پردازش سیگنالهای حیاتی
حمید شفاعتفر؛ مهدی تقیزاده؛ مرتضی ولیزاده؛ محمدحسین فاتحی
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 147-158
چکیده
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی ...
بیشتر
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی استفاده شده است. با توجه به این که ضربانهای قلبی بیماران مختلف دارای تفاوت زیادی هستند، کلاسهای آریتمی دارای تغییرات درونکلاسی زیادی خواهند بود. برای کاهش تغییرات درونکلاسی، ضربانهای قلبی هر بیمار با یک تابع اختصاصی به نحوی نگاشت داده شده است که شباهت آن به ضربانهای قلبی یکی از بیماران آموزشی افزایش یابد. نگاشت اختصاصی پیشنهادی سبب کاهش تغییرات درونکلاسی شده و دقت طبقهبندی آریتمیهای قلبی را به میزان قابل ملاحظهای افزایش داده است. برای اثبات کارایی روش پیشنهادی، نتایج آن با چندین تحقیق جدید بر اساس سه معیار ارزیابی دقت، حساسیت و اختصاصیت و روی مجموعهی دادهی یکسان مقایسه شده است. دقت به دست آمده حدود 24/96 درصد بوده که نشان دهندهی کارایی بهتر روش پیشنهادی در مقایسه با سایر کارها است.
الگوبرداری زیستی / زیستتقلیدی
هیوا صوفی کریمی؛ کریم محمدی
دوره 11، شماره 4 ، بهمن 1396، ، صفحه 337-349
چکیده
در این مقاله سعی شده است تا با الگو برداری از سامانهی بینایی انسان، یک روش مقاوم و تکرارپذیر برای بازشناسی اشیا ارائه شود. یکی از معروفترین مدلهای ارائه شده مبتنی بر بینایی انسان، مدل HMAX میباشد که عملکرد مناسبی در بازشناسی اشیا از خود نشان داده است. اما تفاوتهایی نیز بین این مدل و بینایی انسان وجود دارد، به طوری که رویهی ...
بیشتر
در این مقاله سعی شده است تا با الگو برداری از سامانهی بینایی انسان، یک روش مقاوم و تکرارپذیر برای بازشناسی اشیا ارائه شود. یکی از معروفترین مدلهای ارائه شده مبتنی بر بینایی انسان، مدل HMAX میباشد که عملکرد مناسبی در بازشناسی اشیا از خود نشان داده است. اما تفاوتهایی نیز بین این مدل و بینایی انسان وجود دارد، به طوری که رویهی مغز به طور کامل مدل نشده است. از جمله نواقص این مدل میتوان به تکرارناپذیری (حتی در شرایط ثابت)، وجود افزونگی بسیار زیاد و در نتیجه حجم بالای محاسبات و کند بودن اشاره کرد. در این مقاله، سعی شده است تا با مدل کردن عملکرد بخش ثانویهی قشر بینایی و اضافه کردن آن به HMAX، مدل کاملتری از بینایی انسان ارائه گشته و نقاط ضعف مدل HMAX ، پوشش داده شود. بخش اضافه شده، مانند بخش ثانویهی قشر بینایی، با تمرکز روی ویژگیهای سطح بالاتر و انتخاب ویژگیهای متمایزکننده و البته تکرارپذیر، باعث بهبود یافتن عملکرد مدل خواهد شد. بخش اضافه شده، بار محاسباتی بسیار اندکی داشته به طوری که نهتنها باعث کند شدن مدل نمیشود، بلکه با انتخاب ویژگیهای مختصر و مفید، باعث افزایش سرعت نیز خواهد شد. روش پیشنهادی از لحاظ دقت و زمان پردازش با روش استاندارد مقایسه شده و برتری مدل پیشنهادی نشان داده شده است. علاوه بر آن، تاثیر تعداد ویژگیهای استخراج شده و تعداد تصاویر مورد استفاده جهت آموزش، مورد بررسی قرار گرفته است تا برتری روش پیشنهادی، به ویژه در زمانی که تعداد تصاویر اندکی در دست میباشد، نشان داده شود.
بیوانفورماتیک / زیستدادهورزی
حسین بانکی کشکی؛ سیدعلی سیدصالحی؛ فاطمه زارع میرکآباد
دوره 11، شماره 3 ، آبان 1396، ، صفحه 219-230
چکیده
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبهرو میسازد. از اینرو، باید با ...
بیشتر
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبهرو میسازد. از اینرو، باید با استفاده از روشهای کاهش بعد، دادهها را به فضای واقعی برگرداند. در این پژوهش از یک شبکهی عصبی عمیق اتوانکودر به منظور کاهش بعد دادههای توالی مربوط به جایگاههای پیوند روی ژنوم انسان استفاده شده است. به منظور بررسی میزان حفظ اطلاعات دادههای اصلی در دادههای کاهش بعد یافته، از یک طبقهبندی دوکلاسه به وسیلهی ماشین بردار پشتیبان استفاده میشود. نتایج به دست آمده نشان میدهد که اطلاعات تقریبا به طور کامل در فشردهسازی حفظ میشود. سپس از دادههای فشردهشده برای بصریسازی و همچنین انتخاب ویژگی با تحلیل واریانس استفاده میشود. نتایج به دست آمده نشان میدهد که مکانهای اول، دهم و هشتم در توالیها دارای بیشترین اطلاعات هستند. درحالیکه عمدهی پژوهشهای پیشین روی دادههای بیان ژن حاصل از میکروآرایه، متمرکز شدهاند و مقایسهی محدودی بین روشهای کاهش بعد در آنها انجام شده است. این مقاله برای نخستین بار، دادههای نوکلئوتیدی توالی را با شبکهی اتوانکودر، کاهش بعد داده و مقایسهی جامعی بین انواع روشهای کاهش بعد و یادگیری ماشین ارائه میدهد.
پردازش سیگنالهای حیاتی
معصومه رحیمی؛ محمد حسن مرادی؛ فرناز قاسمی
دوره 10، شماره 1 ، اردیبهشت 1395، ، صفحه 59-68
چکیده
هدف این مقاله، بررسی ارتباطات مؤثر مغزی براساس روش تابع انتقال جهتدار (DTF) است. این ارتباطات برای دادههای ثبتشده، از ترکیب حالتهای توجه و هوشیاری، که چهار دستة توجه-هوشیاری، توجه-عدم هوشیاری، عدم توجه-هوشیاری و عدم توجه-عدم هوشیاری را ایجاد کردهاند، بهدست آمدند. از روی ماتریسهای بهدستآمده برای هر دسته، شاخصهایی ...
بیشتر
هدف این مقاله، بررسی ارتباطات مؤثر مغزی براساس روش تابع انتقال جهتدار (DTF) است. این ارتباطات برای دادههای ثبتشده، از ترکیب حالتهای توجه و هوشیاری، که چهار دستة توجه-هوشیاری، توجه-عدم هوشیاری، عدم توجه-هوشیاری و عدم توجه-عدم هوشیاری را ایجاد کردهاند، بهدست آمدند. از روی ماتریسهای بهدستآمده برای هر دسته، شاخصهایی مرسوم در حوزة DTF، معرفی و محاسبه شدند. سپس شاخصهای این چهار دسته، برای بررسی وجود اختلاف معنادار از نظر ارتباطات مؤثر، با یکدیگر مقایسه شدند. برای بهدست آوردن روابط علّی خطی میان کانالها به روش DTF، از مدل خودکاهشی چندمتغیره استفاده شد. برای بررسی دقیقتر، سیگنالها به چهار باند فرکانسی پایه تقسیم شده و با آزمون اندازههای تکراری دوطرفه، وجود اختلاف معنادار در دستهها و باندها بررسی شد. براساس نتایج، از 12 شاخص بهدستآمده، دو شاخص و به تنهایی قادر به نمایش تمایز میان 5 حالت از 6 حالت ممکن از ترکیبات دوتایی دستهها هستند. تنها حالتی که هیچ کدام از شاخصها، تفاوت معناداری برای آن نشان ندادند، حالت عدم توجه-هوشیاری و عدم توجه-عدم هوشیاری بود.
پردازش گفتار
یاسر شکفته؛ فرشاد الماسگنج
دوره 6، شماره 1 ، خرداد 1391، ، صفحه 17-33
چکیده
تحقیقات اخیر نشان میدهد که تظاهرات غیرخطی و آشوبی سیگنال گفتار میتواند در حوزة فضای بازسازی شده فاز (RPS) مطالعه شود. تئوری جاسازی برمبنای محورهای تأخیری، ابزار مناسبی برای بررسی تراژکتورهای گفتاری در RPS است. تاکنون از مشخصههای تراژکتورهای گفتاری به ندرت در سیستمهای کاربردی بازشناسی گفتار استفاده شده است. از اینرو در این مقاله ...
بیشتر
تحقیقات اخیر نشان میدهد که تظاهرات غیرخطی و آشوبی سیگنال گفتار میتواند در حوزة فضای بازسازی شده فاز (RPS) مطالعه شود. تئوری جاسازی برمبنای محورهای تأخیری، ابزار مناسبی برای بررسی تراژکتورهای گفتاری در RPS است. تاکنون از مشخصههای تراژکتورهای گفتاری به ندرت در سیستمهای کاربردی بازشناسی گفتار استفاده شده است. از اینرو در این مقاله روش استخراج ویژگی جدیدی براساس پارامترهای مدلسازی خطی مبتنی بر روش AR برداری (VAR) پیشنهاد شده است. در این روش بوسیله ماتریس ضرایب فیلتر و یا ضرایب انعکاسی به دست آمده از اعمال روش VAR بر مشخصههای استاتیک و دینامیک تراژکتوری های گفتاری شکل یافته در RPS، یک بردار ویژگی با بُعد زیاد حاصل میشود که میتوان از روشهای نگاشت خطی برای کاهش بُعد مناسب آن استفاده کرد. نتایج آزمایشهای بازشناسی واج مجزا و پیوسته بر مجموعه دادگان گفتاری فارسدات نشان میدهد که کارایی این روش در مقایسه با دیگر روشهای متداول استخراج ویژگی مبتنی بر حوزة زمان مانند روش LPC و LPREF بیشتر است.
زهرا امینی؛ وحید ابوطالبی؛ محمدتقی صادقی
دوره 4، شماره 4 ، اسفند 1389، ، صفحه 293-306
چکیده
دراین مقاله سیستمی مبتنی بر بازشناسی آماری الگو جهت تفکیک سیگنالهای حاوی P300 و فاقد آن، ارائه میشود. این سیستم- که بر روی دادگان P300-Speller مسابقات BCI 2005 کار میکند- از چهار بخش اصلی پیشپردازش، استخراج ویژگی، انتخاب ویژگی و طبقهبند تشکیل شده که تأکید اصلی این مقاله بر بخش استخراج ویژگی و بررسی کارایی ویژگیهای مختلف است. در مرحلة ...
بیشتر
دراین مقاله سیستمی مبتنی بر بازشناسی آماری الگو جهت تفکیک سیگنالهای حاوی P300 و فاقد آن، ارائه میشود. این سیستم- که بر روی دادگان P300-Speller مسابقات BCI 2005 کار میکند- از چهار بخش اصلی پیشپردازش، استخراج ویژگی، انتخاب ویژگی و طبقهبند تشکیل شده که تأکید اصلی این مقاله بر بخش استخراج ویژگی و بررسی کارایی ویژگیهای مختلف است. در مرحلة استخراج ویژگی، شش دسته ویژگی شامل قطعهبندی هوشمند، ضرایب موجک، الگوهای مکانی مشترک، ویژگیهای شکلی- زمانی، ویژگیهای فرکانسی و دسته ویژگی ترکیبی الگوهای مکانی مشترک و قطعهبندی، تعریف شدند که برخی از این ویژگیها (مانند ویژگیهای قطعهبندی هوشمند، الگوهای مکانی مشترک و ترکیبی) تا کنون یا مستقیماً برای آشکارسازی P300 به کار نرفته بودند و یا در موارد بسیار معدودی از آنها استفاده شده بود. سپس ویژگیها با معیارهای مختلفی به صورت تک تک و گروهی ارزیابی شدند و در نهایت ترکیبی بهینه از مجموع این ویژگیها به طبقهبند SWLDA داده شد. بدین ترتیب درصد صحت تشخیص مؤلفة P300 با این سیستم به 05/97% رسید که در قیاس با نتایج مطالعات قبلی در این حوزه، نتیجة برتری است.
زهره دهقانی بیدگلی؛ محمدحسین میرانبیگی؛ رسول ملکفر؛ احسان اله کبیر؛ طاهره خامهچیان
دوره 4، شماره 4 ، اسفند 1389، ، صفحه 307-316
چکیده
در این تحقیق به بررسی بافتهای سرطانی چندین اندام بدن با استفاده از طیفسنجی رامان لیزری پرداختهایم. در این راستا نمونههای مختلف بافتی با تشخیصهای پاتولوژیک متفاوت (سالم و سرطانی) از یک آزمایشگاه پاتولوژی به امانت گرفته و با دو سیستم طیفسنجی رامان بررسی شدند. از آنجایی که یکی از اهداف این مطالعه مستقل ساختن تشخیص از نوع سیستم ...
بیشتر
در این تحقیق به بررسی بافتهای سرطانی چندین اندام بدن با استفاده از طیفسنجی رامان لیزری پرداختهایم. در این راستا نمونههای مختلف بافتی با تشخیصهای پاتولوژیک متفاوت (سالم و سرطانی) از یک آزمایشگاه پاتولوژی به امانت گرفته و با دو سیستم طیفسنجی رامان بررسی شدند. از آنجایی که یکی از اهداف این مطالعه مستقل ساختن تشخیص از نوع سیستم طیفسنجی است؛ الگوریتمهایی برای حذف تفاوتهای سیستمیک در طیفهای بدست آمده از دو سیستم، ارائه شده است. پس از آن نوفه و فلورسانس موجود در طیف ها با موجک جدیدی که LWT آنرا ایجاد کرد، حذف و با چند طبقهبند مختلف، طبقهبندی شد. بهترین نتیجه حاکی از تمایز 83% بین نمونة سالم و سرطانی با استفاده از طبقهبند SVM است.
پردازش سیگنالهای حیاتی
فریده ابراهیمی؛ محمد میکائیلی
دوره 4، شماره 2 ، شهریور 1389، ، صفحه 97-108
چکیده
سیگنالهای زیستی مختلف شامل EEG، EOGو EMGبه منظور تشخیص اختلالات خواب در آزمایشگاههای خواب ثبت میشوند. تحلیل اطلاعات ثبت شده در زمان خواب بهوسیله متخصص خواب، به صورت شهودی انجام میشود. طبقهبندی شهودی مراحل خواب به دلیل طولانی بودن ثبتها، کار زمانبر و خسته کنندهای است. تحلیل خودکار خواب میتواند این امر را تسهیل کند. مهمترین ...
بیشتر
سیگنالهای زیستی مختلف شامل EEG، EOGو EMGبه منظور تشخیص اختلالات خواب در آزمایشگاههای خواب ثبت میشوند. تحلیل اطلاعات ثبت شده در زمان خواب بهوسیله متخصص خواب، به صورت شهودی انجام میشود. طبقهبندی شهودی مراحل خواب به دلیل طولانی بودن ثبتها، کار زمانبر و خسته کنندهای است. تحلیل خودکار خواب میتواند این امر را تسهیل کند. مهمترین گام برای طبقهبندی خودکار مراحل خواب، استخراج ویژگیهای مناسب است. در این تحقیق دو دسته ویژگی از سیگنال EEGاستخراج شدند: دسته اول ویژگیهایی هستند که از روی ضرایب تبدیل بستههای موجک (WPT) محاسبه شدهاند و دسته دوم شامل تعدادی از ویژگیهای فرکانسی و یک ویژگی زمانی یعنی دامنه سیگنال EEGهستند. در ادامه این دو مجموعه از ویژگیها به طور مجزا بهوسیله شبکههای عصبی SOMبه فضای دوبعدی نگاشته شدند. نگاشت بهدست آمده نشان داد که این ویژگیها در جدا کردن خودکار مراحل خواب بسیار مفیدند. اطلاعات استخراج شده از EEGبیداری و خواب عمیق به دو ناحیه کاملاً مجزا نگاشته شدند. این نگاشت همچنین نشان داد که سیگنالEEGبهتنهایی برای جدا کردن کامل مراحل خواب کافی نیست زیرا وقتی اطلاعات مستخرج از سیگنال EEGدر خواب REMو مرحله 1 از خواب NREMبه ناحیه یکسان نگاشت شدند، اطلاعات استخراج شده از سیگنال EEGدر مرحله 2 خواب با سایر مراحل همپوشانی دارد که این نتایج منطبق با تعاریف فیزیولوژی مراحل خواب است.