پردازش سیگنالهای حیاتی
رامتین زرگری مرندی؛ سید حجت سبزپوشان
دوره 6، شماره 4 ، اسفند 1391، ، صفحه 279-285
چکیده
پژوهشهای اخیر در زمینة رایانش نافذ منجر به بهرهگیری از روشهای جدید برای شناسایی فعالیت انسان شده است. یکی از این روشها، الکترواکولوگرافی است که به کمک آن میتوان حرکات چشم را ثبت و با تحلیل الگوهای آن، فعالیتهایی مانند خواندن را شناسایی کرد. الگوی حرکتی خواندن با پردازش سیگنالهای الکترواکولوگرام (EOG) کانال افقی قابل شناسایی ...
بیشتر
پژوهشهای اخیر در زمینة رایانش نافذ منجر به بهرهگیری از روشهای جدید برای شناسایی فعالیت انسان شده است. یکی از این روشها، الکترواکولوگرافی است که به کمک آن میتوان حرکات چشم را ثبت و با تحلیل الگوهای آن، فعالیتهایی مانند خواندن را شناسایی کرد. الگوی حرکتی خواندن با پردازش سیگنالهای الکترواکولوگرام (EOG) کانال افقی قابل شناسایی است؛ بنابراین در این پژوهش فقط از سیگنالهای EOGکانال افقی به جای هر دو کانال افقی و عمودی استفاده شد. با وجود کاهش تعداد کانالها و با بکارگیری الگوریتمی مبتنی بر تطبیق رشتة زمان-پویا (DTW) و استخراج الگوی مرجع خواندن به کمک تبدیل موجک و کدگذاری سیگنال EOG، کارایی دستهبندی دادههای مربوط به خواندن و نخواندن افزایش یافت. نتایج نشان داد که در کنار انحراف معیار کم نرخ شناسایی، بیشترین نرخ شناسایی 4% و میانگین بازخوانی 7% افزایش داشتند که نشاندهندة قابلیت اطمینان بیشتر الگوریتم به شرایط و افراد مختلف در مقایسه با الگوریتمهای پیشین است.
پردازش سیگنالهای حیاتی
ادیب کیخسروی؛ ادموند زاهدی
دوره 6، شماره 4 ، اسفند 1391، ، صفحه 307-317
چکیده
فوتوپلتیسموگرام (PPG) یکی از کمهزینهترین سیگنالها است که همواره مورد توجه محققان به منظور استخراج پارامترهای سیستم قلبی-عروقی مانند میزان اتساع شریانی در پی تحریک بوده است. در اکثر موارد PPGاز نوک انگشت ثبت میشود که تحت تأثیر سیستم خودتنظیم عروقی است، به طوری که موجب میشود نتایج حاصل با نتایج روشهای استاندارد مانند سونوگرافی ...
بیشتر
فوتوپلتیسموگرام (PPG) یکی از کمهزینهترین سیگنالها است که همواره مورد توجه محققان به منظور استخراج پارامترهای سیستم قلبی-عروقی مانند میزان اتساع شریانی در پی تحریک بوده است. در اکثر موارد PPGاز نوک انگشت ثبت میشود که تحت تأثیر سیستم خودتنظیم عروقی است، به طوری که موجب میشود نتایج حاصل با نتایج روشهای استاندارد مانند سونوگرافی همبستگی زیادی نداشته باشد. با توجه به اینکه شریانهای هدایتی فاقد سیستم خود تنظیمی هستند، در این تحقیق میزان همبستگی خطی PPGشریان رادیال بانوک انگشت بررسی شد. برای این منظور، با کمک آرایهای از فوتودیودها و یک LEDبا طول موج 960 نانومتر، یک پروب ثبتPPGاز شریان رادیال در مچ دست طراحی و ساخته شد. این طراحی بر پایه شبیهسازی برخورد نور و بافت به روش مونتکارلو انجام شد. سپس PPGمچی از شریان رادیال و PPGانگشتی از انگشت اشاره در شرایط تنفس طبیعی و تنفس عمیق ثبت شدند. در آزمایش اول (تنفس طبیعی) سیگنالها از 9 نفر اخذ شدند، که ضریب همبستگی بین PPGمچی و انگشتی برای سیگنال خام (AC+DC) برابر ٪1/12 ± ٪5/62، قسمت ACبرابر ٪9/6 ± ٪2/91، و قسمت DCبرابر ٪4/13± ٪61 به دست آمد. در آزمایش دوم (تنفس عمیق)، سیگنالها از 6 نفر ثبت شدند که ضریب همبستگی برای سیگنال خام ٪9/5 ± ٪7/89 ، قسمت ACبرابر ٪3/3 ± ٪7/93، و قسمت DCبرابر ٪9/5 ± ٪9/89 به دست آمد. این نتایج نشان میدهد که در شرایط تنفس طبیعی، فقط قسمتهای ACسیگنالها همبستگی خطی زیادی دارند؛ اما هنگامی که تنفس عمیق غالب میشود، هر دو قسمت ACو DCهمبستگی زیادی پیدا میکنند.
پردازش سیگنالهای حیاتی
راحله محمدی؛ علی محلوجیفر
دوره 6، شماره 2 ، شهریور 1391، ، صفحه 141-152
چکیده
سیستمهای BCIکاربرفرما در مقایسه با سیستمهای BCIسنکرون، ارتباط طبیعیتر کاربر را با فضای خارج امکانپذیر میکنند. آشکارسازی بازههای وقوع حرکت در سیگنال پیوسته EEGمسألهای کلیدی در طراحی سیستمهای BCI کاربرفرما مبتنی بر حرکت است. در این مقاله با استفاده از ویژگی بعد فرکتالی در باندفرکانسی 6 تا 36 هرتز و طراحی طبقهبند مبتنی بر ...
بیشتر
سیستمهای BCIکاربرفرما در مقایسه با سیستمهای BCIسنکرون، ارتباط طبیعیتر کاربر را با فضای خارج امکانپذیر میکنند. آشکارسازی بازههای وقوع حرکت در سیگنال پیوسته EEGمسألهای کلیدی در طراحی سیستمهای BCI کاربرفرما مبتنی بر حرکت است. در این مقاله با استفاده از ویژگی بعد فرکتالی در باندفرکانسی 6 تا 36 هرتز و طراحی طبقهبند مبتنی بر نمایش تنک سیگنال، پدیده نورولوژیک همزمانی وابسته به رخداد (ERS)- که بلافاصله پس از وقوع حرکت پا در سیگنال EEGاتفاق میافتد- با دقت قابل قبولی از سیگنال پسزمینه تشخیص داده شد. روش پیشنهادی این مقاله، بر سیگنال EEGتک کانال ثبت شده از 7 کاربر حین انجام حرکت پا اعمال شد و متوسط=90% TPRavr و FPRavr=5%برای همه افراد بدست آمد.
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
رضا سلیمانی؛ سید مجتبی روحانی
دوره 5، شماره 2 ، شهریور 1390، ، صفحه 89-103
چکیده
در این مقاله یک الگوریتم جدید ومؤثر جهت طبقهبندی آریتمیهای مهم قلبی با استفاده از سیگنال تغییرات ضربان قلب HRV که دارای مشخصههای آشوبگونه بهتری نسبت به ECG ست پیشنهاد شده است. در مرحله استخراج ویژگی، علاوه بر ویژگیهای متداول خطی زمانی و فرکانسی، ویژگیهای غیرخطی (آشوبگون) نیز بررسی شدهاند. برای تسهیل در تعلیم و افزایش دقت طبقهبندیکننده، ...
بیشتر
در این مقاله یک الگوریتم جدید ومؤثر جهت طبقهبندی آریتمیهای مهم قلبی با استفاده از سیگنال تغییرات ضربان قلب HRV که دارای مشخصههای آشوبگونه بهتری نسبت به ECG ست پیشنهاد شده است. در مرحله استخراج ویژگی، علاوه بر ویژگیهای متداول خطی زمانی و فرکانسی، ویژگیهای غیرخطی (آشوبگون) نیز بررسی شدهاند. برای تسهیل در تعلیم و افزایش دقت طبقهبندیکننده، از دو تکنیک استفاده شده است: الف) تعداد ویژگیهای استخراج شده توسط تکنیک آنالیز تمایزی تعمیمیافته GDA کاهش یافته است بدون آنکه این کاهش محتوای اطلاعات موجود را تقلیل دهد. ب) به کمک یک نگاشت خودسازمانده SOM برای هر گروه از دادهها، دادههایی برای تعلیم انتخاب شدهاند که بیشترین محتوای اطلاعات را در مورد آن گروه داشته باشند. بررسی نتایج نشان میدهد که ویژگیهای آشوبگونه نقش موثری در افزایش دقت سیستم تشخیص آریتمی قلبی دارد بنحوی که دقت کلی روش از حدود 92٪ به 97٪ افزایش یافته است. همچنین این نتایج موید اهمیت بکارگیری تکنیکهای GDA و SOM به نحو پیشگفته است.در مرحله طبقهبندی طبقهبندهای MLP و SVM و PNN مورد استفاده قرار گرفته و نتایج مقایسه شده است. در این مقاله7 نوع آریتمی مختلف VT, VF, LBBB, CHB, AF, AFL, PVC و نیز گروه ضربانهای طبیعی (NSR) با دقت کلی 97.4 درصد شناسایی و طبقهبندی شدهاند.
پردازش سیگنالهای حیاتی
ایثار نژادقلی؛ محمدحسن مرادی؛ فاطمه عبدالعلی
دوره 4، شماره 4 ، اسفند 1389، ، صفحه 279-292
چکیده
تاکنون از روشهای بسیاری برای طبقهبندی خودکار ضربان قلب استفاده شده است؛ اما تعداد بسیار اندکی از این روشها در طبقهبندی مستقل از بیمار کارایی مناسبی داشتهاند. در این مقاله، تئوری بازسازی فضای فاز برای طبقهبندی پنج نوع ضربان قلب (طبیعی، PVC، LBBB، RBBB و PB) در حالت مستقل از بیمار به کار رفته است. در روش اول و دوم ابتدا فضای فاز به ...
بیشتر
تاکنون از روشهای بسیاری برای طبقهبندی خودکار ضربان قلب استفاده شده است؛ اما تعداد بسیار اندکی از این روشها در طبقهبندی مستقل از بیمار کارایی مناسبی داشتهاند. در این مقاله، تئوری بازسازی فضای فاز برای طبقهبندی پنج نوع ضربان قلب (طبیعی، PVC، LBBB، RBBB و PB) در حالت مستقل از بیمار به کار رفته است. در روش اول و دوم ابتدا فضای فاز به دست آمده، مدلسازی شده و سپس با کمک طبقهبند بیزین کلاسیک، طبقهبندی انجام شده است. در روش اول مدل ترکیبی گوسین و و در روش دوم مدل بین به کار رفته است. در روش سوم، از بازسازی فضای فاز مستقیماً برای تعلیم تخمینزنندة شبکه عصبی با تأخیر زمانی استفاده شده؛ سپس طبقهبندی بر مبنای کمینه خطای پیشبینی، انجام شده است. نتایج هر سه روش در مقایسه با سایر روشهای طبقهبندی مستقل از بیمار بهبود قابل توجهی داشته است. بهترین نتایج مربوط به روش اول است که صحت طبقهبندی 5/92% در حالت مستقل از بیمار را نشان میدهد.
پردازش سیگنالهای حیاتی
محمد رشیدی؛ حمید بهنام؛ علی شیخانی؛ محمدرضا محمدی؛ مریم نوروزیان
دوره 4، شماره 3 ، آذر 1389، ، صفحه 187-194
چکیده
در این مقاله، کاربرد تحلیل مؤلفههای مستقل (ICA) برای تشخیص بیماری اوتیسم مورد بررسی قرار گرفته است. ابتدا منابع تولید کننده سیگنالهای EEGبا ICAاستخراج و سپس پردازشهای حوزه زمان و فرکانس بر این مؤلفههای سیگنالی اعمال شدند. سیگنالهای EEGاز 10 کودک مبتلا به اوتیسم و 10 کودک سالم در محدوده سنی 6-11 سال گرفته شده است. نتایج به کمک روش آماری ...
بیشتر
در این مقاله، کاربرد تحلیل مؤلفههای مستقل (ICA) برای تشخیص بیماری اوتیسم مورد بررسی قرار گرفته است. ابتدا منابع تولید کننده سیگنالهای EEGبا ICAاستخراج و سپس پردازشهای حوزه زمان و فرکانس بر این مؤلفههای سیگنالی اعمال شدند. سیگنالهای EEGاز 10 کودک مبتلا به اوتیسم و 10 کودک سالم در محدوده سنی 6-11 سال گرفته شده است. نتایج به کمک روش آماری آزمون تی با هم مقایسه شدهاند. پائینتر بودن سطح همبستگی میان منابع نیمکره چپ مغز به ویژه ناحیه مربوط به کانال 3Cدر افراد مبتلا به اوتیسم نسبت به افراد سالم مشاهده شده است. همچنین میانگین انرژی باند فرکانسی تتا در منابع نیمکره چپ مغز بهخصوص کانالهای 3Cو 3Fبرای افراد مبتلا به اوتیسم نسبت به افراد سالم پائینتر بوده و این معیار در باند فرکانسی گاما بالاتر به دست آمده است.
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.
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.
پردازش سیگنالهای حیاتی
محمدمهدی رمضانی؛ احمدرضا شرافت
دوره 4، شماره 2 ، شهریور 1389، ، صفحه 123-134
چکیده
در این مقاله با استفاده از کورنتروپی، روشی مؤثر برای دستهبندی سیگنال الکترومایوگرام سطحی به منظور کنترل پروتزهای مایوالکتریک ارائه شده است. چون سیگنال الکترومایوگرام سطحی در دامنههای پائین نیرو ماهیتی غیرگوسی دارد درحالیکه اغتشاش محیط گوسی فرض میشود، از کورنتروپی برای استخراج ویژگی از این سیگنال استفاده میکنیم؛ زیرا کورنتروپی ...
بیشتر
در این مقاله با استفاده از کورنتروپی، روشی مؤثر برای دستهبندی سیگنال الکترومایوگرام سطحی به منظور کنترل پروتزهای مایوالکتریک ارائه شده است. چون سیگنال الکترومایوگرام سطحی در دامنههای پائین نیرو ماهیتی غیرگوسی دارد درحالیکه اغتشاش محیط گوسی فرض میشود، از کورنتروپی برای استخراج ویژگی از این سیگنال استفاده میکنیم؛ زیرا کورنتروپی تنها دربرگیرنده اطلاعات مربوط به مؤلفههای غیرگوسی است و تخمین آن از نمونههای محدود بسیار ساده است. سپس با بهکارگیری ویژگیهای استخراج شده، از طبقهبندی کننده آنالیز تفکیک خطی برای دستهبندی سیگنال الکترومایوگرام سطحی استفاده میکنیم. نتایج بهدست آمده با استفاده از روش پیشنهادی این مقاله، در مقایسه با نتایج سایر روشهای پیشرفته شناسایی الگوی سیگنال الکترومایوگرام سطحی هم بهبود یافته و هم محاسبات کمتری دارد.
پردازش سیگنالهای حیاتی
سرور بهبهانی؛ علی مطیع نصرآبادی
دوره 4، شماره 1 ، خرداد 1389، ، صفحه 53-64
چکیده
تحلیل سیگنال های EEG نقش مهمی در زمینه های گسترده ای مانند بررسی داروهای روان پزشکی، مطالعه در زمینه خواب، ثبت و تشخیص صرع و تحلیل پدیده هیپنوتیزم بازی می کند. از سال ها پیش هیپنوتیزم به عنوان روشی موثر برای کمک به بیماران در زمینه های مختلف مانند کاهش اضطراب، ترک برخی عادات نادرست، کنترل درد و ... شناخته شده است. EEG حین هیپنوتیزم ...
بیشتر
تحلیل سیگنال های EEG نقش مهمی در زمینه های گسترده ای مانند بررسی داروهای روان پزشکی، مطالعه در زمینه خواب، ثبت و تشخیص صرع و تحلیل پدیده هیپنوتیزم بازی می کند. از سال ها پیش هیپنوتیزم به عنوان روشی موثر برای کمک به بیماران در زمینه های مختلف مانند کاهش اضطراب، ترک برخی عادات نادرست، کنترل درد و ... شناخته شده است. EEG حین هیپنوتیزم خالص و EEG در حالت نرمال و غیرهیپنوتیزم کاملا با یکدیگر تفاوت دارند. روش های مختلفی برای تحلیل سیگنال EEG وجود دارند و روش شاخص شباهت فازی یکی از روش های شناخته شده در این زمینه است. در این مقاله، ویژگی های سیگنال EEG نیم کره های چپ-راست و لوب قدامی- خلفی در حالت هیپنوتیزم (ویژگی های فرکتال، آنتروپی موجک، باندهای فرکانسی) که متعلق به سه گروه با هیپنوتیزم پذیری پائین، متوسط و بالا، بودند استخراج شده و با استفاده از روش شاخص شباهت فازی، مورد بررسی قرار گرفتند تا مشخص شود که آیا رابطه معناداری میان فعالیت این نیم کره ها در حالت هیپنوتیزم و درجه هیپنوتیزم پذیری افراد وجود دارد یا خیر. در نهایت پس از تائید وجود رابطه معنادار میان سیگنال های نواحی مختلف، با استفاده از ویژگی هایی که در مرحله قبل رابطه معناداری را نشان دادند، طبقه بندی این گروه ها انجام شد. در واقع از ویژگی هایی که در مرحله قبل پیش ایجاد تمایز میان گروه های مختلف هیپنوتیزم پذیری را نشان دادند به عنوان ویژگی های طبقه بندی کننده استفاده شد تا بر اساس آن بتوان افراد را به سه دسته با قابلیت هیپنوتیزم پذیری پائین، متوسط و بالا تقسیم کرد. بهترین نتیجه صحت طبقه بندی برابر با %94 (برای دو دسته ویژگی: 1. آنتروپی، هیگوچی، فرکانس بالا و 2. انرژی، آنتروپی) و کمترین میزان آن برابر با %87.5 (برای ویژگی های آنتروپی، هیگوچی و فرکانس پائین)، به دست آمده است.
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.
پردازش سیگنالهای حیاتی
محمدحسن مرادی؛ بهادر مکی آبادی
دوره 2، شماره 2 ، شهریور 1387، ، صفحه 141-154
چکیده
طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار ...
بیشتر
طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار متناظر با ویژگی های ورودی، قواعد جدید ایجاد و وزن آنها بر اساس الگوریتم پس انتشار خطا بهبود یافته و از الگوریتم ژنتیک برای تنظیم نهایی استفاده شده است. به دلیل تعداد درجات آزاد بالا در حرکات ناحیه زیر آرنج در مقایسه با ناحیه بالای آن، از شش جفت الکترود برای برداشت سیگنال استفاده شده است. پس از حذف اغتشاش با فیلتر، ویژگی های رایجی چون متوسط قدرمطلق سیگنال، ضرایب کپستروم و ضرایب بسته ویولت هرس شده با آنتروپی به طبقه بندی کننده اعمال شده اند برای تضمین زمان واقعی بودن مرحله تشخیص (کمتر از ms100) و ساده تر شدن طبقه بندی، با استفاده از نگاشت آنالیز مولفه های اساسی، بعد ویژگی ها از 234 به 10 کاهش یافته است. ثبت های مربوط به 6 فرد در دو حالت 6 کلاس و 9 کلاس حرکتی ارزیابی شده و با طبقه بندی کننده ماشین بردار پشتیبان مقایسه شده است. در 9 کلاس صحت متوسط 96.7% به دست آمد که نسبت به ماشین بردار پشتیبان (76%) بهبود قابل توجهی دارد.
پردازش سیگنالهای حیاتی
مسعودرضا آقابزرگی صحاف
دوره 1، شماره 4 ، اسفند 1386، ، صفحه 301-310
چکیده
استخراج الکتروکاردیوگرام جنین (FECG) از سیگنال های الکتریکی ثبت شده به وسیله الکترودهای قرار داده شده بر روی بدن مادر با توجه به اهمیتی که برای بررسی سلامت جنین دارد، از مسائل مطرح در مهندسی پزشکی و پردازش سیگنال های حیاتی است و بنابراین روش جداسازی کور منابع سیگنال که در آن لازم است یک یا چند سیگنال مطلوب صرفا از اطلاعات ترکیبات ...
بیشتر
استخراج الکتروکاردیوگرام جنین (FECG) از سیگنال های الکتریکی ثبت شده به وسیله الکترودهای قرار داده شده بر روی بدن مادر با توجه به اهمیتی که برای بررسی سلامت جنین دارد، از مسائل مطرح در مهندسی پزشکی و پردازش سیگنال های حیاتی است و بنابراین روش جداسازی کور منابع سیگنال که در آن لازم است یک یا چند سیگنال مطلوب صرفا از اطلاعات ترکیبات اندازه گیری شده آنها به وسیله چند گیرنده بدون در اختیار بودن مشخصات کانال انتقال استخراج گردد، یکی از روش های اساسی برای حل این مساله به شمار می آید. بیشتر الگوریتم های جداسازی کور منابع پیشنهاد شده برای جداسازی ECG جنین و ECG مادر بر پایه فرض استقلال این سیگنال هاست (تحلیل مولفه های مستقل). این مقاله روش جدیدی را با در نظر گرفتن فرض واقعی تر همبسته بودن سیگنال ها با یکدیگر پیشنهاد می دهد. روش موردنظر بر اساس اصل تجزیه والد به استخراج داده های مطلوب از داده های ثبت شده پرداخته و با به کارگیری الگوریتمی بر پایه آمارگان های مرتبه دوم، تخمینی از سیگنال های موردنظر را به دست می آورد. نتایج شبیه سازی بر روی سیگنال های الکتروکاردیوگرام، موثر بودن روش پیشنهادی را نشان می دهد.
پردازش سیگنالهای حیاتی
کیانوش نظر پور؛ احمدرضا شرافت؛ سید محمد فیروزآبادی
دوره 1، شماره 3 ، آذر 1386، ، صفحه 189-199
چکیده
در این مقاله یک روش کارآمد برای طبقه بندی سیگنال الکترومایوگرام سطحی را با استفاده از آمارگان مرتبه بالا ارایه می دهیم. چون تابع توزیع احتمال سیگنال الکترومایوگرام سطحی که در شرایط انقباض عضلانی ایزومتریک ثبت می گردد در بعضی موارد به توزیع گوسی بسیار نزدیک است، در بسیاری از تحقیقات گذشته این تابع توزیع گوسی فرض گردیده است. چون این ...
بیشتر
در این مقاله یک روش کارآمد برای طبقه بندی سیگنال الکترومایوگرام سطحی را با استفاده از آمارگان مرتبه بالا ارایه می دهیم. چون تابع توزیع احتمال سیگنال الکترومایوگرام سطحی که در شرایط انقباض عضلانی ایزومتریک ثبت می گردد در بعضی موارد به توزیع گوسی بسیار نزدیک است، در بسیاری از تحقیقات گذشته این تابع توزیع گوسی فرض گردیده است. چون این فرض برای دامنه های کوچک نیرو نادرست است، در این مقاله برای استخراج ویژگی، با توجه به ماهیت غیرگوسی سیگنال الکترومایوگرام، آمارگان مرتبه های دوم، سوم، و چهارم برای این سیگنال در تاخیرهای متفاوت محاسبه و از این ویژگی ها در شناسایی الگوهای چهار حرکت ابتدایی باز و بسته کردن آرنج و چرخش به سمت داخل و خارج ساعد استفاده شده اند. از روش انتخاب ترتیبی مستقیم برای کاهش تعداد ویژگی های آمارگان مرتبه بالا استفاده کرده و طبقه بندی کننده K نزدیکترین همسایه برای دسته بندی آنها به کار گرفته شد. روش پیشنهادی در برابر تغییرات آماری نویز مقاوم بوده و در مقایسه با سایر روش های موجود، نیاز به محاسبات بیشتری برای حصول به نرخ بالا برای طبقه بندی ندارد. این امر، استفاده از روش پیشنهادی را در پروتزهایی که با سیگنال الکترومایوگرام سطحی به صورت بی درنگ کنترل می شوند امکان پذیر می سازد.
پردازش سیگنالهای حیاتی
محمد رضا نوروزی؛ محمد جواد یزدان پناه
دوره 1، شماره 1 ، خرداد 1386، ، صفحه 53-62
چکیده
در این تحقیق، با استخراج خواص پدیده های آشوبگون و بررسی سه دسته سیگنال قلبی شامل سیگنال های طبیعی، تاکیکاردی بطنی و فیبریلاسیون بطنی مشاهده شد که این خواص به صورت مشخصی در سیگنال فیبریلاسیون بطنی وجود دارند. از یک شبکه عصبی پس انتشار خطا برای جدا سازی سیگنال فیبریلاسیون بطنی نسبت به دو نوع دیگر سیگنال قلبی استفاده گردید. شبکه در دو ...
بیشتر
در این تحقیق، با استخراج خواص پدیده های آشوبگون و بررسی سه دسته سیگنال قلبی شامل سیگنال های طبیعی، تاکیکاردی بطنی و فیبریلاسیون بطنی مشاهده شد که این خواص به صورت مشخصی در سیگنال فیبریلاسیون بطنی وجود دارند. از یک شبکه عصبی پس انتشار خطا برای جدا سازی سیگنال فیبریلاسیون بطنی نسبت به دو نوع دیگر سیگنال قلبی استفاده گردید. شبکه در دو حوزه زمان و فرکانس تحت آموزش قرار گرفته و نتایج نشان داد که در حالت عادی، استفاده از سیگنال های زمانی در مقایسه با طیف فرکانسی از قابلیت اعتماد بالایی برخوردار نیست. بر اساس یک ایده نو و با استفاده از تکنیک «داده های جایگزین» که در فرآیند های آشوبگون به کار می رود، بهبود چشمگیری در کارآیی شبکه در حوزه زمان به دست آمد. همچنین شبیه سازی ها نشان داد که دینامیک آشوبگون تولید کننده سیگنال فیبریلاسیون بطنی، یک دینامیک متغیر با زمان است.
پردازش سیگنالهای حیاتی
نادر جعفرنیادابانلو؛ احمد آیت الهی؛ وحید جوهریمجد؛ دزموند مک لرنون
دوره -2، شماره 1 ، تیر 1384، ، صفحه 71-80
چکیده
در سال ها اخیر توجه زیادی به تولید مصنوعی سیگنال های الکتروکاردیوگرام (ECG) به کمک یک مدل ریاضی معطوف گشته است. یکی از کاربردهای یک مدل دینامیکی که بتواند سیگنال های ECG مصنوعی تولید کند، ارزیابی آسان دستگاه های پردازش سیگنال تشخیصی ECG می باشد. به علاوه، می توان چنین مدلی را در فشرده سازی و تله مدیسن نیز به کار برد. هم چنین مناسب ...
بیشتر
در سال ها اخیر توجه زیادی به تولید مصنوعی سیگنال های الکتروکاردیوگرام (ECG) به کمک یک مدل ریاضی معطوف گشته است. یکی از کاربردهای یک مدل دینامیکی که بتواند سیگنال های ECG مصنوعی تولید کند، ارزیابی آسان دستگاه های پردازش سیگنال تشخیصی ECG می باشد. به علاوه، می توان چنین مدلی را در فشرده سازی و تله مدیسن نیز به کار برد. هم چنین مناسب است مدل از توانایی لازم برای تولید سیگنال های ECG طبیعی و غیر طبیعی برخوردار باشد. در این تحقیق با به کارگیری شبکه عصبی با توابع پایه شعاعی (RBF) در یک مدل دینامیکی غیر خطی که بر پایه مدل دینامیکی McSharry و همکاران بنا شده است، روش مناسبی برای تولید مصنوعی سیگنال های الکتروکاردیوگرام ارایه شده است. مزیت این روش جدید نسبت به روش McSharry و همکاران، در توانایی شبیه سازی طیف وسیع تری از سیگنال های فیزیولوژیکی اعم از طبیعی و غیر طبیعی نهفته است. ضمن ارایه نتایج شبیه سازی برای سیگنال ECGطبیعی و سه حالت غیر طبیعی، صحت مدل توسط تابع خطای معرفی شده مورد ارزیابی قرار گرفته است. میانگین این خطا در مدت 100 ثانیه با به کارگیری 20 نرون، کمتر از 2.5 درصد برای چهار حالت مدل شده (یک حالت طبیعی و سه حالت غیر طبیعی) به دست آمد.
پردازش سیگنالهای حیاتی
وحید ابوطالبی؛ محمدحسن مرادی؛ محمدعلی خلیلزاده
دوره -1، شماره 1 ، آبان 1383، ، صفحه 25-45
چکیده
مولفه P300 یکی از مهمترین سیگنال های الکتریکی مرتبط با فعالیت های شناختی مغز است. در این تحقیق، با استفاده از تبدیل ویولت گسسته، سیگنال های تک ثبت گرفته شده از روی سر، به مولفه های مختلف فرکانسی تجزیه گردیده و از ضرایب به دست آمده به عنوان ویژگی های مرتبط با فعالیتهای شناختی مورد مطالعه استفاده شده است. بررسی ویژگی ها ...
بیشتر
مولفه P300 یکی از مهمترین سیگنال های الکتریکی مرتبط با فعالیت های شناختی مغز است. در این تحقیق، با استفاده از تبدیل ویولت گسسته، سیگنال های تک ثبت گرفته شده از روی سر، به مولفه های مختلف فرکانسی تجزیه گردیده و از ضرایب به دست آمده به عنوان ویژگی های مرتبط با فعالیتهای شناختی مورد مطالعه استفاده شده است. بررسی ویژگی ها نشان می دهد اغلب پردازش های شناختی مورد بررسی در ویژگی های مربوط به باندهای دلتا و تتا بروز یافته اند و هر دسته شامل چند ویژگی، مربوط به یکی از زیرپردازش های درگیر در طی تولید P300 هستند. هدف از این تحقیق، به عنوان یک گام اولیه برای طراحی روشی برای دروغ سنجی با استفاده از امواج مغزی، پیاده سازی سیستمی بوده که بتواند از روی این ویژگی ها، تک ثبت های حاوی موج P300 را از تک ثبت های فاقد این موج تفکیک نماید.برای این منظور در مرحله اول با استفاده از "تحلیل تفکیکی قدم به قدم" یک تابع تفکیک بهینه به صورت ترکیب خطی نه عدد از این ویژگی ها طرح شد که قادر است با دقت حدود 75 درصد در دادگان آموزش و 71 درصد در دادگان آزمون، تک ثبت های مربوط به تحریک های هدف و غیرهدف را از یکدیگر جدا کند. بررسی های بیشتر نشان داد تنها با استفاده از سیگنال ثبت شده در کانالPz نیز می توان تقریبا به همین میزان تفکیک رسید. در مرحله بعد، برای دسته بندی داده ها از یک استراتژی یاد گیری مدولار متکی به آنالیز مولفه های اصلی و شبکه های عصبی استفاده شد. در نهایت با تعلیم این سیستم با ثبت های موجود، در بهترین وضعیت از حالات پیاده سازی شده، حداکثر دقت تفکیک حدود 76 درصد روی دادگان آموزش و حدود 72 درصد روی دادگان آزمون به دست آمد.