پردازش سیگنال‌های حیاتی
عارف عینی‌زاده؛ سپیده حاجی‌پور
دوره 14، شماره 3 ، مهر 1399، ، صفحه 221-233
چکیده
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله می‌توان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت ...
بیشتر
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله می‌توان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت یا منفی بودن و میزان برون‌فکنی یا هیجان ایجاد شده را برای یک احساس خاص مشخص می‌نمایند. اهمیت احساس با توجه به عکسالعملهای ناشی از این پدیده در انجام وظایف روزانه به خصوص در فعالیتهایی که به دقت و تمرکز نیاز دارند مشخص میشود. در مساله‌ی بازشناسی احساس ابتدا احساسات مختلف با استفاده از محرک‌های حسی مناسب برای سوژه‌های مورد بررسی ایجاد شده و سیگنال‌های مغزی متناظر با هر تحریک ثبت میشود. دو مرحله‌ی پردازش اصلی در حل مساله‌ی بازشناسی احساسات، استخراج ویژگی‌های مناسب و استفاده از طبقه‌بندها یا رگرسیون‌های مناسب است. در پژوهش‌های پیشین محرک‌های مختلف بینایی و شنوایی مورد استفاده قرار گرفته و ویژگی‌ها و طبقه‌بندهای متنوع خطی و غیرخطی بررسی شده است. هدف این مقاله بهبود الگوریتمهای رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه‌ی رگرسیون خطی استفاده می‌کند. کارایی الگوریتم ارائه شده روی داده‌های ساختگی مورد بررسی قرار گرفته و برتری آن نسبت به الگوریتمهای رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنین برای اعمال الگوریتم ارائه شده روی داده‌های EEG مربوط به بازشناسی احساسات از مجموعه‌ی دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنال‌های EEG استخراج شده است. نتایج به دست آمده از الگوریتم پیشنهادی با نتایج سایر الگوریتم‌ها مقایسه شده است که در مجموع برتری نسبی الگوریتم ارائه شده را نشان می‌دهد.
پردازش سیگنال‌های حیاتی
سمیه رئیس‌دانا؛ سمانه صفری
دوره 13، شماره 2 ، شهریور 1398، ، صفحه 117-134
چکیده
در این پژوهش، یک طرح بازاریابی عصبی توسط پردازش سیگنال‌های EEG انجام شده و در آن میزان علاقه‌مندی افراد جامعه به خرید یک کالای تزئینی نسبتا لوکس مورد ارزیابی قرار گرفته است. سیگنال‌های مغزی 24 شرکت کننده در هنگام تماشای تصاویر سنگ‌های زینتی (که بر اساس معیارها و شاخص‌های ارزیابی متداول در امور اقتصادی، دارای مزیت نسبی در صادرات است) ...
بیشتر
در این پژوهش، یک طرح بازاریابی عصبی توسط پردازش سیگنال‌های EEG انجام شده و در آن میزان علاقه‌مندی افراد جامعه به خرید یک کالای تزئینی نسبتا لوکس مورد ارزیابی قرار گرفته است. سیگنال‌های مغزی 24 شرکت کننده در هنگام تماشای تصاویر سنگ‌های زینتی (که بر اساس معیارها و شاخص‌های ارزیابی متداول در امور اقتصادی، دارای مزیت نسبی در صادرات است) ثبت و پردازش شده تا اطلاعات معناداری از فعالیت مغزی که درگیر فرایند احساسی/دوست‌داشتن و تصمیم‌گیری/انتخاب است به دست آید. سیگنال‌های ثبت شده در فاز تحریک و انتخاب، برای حذف نویزها و آرتیفکت‌ها در چند مرحله پیش‌پردازش شده‌اند. سپس برای به دست آوردن نواحی فعال مغز هنگام تماشای سنگ‌های ارزشمند، داده‌های 19-کاناله‌ی EEG توسط ابزارهای چندگانه پردازش شده است. نگاشت مغزی و آنالیز منطقه‌ای نشان می‌دهد که فعالیت نواحی اکسیپیتال>فرونتال>لیمبیک بیش از سایر نواحی مغز بوده و هم‌چنین نیم‌کره‌ی چپ بیش از نیم‌کره‌ی راست فعالیت داشته است. در فاز بعدی، ویژگی غیرخطی آنتروپی تقریبی از سیگنال‌ها استخراج شده و از آن برای آموزش شبکه‌ی عصبی-فازی استفاده شده است. شبکه‌ی نوروفازی به عنوان طبقه‌بند اتوماتیک جهت آموزش و پیش‌بینی انتخاب افراد به کار گرفته شده است. نتایج حاصل از این پردازش دارای صحت 25/86% و دقت 4/87% در کلاس‌بندی سه‌گروهه (دو گروه خوشایند و یک گروه ناخوشایند بر حسب انتخاب‌های کابران) می‌باشد. در فاز نهایی، با استفاده از اطلاعات به دست آمده از پرسش‌نامه‌ای که توسط شرکت کنندگان تکمیل شده، بعد از جلسه‌ی ثبت، آنالیز آماری ناخودآگاه و خودآگاه توسط آزمون t، آنالیز واریانس و رگرسیون انجام شده است. نتایج آزمون آماری حاکی از وجود تفاوت معناداری بین شناخت خوشانیدی و ناخوشایندی در انتخاب بین گروه خانم‌ها و آقایان و در انتخاب انواع سنگ‌ها می‌باشد. هم‌چنین با استفاده ازنتایج آزمون آماری، فرضیه‌ی عدم وجود تفاوت معنادار میان انتخاب‌های خودآگاه و ناخودآگاه، مردود شد.
پردازش سیگنال‌های حیاتی
مریم توکلی نجف آبادی؛ وحید ابوطالبی؛ فرزانه شایق بروجنی
دوره 10، شماره 1 ، اردیبهشت 1395، ، صفحه 1-10
چکیده
هدف این مقاله، ارزیابی روش ترکیبی آنالیز همبستگی کانونی- فیلتر تطبیقی حداقل مربعات بازگشتی (CCA-RLS) در حذف آرتیفکت چشمی (EOG) از سیگنال مغزی (EEG) و مقایسة آن با روش‌های آنالیز مؤلفههای مستقل (ICA)، آنالیز همبستگی کانونی(CCA)، فیلتر تطبیقی حداقل مربعات بازگشتی (RLS) و روش ترکیبی ICA-RLS است. برای این منظور، بعد از تجزیة سیگنال نویزی توسط CCA، مؤلفة ...
بیشتر
هدف این مقاله، ارزیابی روش ترکیبی آنالیز همبستگی کانونی- فیلتر تطبیقی حداقل مربعات بازگشتی (CCA-RLS) در حذف آرتیفکت چشمی (EOG) از سیگنال مغزی (EEG) و مقایسة آن با روش‌های آنالیز مؤلفههای مستقل (ICA)، آنالیز همبستگی کانونی(CCA)، فیلتر تطبیقی حداقل مربعات بازگشتی (RLS) و روش ترکیبی ICA-RLS است. برای این منظور، بعد از تجزیة سیگنال نویزی توسط CCA، مؤلفة شامل آرتیفکت EOG با محاسبة مقدار کرتوزیس شناسایی شده و با استفاده از فیلتر RLS، فیلتر شد؛ سپس با ترکیب مؤلفهها، سیگنال حذف نویزشده بازسازی شد. برای مقایسة کمّی روشها از دو معیار ارزیابی میانگین مجذور مربعات خطا (MSE) و نسبت سیگنال به نویز (SNR) برای داده‌های شبیهسازی شده استفادهشده است. متوسط مقادیر MSE وSNR برای 5 نفر در 4 کانال مختلف محاسبه شد. داده‌های استفادهشده از مجموعه داده‌های مسابقات BCI2008 انتخاب شدند. با توجه به نتایج به‌دست آمده، روش ترکیبی پیشنهادی CCA-RLS ، عملکرد بهتری نسبت به سایر روش‌های استفادهشده در این مقاله دارد.
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.
