌های ما بر روی پایگاه داده Shalkو همکارانش بیانگر این موضوع است که با ترکیب ویژگیهای متفاوت و با به‌کارگیری سیگنال مغزی تک‌کاناله، عملکرد سیستم در دو روش تک‌بلوک و چند‌بلوک در مقایسه با سایر سیستم‌های تأیید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشمگیری بهبود می‌یابد و چشم انداز روشنی را از استفادة عملی و تجاری سیگنال الکتریکی مغز در سیستم‌های تأیید هویت آینده نشان می‌دهد.
پردازش سیگنالهای حیاتی
علی خادم؛ غلامعلی حسین‌زاده
دوره 6، شماره 1 ، خرداد 1391، ، صفحه 57-69
چکیده
بررسی ارتباطات علّی (تأخیری) مغزی، از جایگاه مهمی در حوزه علوم اعصاب برخوردار است. معیارهای مرسوم اندازهگیری ارتباطات علّی (تأخیری) مغزی، عمدتاً پارامتری و مبتنی بر مدل هستند و فر‌ض‌های محدود‌کننده‌ای نسبت به ماهیت ارتباطات مغزی در نظر می‌گیرند. در سالهای اخیر، معیارهایی ناپارامتری برای رفع این نقیصه مطرح شده‌اند که از مهمترین ...
بیشتر
بررسی ارتباطات علّی (تأخیری) مغزی، از جایگاه مهمی در حوزه علوم اعصاب برخوردار است. معیارهای مرسوم اندازهگیری ارتباطات علّی (تأخیری) مغزی، عمدتاً پارامتری و مبتنی بر مدل هستند و فر‌ض‌های محدود‌کننده‌ای نسبت به ماهیت ارتباطات مغزی در نظر می‌گیرند. در سالهای اخیر، معیارهایی ناپارامتری برای رفع این نقیصه مطرح شده‌اند که از مهمترین آنها میتوان آنتروپی انتقال (TE) را نام برد. این معیار در بستر تئوری اطلاعات و بر پایه مفهوم اطلاعات متقابل شرطی تعریف شده است. با وجود این، در حضور ارتباطات لحظه‌ای قوی -که به طور گسترده ای در داده‌های مغزی مشاهده میشوند- TE ممکن است در تخمین صحیح ارتباطات علّی (تأخیری) دچار اشتباه شود. در این پژوهش، دو معیار مبتنی بر تئوری اطلاعات با عنوان اندرکنش لحظه‌ای (II) و آنتروپی انتقال اصلاح شده (MTE) معرفی میشوند که معیار اول برای تخمین ارتباطات لحظه‌ای مغزی و معیار دوم برای تخمین ارتباطات علّی (تأخیری) مغزی در حضور ارتباط لحظه‌ای معنی‌دار به کار می‌رود. عملکرد این معیارها بر 3 مدل شبیهسازی و داده‌های الکتروانسفالوگرام (EEG) حالت استراحت مغزی با چشمان بسته بررسی شدند. نتایج شبیه‌سازی‌ها حاکی از توانایی زیاد II جهت تخمین ارتباطات لحظه‌ای خطی و غیرخطی است. همچنین بر طبق نتایج شبیه‌سازی‌ها اگر چه در حضور ارتباط لحظه‌ای معنی‌دار (II معنی‌دار) عملکرد TE در تشخیص ارتباطات علّی (تأخیری) تضعیف میشود؛ MTE به خوبی این نقیصه را جبران می‌کند. نتایج داده‌های EEG نشان می‌دهد که II ارتباطات لحظه‌ای معنیداری بین نواحی خلفی و نواحی قدامی مغز تخمین می‌زند و MTE در مقایسه با TE جریان اطلاعات از نواحی خلفی به نواحی قدامی را به طور معنی‌دارتری نشان می‌دهد که تطابق خوبی با نتایج تحقیقات گذشته در این حوزه دارد.
پردازش سیگنالهای حیاتی
حسنا قندهاریون؛ عباس عرفانیان امیدوار
دوره 3، شماره 3 ، آذر 1388، ، صفحه 199-211
چکیده
مهمترین مشکل در بررسی و پردازش ثبت های الکتروآنسفالوگرام (EEG) حضور انواع سیگنال های ناخواسته (آرتیفکت ها) است که حذف آنها با روش تحلیل مولفه های مستقل از بهترین گزینه های ممکن است. هدف مساله تحلیل مولفه های مستقل جداسازی کور ترکیبی خطی از منابع مستقل است. با اعمال این روش روی سیگنال های مغزی آغشته به آرتیفکت، آرتیفکت ها به صورت مولفه ...
بیشتر
مهمترین مشکل در بررسی و پردازش ثبت های الکتروآنسفالوگرام (EEG) حضور انواع سیگنال های ناخواسته (آرتیفکت ها) است که حذف آنها با روش تحلیل مولفه های مستقل از بهترین گزینه های ممکن است. هدف مساله تحلیل مولفه های مستقل جداسازی کور ترکیبی خطی از منابع مستقل است. با اعمال این روش روی سیگنال های مغزی آغشته به آرتیفکت، آرتیفکت ها به صورت مولفه های مستقلی استخراج می شوند. تشخیص خودکار مولفه های مستقل مربوط به آرتیفکت از سایر مولفه ها باید بر اساس معیارهای مناسبی صورت گیرد. هنوز درباره انتخاب این معیارها توافقی کلی وجود ندارد. در این تحقیق مجموعه ای از معیارهای آماری و زمانی- فرکانسی معرفی شده است که می توانند در قالب یک قانون تشخیص و تصمیم گیری خودکار، مولفه های نمایانگر آرتیفکت های چشمی را با دقت بالا شناسایی کنند. در روش پیشنهادی به جای مقایسه معیارهای محاسبه شده برای مولفه ها با سطوح آستانه یا الگوهای خاص، ویژگی های مولفه های یک آزمون با هم مقایسه می شوند و بر اساس یک قانون تصمیم گیری مولفه های نمایانگر آرتیفکت چشمی (اثر پلک زدن و حرکت افقی و عمودی کره چشم) در صورت وجود در آزمون مورد نظر شناسایی و حذف می شوند. عملکرد روش پیشنهادی روی 2000 قطعه 4 ثانیه ای سیگنال EEG حاوی انواع آرتیفکت های چشمی آزمایش شده است. دقت تشخیص روش در مورد این داده ها 92.8% به دست آمده است. آزمون های آماری نشان می دهند که مقادیر معیارهای مربوط به مولفه های آرتیفکت و غیر آرتیفکت تفاوت قابل ملاحظه ای با هم دارند.
