ORIGINAL_ARTICLE
تخمین آسیب بافت با استفاده از ثابت های انتقال در تصویربرداری تشدید مغناطیسی
یکی از روش های بررسی آسیب بافت، استفاده از تصویربرداری تشدید مغناطیسی است. در این نوع تصویربرداری از اثر مغناطش مولکول های آب و ماده کنتراست استفاده می شود. تبادل آب بر منحنی های مغناطش در پلاسما و بافت و در نتیجه بر زمان طولی موثر (T1eff) اثر دارد. برای بررسی این تاثیر از مدل های چندبخشی استفاده می شود. در این مدل ها معادلات مغناطش بافت برای زمان استراحت طولی ثابت در پلاسما حل شده و تغییرات زمان استراحت طولی در بخش های فضای داخل و خارج سلولی بررسی می شود و ثابت های انتقال در بافت محاسبه می گردند. زمان استراحت طولی بافت با مقدار ماده کنتراست در بافت متناسب است. تغییرات این ماده شبیه تابع گاماست. برای بررسی اثر مغناطش لازم است این تغییرات در معادلات لحاظ شوند که باعث پیچیدگی حل آنها می شود. در این مقاله با در نظر گرفتن تغییرات ماده کنتراست در بافت و با استفاده از شبیه سازی مونت کارلو و برازش منحنی و روش های عددی هیون، رونگه-کوتا و روش آماری، منحنی تغییرات مغناطش و زمان استراحت طولی در قسمت های مختلف بافت برای مدل های دو بخشی و سه بخشی بافت مغز موش به دست آمده است. ابتدا برای ارزیابی مدل آماری بر اساس قانون بقای جرم، محاسبات به دو روش عددی و آماری انجام شده و نتایج مقایسه شده اند. نتایج مربوط به داده های حاصل از تصاویر، به روش آماری نیز به دست آمدند؛ زیرا در این حالت نیاز به برازش منحنی بر داده ها نیست و می توان از آنها به طور مستقیم استفاده کرد. با تغییر ثابت های انتقال بافت مجموعه ای از منحنی های مغناطش برحسب زمان تهیه شده و با مقایسه زمان استراحت طولی آنها با منحنی های به دست آمده از تصاویر، ثابت های انتقال بافت محاسبه شده اند. ثابت های انتقال بافت های ناسالم نسبت به بافت های سالم بزرگ تر هستند زیرا در این حالت نفوذپذیری و در نتیجه افزایش تمرکز ماده کنتراست و مغناطش در بافت بیشتر است. این ثابت های انتقال که متناسب با شدت آسیب اند می توانند در تشخیص و درمان مورد استفاده قرار گیرند.
https://www.ijbme.org/article_13372_fef8c9200a730cbcac5416a5142f9cca.pdf
2010-05-22
1
11
10.22041/ijbme.2010.13372
تصویربرداری تشدید مغناطیسی
روش عددی
روش آماری
زمان استراحت طولی موثر
مدل چند بخشی بافت
عفت
یاحقی
eyahaghi@yahoo.com
1
استادیار، گروه فیزیک، دانشگاه بینالمللی امام خمینی
LEAD_AUTHOR
یاشار
نوحی
yasharnohi@yahoo.com
2
دانشجوی کارشناسی ارشد، گروه فیزیک، دانشکده علوم پایه، دانشگاه پیام نور مشهد
AUTHOR
امیر
موافقی
amovafeghi@aeoi.org.ir
3
استادیار، پژوهشگاه علوم و فنون هسهای، پژوهشکده تحقیقات و توسعه راکتورها و شتاب دهندهها
AUTHOR
حمید
سلطانیانزاده
hszadeh@ut.ac.ir
4
استاد، قطب علمی و کنترل پردازش هوشمند، دانشکده برق و کامپیوتر، دانشگاه تهران. عضو پژوهشهای بنیادی علوم، مرکز تحقیقات نظری فیزیک و ریاضی و آزمایشگاه تجزیه و تحلیل تصویر، بخش رادیولوژی، هنری فورد، دیتریویت، آمریکا
AUTHOR
[1] Østergaard L., Weisskoff R.M., Chesler D.A., Gyldensted C., Rosen B.R., High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. I. Mathematical approach and statistical analysis, Magn Reson Med, 1996; 36: 715–725.
1
[2] Lee M. C., Cha S., Chang S. M., Nelson S. J., Dynamic susceptibility contrast perfusion imaging of radiation effects in normal-appearing brain tissue: Changes in the first-pass and recirculation phases, J Magn Reson Imaging, 2005; 21: 683–693.
2
[3] Cao Y., Brown S. L., Knight R. A., Fenstermacher J. D., Ewing J.R., Effect of intravascular-to-extravascular water exchange on the determination of blood-to-tissue transfer constant by magnetic resonance imaging, Magn. Reson. Med, 2005; 53 (2): 282 293.
3
[4] Averill M. L., Simulation modeling and analysis; Mc Graw-Hill 1991.
4
[5] Li X., Rooney W. D., and Springer Ch. S., A unified MRI pharmacokinetic theory: intravascular and extracellular contrast reagents, Magn. Reson. Med, 2005; 54 (6): 1351-1359.
5
[6] Xu H., Xie J.-X., Li X., Yang Z .H., Zheng Z.-Z., Wang B., and Wang Z.; Perfusion-Weighted MRI in evaluating the intranodular hemodynamic characteristics of dysplastic nodules and hepatocellular carcinomas in an experimental rat model, J Magn. Reson. Imaging, 2008; 59: 102–109.
6
[7] Zhao L., Sukstanskii A. L., Kroenke D.,Song J., Piwnica-Worms D., Ackerman J.J.H., Neil J.J., Intracellular Water Specific MR of Microbead- Adherent Cells: HeLa Cell Intracellular Water Diffusion, Magn. Reson. Med., 2008; 59: 79-84.
7
[8] یاحقی عفت، سلطانیان زاده حمید، شهریاری مجید، فتورائی ناصر، تخمین نفوذپذیری از روی تصاویر تشدید مغناطیسی با استفاده از شبیه سازی عبور ماده کنتراست از سد خونی-مغزی آسیب دیده، نشریه علمی و پژوهشی امیرکبیر 1384، تابستان و پاییز: 47-56.
8
[9] Yahaghi E, Soltanian-Zadeh H, Senior Member, IEEE, Shahriarei M, Fatouraei N; Leakage from blood brain barrier: Effect of injection profile on plasma and extravascular concentration, International Journal of Scientific Research (IJSR), 2006; 16: 217 221.
9
[10] Tofts P. S., Brix G., Buckley D. L., Evelhoch J. L., Henderson E., Knopp M. V., Larsson H. B. W., Lee T. Y., Mayr N. A., Parker G J M, Port R. E., Taylor J., Weisskoff R. M., Estimating kinetic parameters from dynamic contrast-enhanced T1 weighted MRI of a diffusable tracer: Standardized quantities and symbols, J. Magn. Reson. Imaging, 1999; 10: 223-232.
10
[11] Fournier R.L., Basic transport phenomena in biomedical engineering, Taylor and Francis, London, 1998.
11
[12] Strijkers G. J., Hak S., Kok M. B., Springer Jr. Ch. S., Nicolay K., A Three-compartment T1 relaxation model for intracellular paramagnetic contrast Agents, Magn. Reson. Imaging, 2009; 61: 1049–1058.
12
[13] Einstein A., Investigation on the theory of the Brownian movement; Dover, New York, 1926.
13
[14] Moran G.R. and Prato F.S., Modeling tissue contrast agent concentration: A solution to the tissue homogeneity model using a simulated arterial input function, Magn. Reson. Med, 2001; 45: 42-45.
14
[15] Zhao L., Sukstanskii A.L., Kroenke D., Song J., Piwnica-Worms D., Ackerman J.J.H., Neil J.J., Intracellular Water Specific MR of Microbead- Adherent Cells: HeLa Cell Intracellular Water Diffusion, Magn. Reson. Med, 2008; 59: 48-79.
15
[16] McCommis K. S., Zhang H., Herrero P., Gropler R.J., Zheng J., Feasibility study of myocardial perfusion and oxygenation by non-contrast MRI: comparison with PET study in a canine model, Magn. Reson. Imaging, 2008; 26: 11-19.
16
[17] مجذوبی غلامعلی، روش های عددی کاربردی در مهندسی علوم، انتشارات دانشگاه بوعلی سینا، 1384.
17
[18] Xu H., Xie J.-X., Li X., Yang Zh.-H., Zheng Zh.-Zh., Wang B., and Wang Zh., Perfusion-weighted MRI in evaluating the intranodular hemodynamic characteristics of dysplastic nodules and hepatocellular carcinomas in an experimental rat model, J Magn Reson Imaging, 2008; 27: 102-109.
18
ORIGINAL_ARTICLE
مدلسازی و تحلیل پاسخ حرارتی بدن تحت تاثیر صرف غذای سرد یا گرم
در اغلب مدل های پاسخ حرارتی بدن، مدلسازی بر اساس پارامترهای فردی و محیطی انجام می گیرد و تاثیر برخی از پارامترهای فرعی نظیر صرف غذا در این مدلسازی ها لحاظ نمی شود. این در حالیست که نتایج برخی تحقیقات نشان می دهد که صرف غذاهای سرد و گرم اثر قابل ملاحظه ای بر شرایط حرارتی بدن دارد. در این تحقیق پاسخ حرارتی بدن در شرایط گذرا تحت تاثیر صرف غذاهای سرد و گرم مدلسازی شده است. بدین منظور با افزودن ترمی به مدل ناپایای گایج سعی شده است تا پاسخ حرارتی بدن در مقابل صرف غذای سرد یا گرم در شرایط مختلف محیطی مورد بررسی قرار گیرد. این بررسی ها برای سه حالت حرارتی مختلف بدن (گرم، خنثی و سرد) در شرایط گوناگون صرف غذا انجام شده است. نتایج نشان می دهد که در بازه زمانی صرف غذا و حتی مدتی پس از آن، از اثرات غذای صرف شده بر شرایط حرارتی بدن نمی توان صرف نظر نمود. به طوری که احساس افراد در شرایط حرارتی خنثی نسبت به صرف غذاهای گرم بیشتر از غذاهای سرد متاثر می شود. صرف غذاهای گرم می تواند احساس حرارتی افراد را از حالت خنثی به حالت احساس گرما تغییر دهد. در حالی که صرف غذاهای سرد نمی تواند تغییر چشمگیری بر احساس حرارتی افراد و خروج آن از منطقه خنثی داشته باشد. همچنین معلوم شد که صرف غذای سرد دمای مرکز بدن را بیشتر تحت تاثیر قرار می دهد، در حالی که صرف غذای گرم بر دمای پوست اثر بیشتری دارد.
https://www.ijbme.org/article_13373_a1c3b8e5166c7a3d06716f1989ebc4ec.pdf
2010-05-22
13
21
10.22041/ijbme.2010.13373
پاسخ حرارتی
بدن انسان
غذای سرد/گرم
آسایش حرارتی
مدل گایج
سید علیرضا
ذوالفقاری
alireza.zolfaghari@yahoo.com
1
پژوهشگر دوره فوق دکترا، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس
AUTHOR
مهدی
معرفت
maerefat@modares.ac.ir
2
دانشیار، گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس
LEAD_AUTHOR
امیر
امیدوار
omidvar@sutech.ac.ir
3
استادیار، گروه تبدیل انرژی، دانشکده مهندسی مکانیک و هوافضا، دانشگاه صنعتی شیراز
AUTHOR
[1] Jones B.W., Capabilities and limitations of thermal models for use in thermal comfort standards, Energy and Buildings, 2002; 34: 653-659.
1
[2] Fanger P.O., Thermal comfort analysis and application in environmental engineering, USA (New York): McGraw-Hill; 1970: 19-67.
2
[3] Gagge A.P., Stolwijk J.A.J., Nishi Y., An effective temperature scale based on a simple model of human physiological regulatory response, ASHRAE Transactions, 1997; 77 (1): 247-262.
3
[4] ASHRAE; ASHRAE Fundamentals Handbook (SI); USA (Atlanta): American Society of Heating, Refrigerating, and Air conditioning Engineers Inc; 2001: 8.1-8.29.
4
[5] Höppe P.R., Heat balance modeling, Experientia, 1993; 49: 741-746.
5
[6] ذوالفقاری سید علیرضا، معرفت مهدی، امیدوار امیر؛ مدلسازی و تحلیل پاسخ حرارتی بدن انسان در برابر تابش های شدت بالا؛ شانزدهمین کنفرانس بینالمللی مهندسی مکانیک، کرمان، اردیبهشت 1387.
6
[7] ذوالفقاری سید علیرضا، معرفت مهدی؛ مدلسازی و تحلیل ناپایای پاسخ حرارتی بدن انسان در هنگام خواب؛ هفدهمین کنفرانس بینالمللی مهندسی مکانیک، دانشگاه تهران، اردیبهشت 1388.
7
[8] ذوالفقاری سید علیرضا، معرفت مهدی؛ ارائه مدلی جدید به منظور ارزیابی احساس حرارتی افراد در هنگام خواب؛ هفدهمین کنفرانس بینالمللی مهندسی مکانیک، دانشگاه تهران، اردیبهشت 1388.
8
[9] Zolfaghari A., Maerefat M., A new simplified model for evaluating non-uniform thermal sensation caused by wearing clothing, Building and Environment, 2010; 45: 776-783.
9
[10] Imre L., Bitai A., Horvath C.D., Banhidi L., Pammer Z., Thermal analysis of human body clothing environment system, International Journal for Numerical Methods in Engineering, 1988; 25: 357- 371.
10
[11] Stolwijk J.A.J., A mathematical model of physiological temperature regulation in man, USA (Washington, DC): National Aeronautics and Space Administration, 1971; NASA contractor report, NASA CR-1855).
11
[12] Yigit A., Combining thermal comfort models, ASHRAE Transaction, 1999; 105 (1):149-158.
12
[13] Kaynakli O., Unver U., Kilic M., Evaluating thermal environments for sitting and standing posture, International Communications in Heat and Mass Transfer, 2003; 30 (8): 1179-1188.
13
[14] Kaynakli O., Kilic M., Investigation of indoor thermal comfort under transient conditions, Building and Environment, 2005; 40:165-174.
14
[15] Stolwijk J.A.J., Hardy J.D., Temperature regulation in man-a theoretical study, Gesamate Physiology, 1966; 291: 129-162.
15
[16] Huizenga C., Zhang H., Arens E., A model of human physiology and comfort for assessing complex thermal environments, Building and Environment, 2001; 36: 691-699.
16
[17] Gordon R.G., Roemer R.B., Horvath S.M., A mathematical model of the human temperature regulatory system-transient cold exposure response, IEEE Transactions on Biomedical Engineering, 1976; 23 (6): 434-444.
17
[18] Ferreira M.S., Yanagihara J.I., A transient three dimensional heat transfer model of the human body, International Communications in Heat and Mass Transfer, 2009; 36 (7): 718-724.
18
[19] Stolwijk J.A.J, Hardy J.D., Partitional calorimetric studies of responses of man to thermal transients, Journal of Applied Physiology, 1966; 21(3): 967-977.
19
ORIGINAL_ARTICLE
مدلسازی رفتار کانال های کلسیمی سلول های CA1 ناحیه هیپوکامپ در هنگام تنش روانی
محرک های تنش زا اثرات متفاوتی بر سلامتی، تصمیم گیری، خلاقیت، حافظه و یادگیری دارند. شناخت حالات روانی انسان نظیر تنش روانی، می تواند در جلوگیری از اثرات طولانی مدت آن بر جسم و روان موثر باشد. این مطالعه با هدف ارزیابی نقش سلول های عصبی هرمی CA1 هیپوکامپ مغز در هنگام تنش روانی انجام شده است. در این تحقیق با کمک نقشه شناختی مغز در حالت تنش روانی، نحوه اثرگذاری دو سیستم عصبی و هورمونی در بدن بررسی شده است؛ سپس با کمک معادلات الکتروفیزیولوژیکی به شبیه سازی رفتار کانال های کلسیمی سلول CA1 در نرم افزار نرون پرداخته شده است. از نتایج می توان دریافت در هنگام تنش، هورمون های گلوکوکورتیکوئید ترشح شده از قشر غده فوق کلیه خود را از طریق جریان خون به هیپوکامپ رسانده و با فعال کردن گیرنده های گلوکوکورتیکوئیدی، دینامیک کانال های کلسیمی خصوصا نوع L را تحت تاثیر قرار داده و ورود کلسیم را به داخل سلول های CA1 افزایش می دهند. این رفتار گواهی بر کاهش نرخ خروج کلسیم داخل تنه سلولی است که به کاهش نمایی نرخ آتش سلول، کاهش تعداد خیزک ها و افزایش در دامنه جریان sAHP منجر می شود. جریان های کلسیمی نوع L ناحیه هیپوکامپ، از سازوکار های موثر در هنگام تنش به شمار آمده و با مقایسه نتایج تحقیق در دو حالت سلول تحت کنترل و تنش، مشاهده می شود مدل توانسته با برخی از مشاهدات پایه ای تنش، همخوانی داشته باشد.
https://www.ijbme.org/article_13374_ce28ae784e675221dcaaf26fe3a2d047.pdf
2010-05-22
23
31
10.22041/ijbme.2010.13374
تنش روانی
سلول های عصبی هرمی
کانال های کلسیمی
گیرنده های گلوکوکورتیکوئیدی
هیپوکامپ
نرم افزار نرون
سید عابد
حسینی
hosseini.s.ir@ieee.org
1
مربی، گروه برق، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد شاهرود
LEAD_AUTHOR
محمدعلی
خلیلزاده
makhalilzadeh@mshdiau.ac.ir
2
استادیار، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی واحد مشهد
AUTHOR
سید مهران
همام
mehrhomam@gmail.com
3
استادیار، دانشکده پزشکی، دانشگاه آزاد اسلامی واحد مشهد
AUTHOR
[1] Ismail A., Yao A., Yeop-Yunus N.K., Relationship between Occupational Stress and Job Satisfaction: An Empirical Study in Malaysia, The Romanian Economic Journal, 2009; 34 (4): 3-29.
1
[2] حسینی سید عابد، کمی سازی سیگنال های مغزی EEG به منظور ارزیابی سطح استرس روانی، پایان نامه کارشناسی ارشد مهندسی پزشکی بیوالکتریک، دانشگاه آزاد اسلامی، واحد مشهد، آبان 1388.
2
[3] Sidiropouloua K., Joelsb M., Poirazi P., Modeling stress-induced adaptations in Ca2+ dynamics, Neurocomputing, 2007; 70: 1640–1644.
3
[4] Joëls M., Functional actions of corticosteroids in the hippocampus, Review, European Journal of Pharmacology, 2008; 583: 312–321.
4
[5] Liebmann L., Karst H., Sidiropoulou K., Van-Gemert N, Meijer O.C., Poirazi P, Joëls M., Differential Effects of Corticosterone on the Slow Afterhyperpolarization in the Basolateral Amygdala and CA1 Region: Possible Role of Calcium Channel Subunits, Journal of Neurophysiol, 2008; 99: 958–68.
5
[6] Wu W.W., Oh M.M., Disterhoft J.F., Age-related biophysical alterations of hippocampal pyramidal neurons: implications for learning and memory, Ageing Research Reviews, 2002: 181–207.
6
[7] Kim J., Diamond D.M. The stressed hippocampus, synaptic plasticity and lost memories. Nature Reviews, Neuroscience, 2002; 3: 453-62.
7
[8] Hosseini S.A., Khalizadeh M.A., Homam S.M., Azarnoosh M., A Cognitive and Computational Model of Brain Activity during Emotional Stress, Journal of Advances in Cognitive Science, 2010; 12 (46): 1-14.
8
[9] Hafez B., Hafez E.S.E., Stress/Aging: Endocrine Profiles/Reproductive Dysfunction in Men, Archives of Andrology, 2004: 207–238.
9
[10] Shier D., Butler J., Lewis R., Hole’s Essenntials of Human Anatomy and Physiology, McGraw-Hill, 7th_ Edition, 2000.
10
[11] Carey J., Brain Facts, A Primer on the Brain and Nervous System, Society for Neuroscience, USA, 2006.
11
[12] Kloet E.R., Karst H., Joëls M., Corticostroid hormones in the central stress response: Quick-and-slow, Review paper, Neuroendocrinology, 2008; 29: 268-272.
12
[13] گراهام رابرت. بی، روانشناسی فیزیولوژیک، ترجمه: علیرضا رجایی، علی اکبر صارمی، انتشارات آستان قدس رضوی، چاپ سوم، 1384، 395-396.
13
[14] یرنان جان. کی، سیستم عصبی انسان، ترجمه: سکینه غفاریان، علیرضا فاضل، انتشارات جهاد دانشگاهی مشهد، چاپ اول، 1385، 418-421.
14
[15] Kandel E.R., Schwartz J.H., Jessel T.M., Principles of Neural Science, McGraw Hill, 4th Edition, 2000: 232- 233.
15
[16] Welling A., Voltage-Dependent Calcium Channels, Biotrend Reviews, 2009; 4: 1-12.
16
[17] Markaki M., Orphanoudakis S., Poirazi P., Modelling reduced excitability in aged CA1 neurons as a calcium dependent process, Neurocomputing, 2005; 66: 305– 314.
17
[18] Golding N.L., Kath W.L., Spruston N., Dichotomy of Action-Potential Backpropagation in CA1 Pyramidal Neuron Dendrites, Journal Neurophysiol, The American Physiological Society, 2001; 86: 2998-3010.
18
[19] Poirazi P., Brannon T., Mel B.W., Online Supplement: About the Model, 2003: 1-24.
19
[20] Hines M.L., Carnevale N.T., The NEURON Simulation Environment, Neural Computation, 1997; 9 (6): 1-24.
20
[21] Poirazi P., Brannon T., Mel B.W., Arithmetic of Subthreshold Synaptic Summation in a Model CA1 Pyramidal Cell, Neuron, 2003; 37: 977–987.
21
[22] Kerr D.S., Campbel L.W., Thibault O., landfield P.W., Hippocampal glucocorticoid receptor activation enhances voltage dependent Ca2+ conductances: Relevance to brain aging, Proceedings National Academy Sciences USA, Neurobiology, 1992: 8527- 8531.
22
[23] Vrede Y.V.D., Fossier P., Baux G., Joels M., Chameau P., Control of IsAHP in mouse hippocampus CA1 pyramidal neurons by RyR3-mediated calciuminduced calcium release. Cellular Neurophysiology, 2007; 455: 297–308.
23
[24] Tsubokawa H., Offermanns S., Simon M., Kano M., Calcium-Dependent Persistent Facilitation of Spike Backpropagation in the CA1 Pyramidal Neurons. Journal of Neuroscience, 2000; 20 (13): 4878–84.
24
ORIGINAL_ARTICLE
مدل توانی: قانون حاکم بر ویژگی های هندسی و حرکتی در الگوهای ترسیمی ماهرانه دست
در حرکات ترسیمی، خواص هندسی مسیر و ویژگی های حرکتی تحت قیودی خاص قرار دارند که با دو قانون توان دو- سوم و اصل شیب یکسان شناخته می شوند. در این مقاله با طراحی آزمون هایی درباره افراد 16-18 سال، به بررسی نوع ارتباط این دو قانون تجربی در حرکات مستقیم و منحنی شکل پرداخته می شود. با ارائه دو مدل توانی نشان داده می شود در الگوهای ترسیمی ویژگی های تغییرناپذیر قابل تعریف بوده که مستقل از فرد، جهت، چرخش و طول الگو است و در تعامل با یکدیگر علاوه بر ساده سازی نقش سیستم فوقانی کنترل حرکت، باعث کاهش تعداد درجات آزادی و پیچیدگی محاسبات می شوند.
https://www.ijbme.org/article_13375_61d8f663581c7a0df7069b6ba87640e7.pdf
2010-05-22
33
44
10.22041/ijbme.2010.13375
اصل شیب یکسان
انحناء
حرکت دست
دست نوشته
قانون توان دو- سوم
کنترل حرکت
سعید
رشیدی
rashidi.saeid@gmail.com
1
مربی، گروه بیوالکتریک، دانشکده مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی
LEAD_AUTHOR
سید محمدرضا
هاشمی گلپایگانی
hashemi_g@morva.net
2
استاد، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
AUTHOR
علی
فلاح
a_fallah@aut.ac.ir
3
استادیار، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
AUTHOR
فرزاد
توحیدخواه
towhidkhah@aut.ac.ir
4
دانشیار، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر
AUTHOR
[1] Woodworth R.S., The accuracy of voluntary movement; Psychological Review, 1899; 3: 1-106.
1
[2] Schmidt R.A., Motor control and learning: a behavioral emphasis; 2nd Edition; Human Kinetics; 1988.
2
[3] Hogan N., An organizing principle for a class of voluntary movements; J. of Neuroscience, 1984; 4: 2745-2754.
3
[4] Wann J., Nimmo-Smith J., Wing A.M., Relation between velocity and curvature in movement: Equivalence and divergence between a power law and a minimum-jerk model; J. of Experimental Psychology: Human Perception and Performance, 1988; 14: 622-637.
4
[5] Richardson M.J. Flash T., Comparing smooth arm movements with the two-thirds power law and the related segmented control hypothesis, J. of Neuroscience, 2002; 22 (18): 8201-8211.
5
[6] Nelson W.L., Physical principles for economies of skilled movements; Biological Cybernetics, 1983; 46: 135-147.
6
[7] Flash T., Hogan N., The coordination of arm movements: An experimentally confirmed mathematical model. J. of Neuroscience, 1985; 5: 1688-1703.
7
[8] Uno Y., Kawato M., Suzuki R., Formation and control of optimal trajectory in human multijoint arm movement; Biological Cybernetics; 1989; 61: 89-101.
8
[9] Harris C.M., Wolpert D.M., Signal-dependent noise determines motor planning; Nature; 1998; 394: 780- 784.
9
[10] Lebedev S., Tsui WH., Van Gelder P., Drawing movements as an outcome of the principle of least action; J. Mathematical Psychology, 2001; 45: 43-52.
10
[11] Soechting J.F. Terzuolo C., An algorithm for the generation of curvilinear wrist motion in an arbitrary plane in three dimensional space; Neuroscience, 1986; 19: 1393-1405.
11
[12] Lacquaniti F., Terzuolo C.A., Viviani P., The law relating kinematics and figural aspects of drawing movements; Acta Psychologica, 1983; 54: 115-130.
12
[13] Georgopoulos A.P., Kalaska J.F., Massey J.T., Spacial trajectories and reaction times of aimed movements: effects of practice, uncertainty, and change in target location; J. Neurophysiology, 1981; 46: 725-743.
13
[14] Soechting J.F., Lacquaniti F., Invariant characteristics of a pointing movement in man; J. Neuroscience, 1981; 1: 710-720.
14
[15] Morasso P., Spacial control of arm movements; Exp. Brain Research, 1981; 42: 223-227.
15
[16] Viviani P., Terzuolo C., Trajectory determines movement dynamics; Neuroscience, 1982; 7: 431-437.
16
[17] Viviani P., Stucchi N., Biological movements look constant: evidence of motor perceptual interactions; J. Exp. Psychology, 1992; 18: 603-623.
17
[18] Viviani P., Mounoud P., Perceptuo-motor compatibility in pursuit tracking of two-dimensional movements; J. of Motor Behavior, 1990; 22: 407-443.
18
[19] Gribble P.L., Ostry D.J., Origins of the power law relation between movement velocity and curvature: modeling the effects of muscle mechanics and limb dynamics; J. Neurophysiology, 1996; 76: 2853-2860.
19
[20] Schaal S., Sternad D., Origins and violations of the 2/3 power law in rhythmic three-dimensional arm movements; Exp. Brain Research, 2001; 136: 60-72.
20
[21] Dounskaia N., Kinematic invariant during cyclical arm movements; Biological Cybernetics, 2007; 96: 147- 163.
21
[22] Viviani P., Flash T. Minimum-jerk model, two-thirds power law and isochrony: converging approaches to the study of movement planning; J. Exp. Psychology, 1995; 21: 32-53.
22
[23] Richardson M.J.E., Flash T., Comparing smooth arm movements with Two-Thirds power law and the related segmented control hypothesis; J. Neuroscience, 2002; 22: 8201-8211.
23
[24] Teuling H.L., Maarse F.J., Digital recording and processing of handwriting movements; Human Movement Science, 1984; 3: 193-217.
24
[25] رشیدی سعید، هاشمی گلپایگانی محمدرضا، فلاح علی، توحیدخواه فرزاد؛ رابطه میان خواص هندسی و ویژگی های حرکتی الگوهای ترسیمی مهارتی؛ دوازدهمین کنفرانس مهندسی پزشکی ایران، 1384، 379-386.
25
[26] Schmidt R.A., Motor learning and Performance; Champaign Illinoise: Human Kinetics Books; 1991.
26
[27] Plamondon R., Alimi A.M., Yergeau P., Leclerc F., Modeling velocity profiles of rapid movements: a comparative study; Bilogical Cybernetics, 1993; 69: 119-128.
27
[28] Milner J.T., Controlling velocity in rapid movements; J. Motor Behavior, 1986; 18: 147-161.
28
[29] Plamondon R., A kinematic theory of rapid human movements: 1. Movement representation and generation; Biological Cybernetics, 1995; 72: 295-307
29
[30] Nagasaki H., Asymmetric velocity profiles and acceleration profiles of human arm movements; Exp. Brain Research, 1989; 74: 319-326.
30
[31] Plamondon R., A kinematic theory of rapid human movements: 2. Movement time and control; Biological Cybernetics, 1995; 72: 309-320.
31
[32] Gielen C.C.A.M., Oosten K., Pull ter Gunne F., Relation between EMG activation patterns and kinematic properties of aimed arm movements; J. Motor ehavior, 1985; 17: 421-442.
32
[33] Plamondon R., Alimi A.M., Speed/accuracy trade-offs in target-directed movements; Behavioral and Brain Sciences, 1997; 20: 279-349.
33
[34] Plamondon R., Guerfali W., The 2/3 power law: when and why? Acta Psychologica, 1998; 100: 85-96.
34
ORIGINAL_ARTICLE
ارائه مدل انتشار پتانسیل عمل در بافت قلب با استفاده از اتوماتای سلولی و الگوی هندسی پتانسیل عمل
بافت قلب محیطی تحریک پذیر است. یکی از روش های توصیف انتشار پتانسیل عمل در بافت قلب، استفاده از مدل اتوماتای سلولیست. سرعت اجرای مدل های مبتنی بر اتوماتای سلولی در شبیه سازی های مقیاس بزرگ، یکی از مزایای آن نسبت به روش های مبتنی بر معادلات دیفرانسیل است. مدل های قبلی مبتنی بر اتوماتای سلولی، قادر به حذف لبه های مسطح ایجاد شده در الگوهای حاصل نیستند و یا همسایگی های بزرگی دارند. به علاوه در مدل های قبلی تلاشی برای تطبیق الگوی هندسی پتانسیل عمل بطنی با پتانسیل عمل واقعی نشده است. در این مقاله مدلی ارائه شده است که با حداقل همسایگی، از تولید لبه های مسطح جلوگیری می کند. همچنین با تقریب خطی از مدل الکتروفیزیولوژیکی معروف، الگوی هندسی پتانسیل عمل نیز در مدل برآورد می شود.
https://www.ijbme.org/article_13376_6c1e530a535fb1d9aebc1bc2f6711e8f.pdf
2010-05-22
45
52
10.22041/ijbme.2010.13376
پتانسیل عمل
انتشار
مدل های رفتاری
اتوماتای سلولی
الگوی انتشار پتانسیل عمل در قلب
سید حجت
سبزپوشان
sabzposh@iust.ac.ir
1
استادیار، گروه مهندسی پزشکی، دانشکده برق، دانشگاه علم و صنعت ایران
LEAD_AUTHOR
فاطمه
پورحسنزاده
fateme.pourhasanzade@gmail.com
2
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده برق، دانشگاه علم و صنعت ایران
AUTHOR
آذر
بادانگیز
abadangiz@ee.iust.ac.ir
3
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده برق، دانشگاه علم و صنعت ایران
AUTHOR
[1] Barbosa C. R. H., Simulation of a plane wavefront propagating in cardiac tissue using a cellular automata model, Phys. Med. Biol., 2003; 48: 4151–4164.
1
[2] Moe K. M., Werner C.R., Abildson J.A., Utica N.Y., A computer model of atrial fibrillation, American Heart Journal, 1964; 67: 200-220.
2
[3] پورحسنزاده فاطمه، مدل اتوماتای سلولی انتشار پتانسیل عمل در عضله قلب، پایاننامه کارشناسی ارشد، دانشکده مهندسی برق، گروه مهندسی پزشکی، دانشگاه علم و صنعت ایران، اردیبهشت 89.
3
[4] Gerhardt M., Schuster H., Tyson J. J., A cellular automation model of excitable media including curvature and dispersion, Science, 1990; 247: 1563- 1566.
4
[5] Markus M., Hess B., Isotropic cellular automaton for modeling excitable media, Nature, 1990; 347: 56-58.
5
[6] Weimar J. R., Tyson J. J., Watson L. T., Diffusion and wave propagation in cellular automaton models of excitable media, Physica D, 1992; 55: 309-327.
6
[7] Weimar J. R., Tyson J. J., Watson L. T., Third generation Cellular Automaton for Modeling Excitable Media, Physica D, 1992; 55: 328-339.
7
[8] Costa Monteiro E., Miranda L. C., Bruno A. C., and Costa Ribeiro P., A Cellular Automaton Computer model for the study of magnetic detection of cardiac tissue activation during artial flutter, IEEE transaction on magnetics, Sep. 1998; 34 (5): 3451-3454.
8
[9] Rennard J. P., Introduction to cellular automata, 2000, available at: http://www.rennard.org/alife.
9
[10] Pilkington T. C., Loftis B., High performance computing in Biomedical research, Florida, CRC Press, 37.
10
[11] Repolarisation Essay Single Ventricular Myocyte, Oxford Cardiac Pharmacology, available at: www.ocp.ltd.uk/ap1.html, June 2011.
11
[12] COR (Cellular Open Source), available at: http://cor.physiol.ox.ac.uk/, June 2011.
12
[13] Jordan P., Christini D., Cardiac Arrhythmia, Wiley Encyclopedia of Biomedical Engineering, 2006, DOI:10.1002/9780471740360.
13
[14] Clayton R. H., Computational models of normal and abnormal action potential propagation in cardiac tissue: linking experimental and clinical cardiology, Physiol. Meas., 2001; 22: R15–R34.
14
ORIGINAL_ARTICLE
پردازش سیگنال EEG به منظور بررسی رابطه میان درجه هیپنوتیزم پذیری، فعالیت نیم کره های مغزی و لوب های قدامی-خلفی در حالت هیپنوتیزم
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.
https://www.ijbme.org/article_13377_ff378453de7d260549bf07a263a23f97.pdf
2010-05-22
53
64
10.22041/ijbme.2010.13377
هیپنوتیزم
هیپنوتیزم پذیری
شاخص شباهت فازی
نیم کره چپ و راست
لوب قدامی و خلفی
ویژگی
طبقه بندی
سرور
بهبهانی
soroor_behbahani@yahoo.com
1
دانشجوی دکترا، دانشکده مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی
AUTHOR
علی
مطیع نصرآبادی
nasrabadi@shahed.ac.ir
2
استادیار، گروه مهندسی پزشکی، دانشکده فنی، دانشگاه شاهد
LEAD_AUTHOR
[1] هربرت اشپیگل، گرین لیف مارسیا، اشپیگل دیوید، تحویل روانشناسی، ترجمه: علی شریفی، عنایت شهیدی، کامبیز عبقری، زیر چاپ.
1
[2] Bowers K. S., Waterloo-Stanford Group Scale of Hypnotic Susceptibility, Form C: Manual and Response Booklet, International Journal of Clinical Hypnosis, 1998; 3: 250-268.
2
[3] Ray W.J., Understanding Hypnosis and Hypnotic Susceptibility from a Psychophysiological Perspective, 5th Internet Word Congress for Biomedical Sciences, INABIS98, December 7-16 1998; available at: http://www.mcmaster.ca/inabis98.
3
[4] De Pascalisa V., Rayb W.J., Tranquilloa I., D’Amicoa D., EEG activity and heart rate during recall of emotional events in hypnosis: relationships with Hypnotizability and suggestibility, International Journal of Psychophysiology, 1998; 29: 255-275.
4
[5] Galbraith G.C., Electroencephalography and Hypnotic Suseptibility, Journal of Comparative and PhysiologicalPsychology, 1970; 72: 125-136.
5
[6] مطیعنصرآبادی علی، ارزیابی کیفی و کمی تغییرات هوشیاری و عمق هیپنوتیزم به کمک پردازش هوشمند سیگنال RRG، پایاننامه دکترا، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1382.
6
[7] Apple P.R., Bleiberg J., Pain Reduction is Related to Hypnotizability but not to Relaxation or to Reduction in Suffering: A Preliminary Investigation, Psychology Service, National Rehabilitation Hospital, Washington, DC 20010, USA, 2006.
7
[8] PHD - Professional Hypnosis Databank – Maryland Family Hypnosis, Copyright (C) Alberto Torelli, 1996- 2011, http://family-hypnosis.com/docs/allPublication Hypnosis.pdf.
8
[9] Egner T., Jamieson G., Gruzelier J.H., Hypnosis decouples cognitive control from conflict monitoring processes of the frontal lobe, Neuroimage, 2005; 27: 969–978.
9
[10] Fingelkurts A.A., Kallio S., Revonsuo A., Hypnosis induces a changed composition of brain oscillations in EEG, Contemp. Hypnosis, 2007; 24(1): 3–18.
10
[11] Maiwald T., Winterhalder M., Aschenbrenner-Scheibe A., Voss H.U., Schulze-Bonhage A., Timmer J., Comparison of three nonlinear seizure prediction methods by means of the seizure prediction characteristic, Physica, 2004; D 194: 357–368.
11
[12] Li X. and Ouyang G., Nonlinear similarity analysis for epileptic seizures prediction, aCERCIA, School of Computer Science, Nonlinear Analysis,2006; 64 (15): 1666-1678.
12
[13] Li X., Yao X., Application of Fuzzy Similarity to Prediction of Epileptic Seizures Using EEG Signals, Springer-Verlag Berlin Heidelberg, LNAI 3613, 2005: 645 – 652.
13
[14] Tolias Y.A., Panas S.M., Tsoukalas L.H., Generalized fuzzy indices for similarity matching, Fuzzy Sets and Systems, 2201; 120 (2): 255-270.
14
[15] Lee-Kwang H., Song Y-S., Lee. K-M., Similarity measure between fuzzy sets and between elements, Fuzzy Sets and Systems, 1993; 62 (3): 291-293.
15
[16] Elif Derya Übeyli, Fuzzy Similarity Index for Discrimination of EEG Signals, EMBS Annual International Conference, New York City, USA, 2006, Aug 30-Sept 3.
16
[17] Guler I., Ubeyli E.D., Analysis of Doppler ultrasound signals based on fuzzy similarity index, Expert Systems with Applications, 2006; 31(1): 130-136.
17
[18] Lee J-S., Fractal Analysis of EEG in Hypnosis and its Relationship with Hypnotizability, Intl. Journal of Clinical and Experimental Hypnosis, 2007; 55(1): 14– 31.
18
[19] Gómez C., Mediavilla A., Hornero R., Abásolo D., Fernández A., Use of the Higuchi’s fractal dimension for the analysis of MEG recordings from Alzheimer’s disease patients, Med Eng Phys, Medical Engineering Physics, 2009; 31(3): 306-13. Epub 2008 Aug 3.
19
[20] Li X., Kapiris P.G., Polygiannakis J., Eftaxias K.A., Yao X., Fractal spectral analysis of pre-epileptic seizures phase: in terms of criticality. Journal of Neural Engineering, 2005; 2 (b): 6–11.
20
[21] Accardo A., Affinito M., Carrozzi M., Bouquet F., Use of fractal dimension for the analysis of electroencephalographic time series, Biol Cybern, 1997; 77: 339–50.
21
[22] Cvetkovic D., Übeyli E.D., Cosic I., Wavelet transform feature extraction from human PPG, ECG, and EEG signal responses to ELF PEMF exposures: A pilot study, Digital Signal Processing, 2008; 18 (5): 861-874.
22
[23] Adeli H., Zhou Z., Dadmehr N., Analysis of EEG records in an epileptic patient using wavelet transform, J. Neuroscience Methods, 2003; 123 (1): 69-87.
23
[24] Ouyang G., Li X., Li Y., Guan X., Application of wavelet-based similarity analysis to epileptic seizures prediction, Computers in Biology and Medicine, 2007; 37 (4): 430-437.
24
[25] صادقی علی، آشنایی با نرمافزار تجزیه و تحلیل SPSS، انتشارات جهاد دانشگاهی، 1385، 152-163.
25
[26] Xu W., Guan C., Siong C.E., Ranganatha S., Thulasidas M.and Wu J., High accuracy classification of EEG signal, Intl. Conference on Pattern Recognition, 2004: 391-394.
26
ORIGINAL_ARTICLE
شبیه سازی سه بعدی جریان پالسی خون در بایپس آئورت- کرونری
در این تحقیق رژیم جریان خون در ناحیه انشعاب بای پس آئورت- کرونری بر روی شریان کرونری چپ پائین رونده (LAD) با فرض سه بعدی و پالسی بودن جریان خون؛ نیوتنی و هموژن بودن خون؛ صلب بودن جداره های کرونری و عدم تحرک فضایی این شریان در حضور یک گرفتگی متقارن %50 در بالادست ناحیه انشعاب در کرونری به ازای زوایای پیوندی 20º،30º و 40º با استفاده از نرم افزار فلوئنت شبیه سازی شده است. یکی از ویژگی های بارز این تحقیق استفاده از پالس های جریان خون آئورت آوران و شریان کرونری به ترتیب در ورودی های پیوند و شریان کرونری است که تاکنون در تحقیقات انجام شده از این شرایط مرزی استفاده نشده است. همچنین شبیه سازی جریان در حضور گرفتگی نیز از ویژگی های دیگر این پژوهش به شمار می رود. از جمله نتایج مهم این مقاله، می توان به بروز جریان های گردشی به ازای زوایای مختلف پیوند، بروز جریان های ثانویه و افزایش شدت آنها به ویژه در فازهای ناپایدار پالس های کرونری و آئورت آوران اشاره کرد. بروز جریان های حلزونی دو هسته ای و افزایش شدت آنها با زیاد شدن زاویه پیوندی و افزایش نرخ تغییرات مکانی در مقادیر تنش های برشی اعمال شده بر جداره های کرونری با افزایش زاویه پیوند از جمله نتایج مهم این مطالعه است. در نهایت با توجه به فرضیات اعمال شده زوایای مطلوب پیوندی بین 20º تا 30º مهمترین پیشنهاد ارائه شده در این تحقیق نظری است.
https://www.ijbme.org/article_13378_c57f69e936ad41966374fa081be13db0.pdf
2010-05-22
65
72
10.22041/ijbme.2010.13378
شریان کرونری
جریان سه بعدی ناپایا
جریان خون
بای پس آئورت- کرونری
ناحیه انشعاب
احمد
رمضانی سعادت آبادی
ramazani@sharif.edu
1
دانشیار، دانشکده مهندسی شیمی، دانشگاه صنعتی شریف
LEAD_AUTHOR
مجید
احمدلوی داراب
ahmadlouie@sut.ac.ir
2
دانشجوی دکترا، گروه بیومکانیک، دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند
AUTHOR
فرزان
قالیچی
fghalichi@sut.ac.ir
3
دانشیار، گروه بیومکانیک، دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند
AUTHOR
عطااله
کامیابی
ata_kamyabi@mehr.sharif.edu
4
دانشجوی دکترا، دانشکده مهندسی شیمی، دانشگاه صنعتی شریف
AUTHOR
[1] Stephanie M. K., David A. V., The Effect of Proximal Artery Flow on the Homodynamics at the Distal Anastomosis of a Vascular Bypass Graft: Computational Study; Departments of Bioeng. And Surg. University of Pittsburgh, 2001.
1
[2] Hartman C. W., Kong Y., Margolis J. R., Aortocoronary Bypass Surgery: Correlation of Angiographic, Symptomatic and Functional Improvement at 1 Year, Am. J. Cardiol. 1976; 37: 352- 357.
2
[3] Imparato A. M., Intimal and Neointimal Fibrous Proliferation Causing Failure of Arterial Reconstruction; Surgery 1972; 74: 1007-1017.
3
[4] Bassiouny H. S., White S., Glagov S., Anastomotic Intimal Hyperplasia: Mechanical Injury or flow induced; J. Vasc. Surg. 1992; 15: 708-717.
4
[5] Sotturai V. S., Yao J. S. T., Baston R. C., Sue S. L., Jones R., Nakamura Y. A., Distal Anastomotic Intimal Hyperplasia: Histopathologic Character and Biogenesis; Ann. Vasc. Surg. 1989; 3: 26-33.
5
[6] Grondin C. M., Late Results of Coronary Artery Grafting: Is There a Flag on the Field? J. of Thorac. Cardiovasc. Surg. 1984; 87: 161-166.
6
[7] Giddens D. P., Zarins C. K., Glagov S., The Role of Fluid Mechanics in the Localization and Detection of Atherosclerosis; ASME J. of Biomech. Eng. 1993; 115: 558-594.
7
[8] Caro C. G., Fitzgerald J. M., Schroter R. C., Atheroma and Arterial Wall Shear Observations, Correlation and Proposal of a Shear Dependant Mass Transfer Mechanism for Atherosclerosis, Proc. R. Soc. 1971; 177: 109-159.
8
[9] Pietrabissa R., Inzoli F., Simulation Study of Fluid Dynamics of Aorta-Coronary Bypass; J. of Biomech. Eng. Sep 1990; 12 (5): 419-424.
9
[10] Inzoli F., Migliavacca F., Pennati G., Numerical Analysis of Steady Flow in Aorto-Coronary Bypass 3-D Model, J of Biomechanical Eng., 1996; 118 (2): 172-9.
10
[11] Yubo F., Wentao J., Yuanwen Z., Jinchuan L., Junkai C., Xiaoyan D., Numerical Simulation of Pulsatile non- Newtonian Flow in the Carotid Artery Bifurcation, Acta Mech Sin. 2009; 25: 249–255.
11
[12] Barbara M., Johnston P.R., Johnston S.C., David, K., Non-Newtonian Blood Flow in Human Right Coronary Arteries, Transient Simulations. J. Biomech, 2006; 39: 1116–1128.
12
[13] Chen, J., Lu, X.Y., Numerical Investigation of the Non- Newtonian Pulsatile Blood Flow in a Bifurcation Model with a Non-Planar Branch. J. Biomech., 2006; 39, 818– 832.
13
[14] Hernán A.G., Nelson, O.M., On Predicting Unsteady Non-Newtonian Blood Flow, Appl. Math. Comput., 2005; 170: 909 923.
14
[15] Dzwinel W., Yuen D., Boryczko K., Bridging Diverse Physical Scales with the Discrete-Particle Paradigm in Modeling Colloidal Dynamics with Mesoscopic Features, Chem Eng Sci., 2006; 61: 2169–85.
15
[16] Tu C., Deville M., Dheur L., Vanderschuren L., Finite element simulation of pulsatile flow through arterial stenosis; J. Biomechanics, 1992; 25 (10): 1141-1152.
16
[17] Lee K. W., Xu X. Y., Modeling of Flow and Wall Behavior in a Mildly Stenosed Tube, J. of Medical Engineering & Physics, 2002; 24: 575-586.
17
[18] احمدلوی داراب مجید، شبیهسازی جریان پالسی خون در عروق کرونری بایپس شده و بررسی دلایل احتمالی انسداد مجدد، پایاننامه کارشناسی ارشد، دانشگاه صنعتی شریف، دانشکده مهندسی شیمی، بهار 1383.
18