پردازش سیگنالهای حیاتی
فائزه دانشمند بهمن؛ عاتکه گشوارپور
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 115-131
چکیده
اختلالات اضطرابی از شایعترین و ناتوانکنندهترین اختلالات روانی در سراسر جهان به شمار میآیند. از طرف دیگر از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانی که علائم کافی و شدید باشد) با استفاده از پرسشنامه و توسط افراد متخصص تشخیص داده میشود. برای رفع این کاستی، ...
بیشتر
اختلالات اضطرابی از شایعترین و ناتوانکنندهترین اختلالات روانی در سراسر جهان به شمار میآیند. از طرف دیگر از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانی که علائم کافی و شدید باشد) با استفاده از پرسشنامه و توسط افراد متخصص تشخیص داده میشود. برای رفع این کاستی، اخیرا توجه محققان به استفاده از سیگنالهای مغزی جلب شده است. به همین منظور مطالعهی حاضر با هدف تشخیص اضطراب با استفاده از سیگنال مغزی انجام شده است. نوآوری این مطالعه استفاده از نقشهی آشوبگون چبیشف برای اولین بار در تحلیل سیگنالهای بیولوژیکی است. در این مطالعه از پایگاه دادهی DASPS استفاده شده که شامل الکتروانسفالوگرام 14 کاناله از 23 نفر (10 مرد و 13 زن با میانگین سنی 30 سال) است. از نمرات آزمون خودارزیابی آدمک برای تقسیم اضطراب به دو و چهار سطح استفاده شده است. ابتدا دادهها نرمالسازی شده و سپس نقشهی آشوبگون بازسازی و به 128 نوار تقسیم شده است. چگالی نقاط در هر یک از نوارها محاسبه شده است. دو شاخص حداکثر چگالی و نمونهی مربوط به آن به عنوان ویژگی در نظر گرفته شده است. در نهایت ویژگیها به 5 روش شامل ویژگی 1 تمام کانالها، نگاشت ویژگی 1 تمام کانالها با استفاده از تجزیه و تحلیل اجزای اصلی (PCA)، ویژگی 2 تمام کانالها، نگاشت ویژگی 2 تمام کانالها با استفاده از PCA و هر ویژگی-هر کانال به طور جداگانه به دو طبقهبند ماشین بردار پشتیبان (SVM) و K-نزدیکترین همسایه (K-NN) اعمال شده است. نتایج حاکی از حداکثر صحت 75/93% برای تشخیص دو سطح اضطراب و 15/96% برای تشخیص چهار سطح اضطراب است. علاوه بر این، عملکرد K-NN از SVM بهتر بوده است. در نتیجه میتوان الگوریتم پیشنهادی را به عنوان یک رویکرد مناسب برای تشخیص اضطراب معرفی کرد.
پردازش سیگنالهای حیاتی
محمدداود خلیلی؛ وحید ابوطالبی؛ حمید سعیدی سورک
دوره 16، شماره 1 ، اردیبهشت 1401، ، صفحه 75-94
چکیده
مغز انسان جزو شبکههای پیچیده و ناهمگن محسوب میشود و سیگنالهای مغز حاوی اطلاعات زیادی هستند، از این رو محققان این حوزه همواره در صدد یافتن راه حلهایی مناسب برای انتخاب ویژگیهای معنادار و کاهش بعد مناسب این اطلاعات بوده تا به طبقهبندی بهتری دست یابند. دو مورد از ابزارهای نوین برای پردازش سیگنالهای مغزی، پردازش سیگنال روی ...
بیشتر
مغز انسان جزو شبکههای پیچیده و ناهمگن محسوب میشود و سیگنالهای مغز حاوی اطلاعات زیادی هستند، از این رو محققان این حوزه همواره در صدد یافتن راه حلهایی مناسب برای انتخاب ویژگیهای معنادار و کاهش بعد مناسب این اطلاعات بوده تا به طبقهبندی بهتری دست یابند. دو مورد از ابزارهای نوین برای پردازش سیگنالهای مغزی، پردازش سیگنال روی گراف (GSP) و روشهای فراابتکاری و تکاملی هستند. در روش پیشنهادی این مقاله، دو ساختار هندسی و ترکیبی برای گراف مغز در نظر گرفته شده که در ساختار ترکیبی، وزن یالها، ترکیب وزندار دو معیار فاصلهی هندسی و همبستگی است. به منظور کاهش بعد گرافی، از معیار درجهی وزندار و ترکیب روش کاهش کرون با تبدیل فوریه روی گراف (KG) استفاده شده است تا به نحو مناسبی اطلاعات تمام راسهای گراف در رئوس منتخب حفظ شود. استخراج ویژگی توسط تخمین لدویت-وولف و روش نگاشت فضای مماسی انجام شده و برای کاهش بعد ویژگیهای مستخرج، از روش تحلیل مولفههای اصلی (PCA) و انتخاب ویژگی بر اساس تکامل تفاضلی (DE) استفاده شده است. ویژگیهای منتخب به چندین طبقهبند معروف حوزهی یادگیری ماشین داده شده است. برای ارزیابی عملکرد روش پیشنهادی از دادگان IV-a مسابقات BCI-III بهره گرفته شده است. نتایج نشان میدهد که میانگین صحت طبقهبندی روش پیشنهادی KG-PCA با طبقهبندهای ماشین بردار پشتیبان با تابع پایهی شعاعی (SVM-RBF) و درخت تصمیم (DT) در گراف ساختاری و گراف ساختاری-عملکردی نسبت به روش TSM-GFT در مطالعات پیشین بالاتر بوده و طبقهبند DT به میانگین درصد صحت 17/1±15/91 دست یافته است. همچنین طبق نتایج به دست آمده، عملکرد روش پیشنهادی KG-DE در مقایسه با KG-PCA نیز بهتر بوده و در بهترین حالت، متوسط درصد صحت طبقهبند SVM-RBF برابر با 27/1±50/95 به دست آمده است.
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.
مهندسی عصبی عضلانی
حسام مرادخانی؛ وحید شالچیان
دوره 10، شماره 4 ، دی 1395، ، صفحه 325-337
چکیده
هجیکنندة P300، یکی از رایجترین واسطهای مغز-کامپیوتر مبتنیبر ثبت الکتروانسفالوگرام است که تواناییهای ارتباطی سادهای را برای افراد دچار عارضههای شدید گفتاری یا حرکتی فراهم میکند، تا قادر باشند بهتر با محیط اطراف خود ارتباط برقرار کنند. استفاده از الگوی صفحة شطرنجی معرفیشده توسط Townsend و همکارانش [1]، بهجای الگوی سطری-ستونی، ...
بیشتر
هجیکنندة P300، یکی از رایجترین واسطهای مغز-کامپیوتر مبتنیبر ثبت الکتروانسفالوگرام است که تواناییهای ارتباطی سادهای را برای افراد دچار عارضههای شدید گفتاری یا حرکتی فراهم میکند، تا قادر باشند بهتر با محیط اطراف خود ارتباط برقرار کنند. استفاده از الگوی صفحة شطرنجی معرفیشده توسط Townsend و همکارانش [1]، بهجای الگوی سطری-ستونی، یکی از موفقترین الگوهای تحریک ارائهشده در مطالعات قبلی برای افزایش دقت هجیکننده بوده است. هدف روش پیشنهادی این مطالعه، که با عنوان الگوی شطرنجی با تحریک شکلک-تصویری نامگذاری شده است، بررسی اثر جایگزینی تحریک شکلک-تصویری در الگوی صفحة شطرنجی و مقایسة کارآیی آن با تحریک چشمک زدن کاراکترها است. در این مطالعه، چشمک زدن کاراکترها در الگوی شطرنجی را با نمایش یک شکلک-تصویری بهجای کاراکترها جایگزین کردیم. برای ارزیابی و مقایسة کارایی الگوی پیشنهادی با الگوی شطرنجی، برای هریک از دو الگو، هجیکننده روی دادههای ثبتشده از ده فرد سالم در فاز برون خط، تعلیم داده شد و دقت هجیکننده در فاز برخط محاسبه شد. ارزیابی آزمون برخط نشان داد، میانگین دقت طبقهبندی هجیکننده با استفاده از الگوی پیشنهادی این مطالعه نسبت به الگوی شطرنجی، 14% بهبود یافته است. یافتههای این مطالعه نشان میدهد که تحریک ناشی از نمایش شکلک-تصویری بهجای چشمک زدن کاراکترها، نقش مؤثری در افزایش دقت طبقهبندی هجیکننده داشته است.
پردازش سیگنالهای حیاتی
مهدی ذوالفقارزاده کرمانی؛ محمد علی خلیل زاده؛ مجید قشونی؛ پیمان هاشمیان
دوره 9، شماره 3 ، آذر 1394، ، صفحه 243-251
چکیده
ارزیابی و اندازهگیری پارامترهای مرتبط با ولع مصرف مت آمفتامین میتواند ابزاری ارزشمند در برنامههای درمانی و مداخلهای برای سوءمصرف کنندگان بهشمار آید. باور ما بر این است که کمّیسازی سیگنال الکتروانسفالوگرام (EEG) میتواند انقلابی را در شناخت زیرساختهای عصبی مرتبط با پردازش ولع مصرف به ارمغان آورد. بنابراین ...
بیشتر
ارزیابی و اندازهگیری پارامترهای مرتبط با ولع مصرف مت آمفتامین میتواند ابزاری ارزشمند در برنامههای درمانی و مداخلهای برای سوءمصرف کنندگان بهشمار آید. باور ما بر این است که کمّیسازی سیگنال الکتروانسفالوگرام (EEG) میتواند انقلابی را در شناخت زیرساختهای عصبی مرتبط با پردازش ولع مصرف به ارمغان آورد. بنابراین هدف این مطالعه، طراحی و ارائة روشی جدید برای سنجش ولع مصرف در بیماران وابسته (یا معتاد) به متآمفتامین با استفاده از سیگنال الکتروانسفالوگرام (EEG) در روند نوروفیدبک برای تفکیک میان سه حالتِ میل به مصرف خفیف، متوسط و شدید است. برای اجرای این مطالعه، 10 سوءمصرف کنندة متآمفتامین انتخاب شدند که در مرکز اجتماع درمان مدار در شهر مشهد نگهداری میشدند و تحت درمان نوروفیدبک توسط یک روانپزشک قرار داشتند. تمام بیماران در 10 جلسه درمان نوروفیدبک با پروتکل آلفا- تتا حضور داشتند. در طول دورة درمان بانوروفیدبک، قبل و بعد از هر جلسة آموزش، EEG ثبت شد. برای برچسب زدن سیگنالهای مغزی از پرسشنامة سنجش ولع مصرف متآمفتامین DDQ استفاده شد. ویژگیهای زمانی، فرکانسی و آشوبگونة سیگنال EEG استخراج شد و با استفاده از تحلیل همبستگی، ویژگیهای بهینه و تأثیرگذار انتخاب شده و به طبقهبندی کنندة فازی داده شد. صحّت تفکیک مبتنیبر ویژگیهای منتخب برای دادة آموزش 96.67% و برای دادة آزمایش 75.15% بهدست آمده است. از مزایای قابل توجه روش ابداعی این تحقیق، علاوه بر تخمین ولع مصرف پایه در سوءمصرف کنندگان مت آمفتامین با استفاده از کمیسازی سیگنالEEG، میتوان به بهینهسازی تعداد جلسات آموزش برای شرکتکنندگان در فرآیند درمانی نوروفیدبک اشاره کرد.
پردازش سیگنالهای حیاتی
صالح لشکری؛ محمد علی خلیل زاده؛ سید محمدرضا هاشمی گلپایگانی
دوره 9، شماره 1 ، فروردین 1394، ، صفحه 59-69
چکیده
استفاده از روشهای مبتنی بر دینامیک پویای غیرخطی مانند قطع پوانکاره، در آشکارسازی دینامیک سامانههای زیستی مفید است. انتخاب صفحهی قطع مناسب، مرحلهای تعیینکننده در تحلیل دادهها است. اغلب پیدا کردن محل مناسب برای صفحه قطع به تنظیم پارامترهای مختلفی نیازمند است. اگر هندسهی صفحه پوانکاره اطلاعات وابسته به قبض و بسط پدیده ...
بیشتر
استفاده از روشهای مبتنی بر دینامیک پویای غیرخطی مانند قطع پوانکاره، در آشکارسازی دینامیک سامانههای زیستی مفید است. انتخاب صفحهی قطع مناسب، مرحلهای تعیینکننده در تحلیل دادهها است. اغلب پیدا کردن محل مناسب برای صفحه قطع به تنظیم پارامترهای مختلفی نیازمند است. اگر هندسهی صفحه پوانکاره اطلاعات وابسته به قبض و بسط پدیده را برداشت کند، حالتهای سیستم بهتر تفکیک میشوند. ازاینرو در این مطالعه به بررسی تأثیر درجهی صفحه و محل مقطع در تشخیص حمله صرعی از وضعیت طبیعی پرداخته میشود تا درنهایت معادلهی مقطع بهینه که به حداقل شدن خطای طبقهبندی منجر میشود، تعیین گردد. پس از بازسازی فضای فاز قطعههای EEG در سه بعد، برای400 حالت مختلف درجه مقطع، قطع بر رویدادها انجام شد. سپس ویژگیهای استخراجشده از مقطع پوانکاره به دستهبندی کنندهی SVM اعمال گردید. در ادامه برای شناسایی رفتار طبقهبندی کننده، همبستگی میان درجهی مقطع و صحت تفکیک سنجیدهشد. خروجی دستهبندی کننده با افزایش درجهی صفحه رفتار مشخصی از خود بروز میدهد. بهاینترتیب که با بالا بردن درجه صفحه در دو راستای مقطع، الگوی افزایشی و سپس کاهشی مشاهده شد. براساس نتایج حاصل، صحت تفکیک معادلهی مقطع بهینه برای m=12 و n=6 برابر با 96.6 درصد است.