پردازش سیگنال‌های حیاتی
پرستو صادقی نیا؛ حامد داننده حصار
دوره 16، شماره 3 ، آذر 1401، ، صفحه 271-287
چکیده
سیگنال‌های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماری‌های قلبی میتوانند مفید واقع شوند. طبقهبندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد ...
بیشتر
سیگنال‌های فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماری‌های قلبی میتوانند مفید واقع شوند. طبقهبندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه‌بندی می‌گردند. سپس ویژگیهای زمانی آماری و زمانی فرکانسی از هرکدام از این بخش‌ها استخراج می‌گردد. قبل از عملیات طبقهبندی داده‌ها، از دو رهیافت برای انتخاب ویژگیهای مؤثر استفاده‌شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام می‌گردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه‌ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش‌نمونه‌برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه داده‌های متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق‌الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می‌باشد.
پردازش سیگنال‌های حیاتی
مسعود مرادی؛ سینا شامخی
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 167-182
چکیده
در سال‌های اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهش‌گران قرار گرفته است. با این حال مشکلاتی مانند پایین بودن صحت و سرعت محاسبات و هزینه‌ی زیاد ابزار مانع تجاری‌سازی تحقیقات شده است. دیگر چالش موجود در ساخت ابزار کاربردی، لزوم عملکرد خوب ...
بیشتر
در سال‌های اخیر ساخت ابزارهایی که بتواند دشواری ارتباط میان افراد ناشنوا و عموم جامعه را آسان کرده و زبان اشاره را ترجمه کند مورد توجه پژوهش‌گران قرار گرفته است. با این حال مشکلاتی مانند پایین بودن صحت و سرعت محاسبات و هزینه‌ی زیاد ابزار مانع تجاری‌سازی تحقیقات شده است. دیگر چالش موجود در ساخت ابزار کاربردی، لزوم عملکرد خوب روش‌ها در دیدگاه آموزش به روش کنار گذاشتن یک نفر یا به بیانی دیگر در طبقهبندی داده‌های یک فرد جدید است. از این رو در این مقاله روشی کارآمد برای تشخیص حرکات دست با هدف ترجمه‌ی زبان اشاره ارائه شده است تا ضمن به کارگیری روشی با ابعاد کم، عملکرد بهتری در انواع روشهای آموزش به دست آید. در روش پیشنهادی، ویژگیهای مقدار میانگین قدر مطلق، واریانس، ریشه‌ی میانگین مربعات، طول شکل موج، کشیدگی و چولگی از تبدیل موجک تجربی سیگنال‌های الکترومایوگرام و اینرسی استخراج گردیده است. سپس با روش ReliefF ویژگیهای موثر انتخاب شده و برای طبقهبندی حرکات دست از ماشین بردار پشتیبان با هسته‌ی تابع پایه‌ی شعاعی استفاده شده است. درصدهای صحت روش پیشنهادی روی پایگاه دادهی PSL و مجموعه‌های DB2، DB3، DB5 و DB7 از پایگاه دادهی نیناپرو به ترتیب در دیدگاه کلمه-فرد برابر 31/99%، 11/97%، 58/96%، 12/96% و 32/97%، در دیدگاه کلمه-همه‌ی افراد برابر 78/99%، 22/97%، 46/95%، 23/97% و 72/97% و در دیدگاه کنار گذاشتن یک فرد برابر 43/97%، 68/94%، 66/89%، 55/91% و 81/94% به دست آمده است.
سیدابوالفضل طباطبایی؛ ولی درهمی؛ راضیه شیخ‌پور؛ محمدرضا پژوهان
دوره 13، شماره 4 ، دی 1398، ، صفحه 337-348
چکیده
انتخاب ویژگی یکی از فرایندهای پیش‌پردازش داده‌ها در مباحث مربوط به یادگیری ماشین و داده‌کاوی به شمار می‌رود که در برخی زمینه‌ها مانند کار با داده‌های ریزآرایه در بیوانفورماتیک که با مشکل ابعاد بالای داده‌ها در مقابل تعداد کم نمونه‌ها مواجه است، از اهمیت ویژه‌ای برخوردار می‌باشد. انتخاب ویژگیهای (ژن‌های) موثر در تشخیص بیماری ...
بیشتر
انتخاب ویژگی یکی از فرایندهای پیش‌پردازش داده‌ها در مباحث مربوط به یادگیری ماشین و داده‌کاوی به شمار می‌رود که در برخی زمینه‌ها مانند کار با داده‌های ریزآرایه در بیوانفورماتیک که با مشکل ابعاد بالای داده‌ها در مقابل تعداد کم نمونه‌ها مواجه است، از اهمیت ویژه‌ای برخوردار می‌باشد. انتخاب ویژگیهای (ژن‌های) موثر در تشخیص بیماری از داده‌های ریزآرایه نقش مهمی در تشخیص زودهنگام بیماری و راه‌های مواجهه با آن ایفا میکند. در روشهای انتخاب ویژگی مبتنی بر تئوری اطلاعات که طیف گسترده‌ای از روشهای انتخاب ویژگی را شامل میشوند، از مفهوم بی‌نظمی برای تعریف معیارهای مرتبط بودن، افزونگی و مکمل بودن ویژگیها استفاده میشود. در این مقاله به جای بی‌نظمی از مفهوم پیوستگی خالص برای پیشنهاد یک معیار جدید مرتبط بودن استفاده شده است. در این معیار پیشنهادی، برای کنترل و کاهش افزونگی، ارتباط یک ویژگی با تک‌تک کلاس‌ها به طور جداگانه بررسی شده است در حالی که در اکثر روشهای فیلتر، ارزش یک ویژگی بر اساس ارتباط آن با کل کلاس‌ها سنجیده میشود. این راه‌کار باعث شده که ویژگیهای موثر در هر کلاس به تفکیک شناسایی شوند، در حالی که امکان شناسایی ویژگیهای مشترک نیز وجود دارد. یکی دیگر از مشکل‌های موجود در برخی از روش‌ها، مساله‌ی گسسته‌سازی داده‌ها است. در روش پیشنهادی این مقاله، با استفاده از یک تبدیل مبتنی بر یک‌ریختی، ضمن استفاده از مزایای گسسته‌سازی، از درگیر شدن با پیچیدگی‌های آن نیز اجتناب شده است. برای مقایسه‌ی روش پیشنهادی با تعدادی از روشهای مرتبط، از هفت مجموعه‌ی دادهی ریزآرایه مربوط به انواع سرطان به همراه سه دسته‌بند پرکاربرد بیزین ساده، k-نزدیکترین همسایه و ماشین بردار پشتیبان استفاده شده است. نتایج تجربی نشان دهنده‌ی کارایی روش ارائه شده بر اساس دو پارامتر دقت دسته‌بندی و تعداد ژن‌های انتخابی می‌باشد.
مهلا ده‌تقی‌زاده؛ فرید صابری موحد؛ مهدی افتخاری
دوره 13، شماره 3 ، مهر 1398، ، صفحه 223-234
چکیده
داده‌های میکرو-آرایه‌ای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می‌کنند. داده‌های میکرو-آرایه‌ای به طور معمول شامل تعداد زیادی ویژگی و تعداد اندکی نمونه هستند. همچنین، این‌گونه داده‌ها به دلیل داشتن برخی ویژگیهای نامرتبط میتوانند موجب بیشبرازش و کاهش دقت پیشبینی طبقه‌بند کننده‌ها ...
بیشتر
داده‌های میکرو-آرایه‌ای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می‌کنند. داده‌های میکرو-آرایه‌ای به طور معمول شامل تعداد زیادی ویژگی و تعداد اندکی نمونه هستند. همچنین، این‌گونه داده‌ها به دلیل داشتن برخی ویژگیهای نامرتبط میتوانند موجب بیشبرازش و کاهش دقت پیشبینی طبقه‌بند کننده‌ها شوند. بنابراین، آنالیز داده‌های میکرو-آرایه‌ای امری مهم و چالش برانگیز در یادگیری ماشین و فناوری ژنتیک مولکولی محسوب میشود. یک راه مستقیم برای مقابله با این چالش، کاهش بعد داده می‌باشد. روش انتخاب ویژگی به عنوان یک راه‌کار مهم برای کاهش ابعاد و افزایش کارایی الگوریتم‌های یادگیری عمل میکند. در این مقاله، با استفاده از مفهوم پایه برای مجموعه‌ی داده‌های میکرو-آرایه‌ای، یک روش جدید انتخاب ویژگی معرفی شده است. به عبارت دیگر، از یک پایه شامل یک زیرمجموعه‌ی بسیار کوچک از ژن‌ها، به جای کل مجموعه‌ی داده‌های میکرو-آرایه‌ای در تعریف مساله‌ی انتخاب ویژگی استفاده شده است. در این روش مساله‌ی انتخاب ویژگی بر اساس دیدگاه یادگیری زیرفضا و تجزیه‌ی ماتریس پایه فرمولبندی شده است. در نهایت، با استفاده از مجموعه‌ی داده‌های میکرو-آرایه‌ای DNA، کارایی روش پیشنهادی بررسی شده و نتایج به دست آمده با نتایج چند روش انتخاب ویژگی معتبر مقایسه شده است.
پردازش تصاویر پزشکی
امیراحسان لشکری؛ فاطمه پاک؛ محمد فیروزمند
دوره 9، شماره 1 ، فروردین 1394، ، صفحه 71-84
چکیده
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان ...
بیشتر
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول های سرطانی است. در این مقاله روشی به منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام پستان با هدف کمک رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده است، به نحوی که دقت و صحت را افزایش داده و درصد پذیرش اشتباه را کاهش می دهد. این الگوریتم شامل 4 بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در مرحلهی پردازش، ابتدا براساس عملیاتی تمام خودکار، ناحیهی مطلوب تعیین شده، کیفیت تصاویر ارتقاء یافته و سپس پستان راست و چپ از یکدیگر جدا میشوند. سپس درایههای ماتریس تصویر، نرمالسازی شده و نواحی نسبی مشکوک تعیین می شوند. پس از آن و در مرحلهی استخراج ویژگی، ویژگیهای آماری، ویژگیهایی مبتنی بر هیستوگرام، ویژگیهایی مبتنی بر ماتریس هموقوعی (GLCM)، ویژگیهایی بر اساس مورفولوژی نواحی مشکوک و ویژگی هایی در حوزهی فرکانس از هر یک از نواحی بخشبندی شدهی پستان راست و چپ استخراج میشوند. در ادامه برای دستیابی به بهترین ویژگیها، روشهای انتخاب ویژگی نظیر کمترین افزونگی و بیشترین ارتباط (mRMR)، انتخاب متوالی روبه جلو (SFS)، انتخاب متوالی روبه عقب (SBS)، انتخاب متوالی سیال روبه جلو (SFFS)، انتخاب متوالی سیال روبه عقب (SFBS) و الگوریتم ژنتیک (GA) بهکار گرفته میشود. در پایان برای طبقهبندی و تعیین معیار استاندارد برای تحلیل دمای عروقی پستانها (TH)، روشهای مختلف طبقهبندی مانند AdaBoost، ماشینهای بردار پشتیبان (SVM)، نزدیکترین همسایه (KNN)، بیزین ساده (NB) و شبکهی عصبی احتمالی (PNN) مورد ارزیابی قرار گرفتند، تا از مناسب ترین آنها به منظور طبقهبندی ویژگیها استفاده شود. نتایج بهدست آمده روی پایگاه دادهی بومی، بیانگر کارایی قابلتوجه روش پیشنهادی است. با توجه به نتایج، ترکیب mRMR با AdaBoost با بیشینه صحت 92% و ترکیب SFFS با AdaBoost با بیشینه صحت 88%، بهترتیب بهترین ترکیبات بهدست آمده روی تصاویر پستان راست و چپ ارزیابی شدند.
پردازش سیگنال‌های حیاتی
امین جانقربانی؛ محمدحسن مرادی؛ عبدالله آراسته
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 163-174
چکیده
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات ...
بیشتر
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات این بیماران خواهد نمود. با پی شآگهی این اختلال فیزیولوژیکی، پزشکان قادر خواهند بود علت وقوع این اختلال را با استفاده از بررس یهای بالینی مختلف دریافته و درمان مناسبی بر اساس عامل وقوع آن، انتخاب کنند. در این پژوهش به منظور پیش آگهی اپیزودهای افت فشار خون حاد در بازه یک ساعت آینده، دو نوع ویژگی آماری از پارامترهای همودینامیکی و ویژگی های آشوبناک از سری های زمانی فیزیولوژیکی موجود در بازه دو ساعتی منتهی به به ابتدای بازه پیش بینی، استخراج گردید. سپس ویژگی های برگزیده با استفاده از الگوریتم ژنتیک، توسط ماشین بردار پشتیبان طبقه بندی شدند. دقت پیش آگهی برای ویژگ یهای آماری پارامترهای فیزیولوژیکی 5/87 درصد و برای ویژگی های آشوبی 85 درصد حاصل گردید. در ادامه به منظور استفاده از جنبههای مختلف اطلاعات موجود در دو دسته ویژگی و بهبود دقت پیش آگهی، فرآیند انتخاب ویژگی به صورت همزمان برای هر دو دسته ویژگی استخراج شده، اعمال گردید و بهترین ترکیب از میان هر دو دسته ویژگی انتخاب شد. دقت پیش آگهی برای دسته ویژگی تلفیقی بهینه، 95 درصد حاصل شد که در مقایسه با نتایج مطالعات پیشین بر روی مجموعه داده مشابه، بهبود قابل توجهی حاصل گردید.
پردازش تصاویر پزشکی
عباس بینیاز؛ عطااله عباسی؛ موسی شمسی
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 175-186
چکیده
بخش بندی تصویر را به بخش های مجزا تقسیم میکند که هر کدام از این بخش ها دارای سطوح روشنایییکنواختی هستند. از بین روشهای موجود روش خوشه بندیفازی FCM (fuzzy c-means clustering) دارای کاربرد وسیعی در ناحیهبندی تصاویر پزشکی است. عدم ادغام ویژگیهای مکانی در FCM استاندارد، از معایب این روش در ناحیهبندی تصاویر تشدید مغناطیسی MRI مغز انسان است؛ در این مقاله ...
بیشتر
بخش بندی تصویر را به بخش های مجزا تقسیم میکند که هر کدام از این بخش ها دارای سطوح روشنایییکنواختی هستند. از بین روشهای موجود روش خوشه بندیفازی FCM (fuzzy c-means clustering) دارای کاربرد وسیعی در ناحیهبندی تصاویر پزشکی است. عدم ادغام ویژگیهای مکانی در FCM استاندارد، از معایب این روش در ناحیهبندی تصاویر تشدید مغناطیسی MRI مغز انسان است؛ در این مقاله از روشی جدید برای بخشبندی و حذف نویز تصاویر MR با اعمال فیلتر مکانی گوسی در تابع عضویت فازی استفاده شده است. فیلتر مکانی مذکور، اثرات نویز در مرز بافتها و زوایای تصویر را بصورت بهینه ای مدیریت میکند؛ علاوه براین پیکسلی که به لحاظ آناتومیکییک بافت مجزا است مانند تومور در مراحل اولیهی رشد، شانس بیشتریبراییک خوشه شدن دارد. در پایان آزمایشات که بر روی پایگاه داده ISBR انجام شده است کیفیت روش پیشنهادی توسط توابع اعتبارسنجیمتداول مانند شاخص جاکارد و ضریب دایس مورد ارزیابی قرار گرفته است. از طرف دیگر در کاربردهای پزشکی به خصوص در شرایط اورژانسی، ضرورت سرعت عمل تمام عوامل پزشکی امری اجتناب ناپذیر است و الگوریتم ناحیهبندی از این قاعده مستثتی نیست، لذا برای دستیابی به این مهم توسط الگوریتمی مرکز ثقل اولیهی خوشهها ، مشخص میشود که زمان همگرایی تابع هزینه در FCM بهبود یافتهی مکانی گوسی، نسبت به CM استاندارد تا حد قابل قبولی کاهش مییابد.
