انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Analysis of Brain Connectivity for Epileptic Seizure Prediction using EEG Signalsتحلیل اتصالهای مغزی برای پیشبینی وقوع حملههای تشنج صرعی با استفاده از سیگنالهای الکتروانسفالوگرافی1892073683710.22041/ijbme.2019.92570.1400FAسعید قدسیدانشجوی کارشناسی ارشد، دانشکدهی مهندسی برق، دانشگاه صنعتی شریف، تهران، ایرانهدی محمدزادهاستادیار، دانشکدهی مهندسی برق، دانشگاه صنعتی شریف، تهران، ایرانحمید آقاجاناستادیار، دانشکدهی مهندسی برق، دانشگاه صنعتی شریف، تهران، ایران / دانشیار، دانشکدهی مخابرات و پردازش اطلاعات، دانشگاه گنت، گنت، بلژیکJournal Article20180827Different perceptual, cognitive and emotional situations results in a kind of information flow in the brain by means of coordinated neuronal oscillations. Analysing these oscillations, especially synchronizations of different brain regions, can illustrate the brains response in the aforementioned situations. In the literature, connectivity between brain regions is divided into the three groups of structural, effective and functional, s.t. the first one refers to the connectivity between nearby regions, while the second and third ones focus on the synchronization of oscillations of arbitrary located regions. Although EEG is not the best choice for analyzing functional and effective connectivity between brain regions due to its relatively poor spatial resolution, extracting its statistical features may be helpful in the analysis of synchronization of brain oscillations. In this paper, a novel framework for the prediction of seizure occurrence using EEG signals is proposed which utilizes the Granger causality approach in frequency domain to measure synchronization of EEG signals in the Inter-ictal and Pre-ictal time periods. Afterwards, a Logistic Regression classifier with Lasso regularization is used to discriminate the samples extracted from these two periods. At last, if a predefined number of consecutive samples are labled as Pre-ictals, a seizure occurrence alarm is issued. Experimental simulations on the CHB-MIT dataset resulted in 95.03% sensitivity and 0.14<sup>/hour</sup> false prediction rate, for 10<sup>min</sup> prediction horizon, which demonstrates effectiveness of our proposed method compared to the state-of-the-arts.قرار گرفتن در وضعیتهای مختلف ادراکی، شناختی و احساسی با نوعی انتشار اطلاعات از طریق نوسانات نورونهای مغزی همراه است. بررسی این نوسانات و به طور مشخص ارتباطات و تعاملات میان بخشهای مختلف مغز، میتواند اطلاعات مفیدی دربارهی نحوهی واکنش مغز در وضعیتهای مختلف حاصل نماید. ارتباطات بین نواحی مختلف مغز به سه دستهی ساختاری، موثر و کارکردی تقسیمبندی میشوند. دستهی اول به ارتباط بین نورونهای نواحی مجاور میپردازد، در حالی که دستهی دوم و سوم بر همسانی زمانی بین نوسانات بخشهای نه لزوما مجاور تمرکز دارند. اگر چه سیگنالهای EEG به دلیل دقت مکانی نسبتا پایین، مناسبترین معیار برای سنجش ارتباطات کارکردی و موثر بین بخشهای مختلف مغز نیستند، اما بررسی آماری این سیگنالها میتواند در تشخیص همزمانی بین نوسانات نواحی مختلف مغز کمک قابل توجهی نماید. در این مقاله، چارچوبی نوین برای پیشبینی وقوع تشنج با استفاده از سیگنالهای EEG ارائه شده که از معیار علیت گرنجر در حوزهی فرکانس برای اندازهگیری میزان همزمانی نوسانات سیگنالهای EEG در زمانهای Inter-ictal و Pre-ictal استفاده میکند. در ادامه، با به کارگیری یک طبقهبند Logistic Regression با عبارت تنظیمکنندهی درجهی اول به تفکیک نمونههای استخراج شده از این دو بازهی زمانی از یکدیگر پرداخته شده است. در گام آخر، با در نظر گرفتن بازههای زمانی متوالی، در صورتی که به تعداد مشخصی بازهی مربوط به Pre-ictal شناخته شود، وقوع تشنج اعلام میگردد. شبیهسازیهای انجام شده روی مجموعهی دادهی CHB-MIT به ازای افق پیشبینی 10 دقیقه به نرخ حساسیت 03/95% و نرخ پیشبینی نادرست 14/0 بر ساعت منتج شده است که نشان دهندهی عملکرد قابل قبول روش پیشنهادی در مقایسه با بهترین نتایج گزارش شده در سایر مقالات میباشد.https://www.ijbme.org/article_36837_9066f4c13bcfdfdb396ef5c3735bf093.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Automatic Stage Scoring of Single-Channel Sleep EEG using Discrete Wavelet Transform and a Hybrid Model of Ant Colony Optimizer and Neural Network based on RUSBoost Classifierشناسایی خودکار مراحل خواب از سیگنال EEG تککاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی مبتنی بر طبقهبند RUSBoost2092223637710.22041/ijbme.2019.100663.1432FAسبحان شیخیونددانشجوی دکتری مهندسی پزشکی، گروه مهندسی پزشکی، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران0000-0002-2275-8133سحرانه قائمیدانشیار، گروه مهندسی کنترل، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایرانJournal Article20181231The automatic classification of sleep stages is essential for the timely detection of disorders and sleep-related studies. In this paper, a single-channel EEG-based algorithm is used to automatically identify sleep stages using discrete wavelet transform and a hybrid model of ant colony optimizer and neural network based on RUSBoost. The signal is decomposed using a discrete wavelet transform into four levels and statistical properties of each level are calculated. To optimize and reduce the dimensions of feature vectors, hybrid model of ant colony optimizer algorithm and multi-layered neural network are used. Then ANOVA test is applied to validate the selected features. Finally, the classification is performed on RUSBoost, which provides an average of 90% classification accuracy for 2 to 6-class classification of different steps of sleep EEG. Suggesting that the proposed method has a higher degree of success in classifying sleep stages compared to the existing methods.طبقهبندی خودکار مراحل خواب به منظور تشخیص به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله یک الگوریتم مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی مبتنی بر طبقهبند RUSBoost ارائه شده است. سیگنال با استفاده از تبدیل موجک گسسته به چهار سطح تجزیه شده و ویژگیهای آماری از هر یک از این سطوح استخراج شده است. جهت بهینهسازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم کلونی مورچگان و شبکهی عصبی چندلایهی پسانتشار خطا استفاده شده و سپس از آزمون ANOVA برای تایید صحت ویژگیهای بهینه بهره گرفته شده است. طبقهبندی نهایی روی این ویژگیهای بهینه شده توسط طبقهبند RUSBoost صورت گرفته و مشاهده شده است که به طور میانگین صحت طبقهبندی 2 تا 6-کلاس مراحل مختلف خواب بالای 90% بوده که نشان دهندهی درصد موفقیت بالاتر روش پیشنهادی در طبقهبندی مراحل خواب نسبت به پژوهشهای پیشین میباشد.https://www.ijbme.org/article_36377_b6e26cf9202fa910df23cca328fdaf93.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Feature Selection Method based on Subspace Learning and Factorization of Basis Matrix for DNA Micro-Array Datasetsfor DNA Micro-Array Datasetsروش انتخاب ویژگی بر اساس یادگیری زیرفضا و تجزیهی ماتریس پایه برای دادههای میکرو-آرایهای DNA2232343669710.22041/ijbme.2019.104143.1454FAمهلا دهتقیزادهدانشجوی کارشناسی ارشد، گروه ریاضی کاربردی، دانشکدهی علوم و فناوریهای نوین، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایرانفرید صابری موحداستادیار، گروه ریاضی کاربردی، دانشکدهی علوم و فناوریهای نوین، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایرانمهدی افتخاریدانشیار، دانشکدهی مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایرانJournal Article20190223DNA micro-array datasets play crucial role in machine learning and recognition of various kinds of cancer structures. Micro-array datasets are typically characterized by the high number of features and the small number of samples. Such problems may result in overfitting and low prediction accuracy of classifiers due to the irrelevant features, and therefore, they are considered as a challenging task in machine learning. The direct way to deal with such challenges is dimensionality reduction of data. In this regard, feature selection method acts as an effective solution for dimensinality reduction and increasing efficiency of learning algorithms. In this paper, by using the concept of “the basis for the DNA micro-array datasets”, a new feature selection method is introduced. To be more specific, rather than utilizing the entire micro-array dataset for tackling the problem of feature selection, a basis that is a muchmore smaller subset of the micro-array dataset is used. This method is based on subspace learning and matrix factorization. Finally, by making use of the DNA micro-array datasets, the effectiveness of the proposed method is evaluated, and the obtained results are compared with some state-of-the-art supervised feature selection methods.دادههای میکرو-آرایهای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا میکنند. دادههای میکرو-آرایهای به طور معمول شامل تعداد زیادی ویژگی و تعداد اندکی نمونه هستند. همچنین، اینگونه دادهها به دلیل داشتن برخی ویژگیهای نامرتبط میتوانند موجب بیشبرازش و کاهش دقت پیشبینی طبقهبند کنندهها شوند. بنابراین، آنالیز دادههای میکرو-آرایهای امری مهم و چالش برانگیز در یادگیری ماشین و فناوری ژنتیک مولکولی محسوب میشود. یک راه مستقیم برای مقابله با این چالش، کاهش بعد داده میباشد. روش انتخاب ویژگی به عنوان یک راهکار مهم برای کاهش ابعاد و افزایش کارایی الگوریتمهای یادگیری عمل میکند. در این مقاله، با استفاده از مفهوم پایه برای مجموعهی دادههای میکرو-آرایهای، یک روش جدید انتخاب ویژگی معرفی شده است. به عبارت دیگر، از یک پایه شامل یک زیرمجموعهی بسیار کوچک از ژنها، به جای کل مجموعهی دادههای میکرو-آرایهای در تعریف مسالهی انتخاب ویژگی استفاده شده است. در این روش مسالهی انتخاب ویژگی بر اساس دیدگاه یادگیری زیرفضا و تجزیهی ماتریس پایه فرمولبندی شده است. در نهایت، با استفاده از مجموعهی دادههای میکرو-آرایهای DNA، کارایی روش پیشنهادی بررسی شده و نتایج به دست آمده با نتایج چند روش انتخاب ویژگی معتبر مقایسه شده است.https://www.ijbme.org/article_36697_d792798ded193c775329d4f9e89edb82.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923A New Method for Automatic Diagnosis of Age-Related Macular Degeneration using Optical Coherence Tomography Imagesارائهی روشی جدید برای تشخیص خودکار بیماری دژنراسیون وابسته به سن ماکولا با استفاده از تصاویر مقطعنگاری همدوسی اپتیکی2352463639510.22041/ijbme.2019.105465.1462FAامیر بابااوغلیدانشجوی کارشناسی ارشد مهندسی برق، گروه مخابرات، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایرانهادی سلطانیزادهاستادیار، گروه الکترونیک، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایرانJournal Article20190320Diseases associated with the retina and macula of the eye, causing permanent loss of vision or a great deal of loss of vision in people, leads to a decrease in the quality of life and a lot of problems in daily life. For this reason, the timely and correct identification of these diseases and disorders has become important. The optical coherence tomography imaging method provides high precision in imaging and good information about the depth of the retina. This imaging technique is a great help in the accurate identification of macular-related diseases. Age-related macular degeneration is one of the most common retinal diseases. The purpose of this study is to design and implement a system that is reliable, fast and can detect the age-related macular degeneration by using optical coherence tomography image processing accurately and quickly. In these studies, histograms of orientational gradients and principal component analysis for extraction of features and AdaBoost ensemble classification method have been used to classify the data. The database used includes 269 patients and 115 healthy people. All three indicators of accuracy, sensitivity and specificity of the implemented system were measured at 100%. بیماریهای مرتبط با شبکیه و ماکولای چشم باعث از دست رفتن دائمی بینایی یا کاهش بسیار زیاد دید در افراد شده و موجب پایین آمدن کیفیت زندگی و ایجاد مشکلات فراوان در زندگی روزمرهی بیماران میشود. از اینرو شناسایی به هنگام و درست این بیماریها و اختلالات از اهمیت بسیار زیادی برخوردار است. روش تصویربرداری مقطعنگاری همدوسی اپتیکی دقت بالایی در تصویربرداری داشته و همچنین اطلاعات عمقی از شبکیه ارائه میدهد. این روش تصویربرداری کمک بسیار زیادی به شناسایی دقیق بیماریهای مرتبط با ماکولا کرده است. یکی از شایعترین بیماریهای شبکیهی چشم، بیماری دژنراسیون وابسته به سن ماکولا است. هدف از انجام این پژوهش طراحی و پیادهسازی سیستمی قابل اعتماد و سریع است که بتواند بیماری دژنراسیون وابسته به سن ماکولا را با استفاده از پردازش تصاویر مقطعنگاری همدوسی اپتیکی به خوبی و با دقت و سرعت بالا شناسایی کند. در این مطالعه از روشهای هیستوگرام گرادیانهای جهتدار و تحلیل مولفهی اصلی برای استخراج ویژگیها و از روش طبقهبندی گروهی AdaBoost جهت طبقهبندی دادهها استفاده شده است. پایگاه دادهی مورد استفاده در این مقاله شامل 269 فرد بیمار و 115 فرد سالم است. هر سه شاخص دقت، حساسیت و خاصیت سیستم پیادهسازی شده برابر با 100% اندازهگیری شده است.https://www.ijbme.org/article_36395_cfbd7c500eeb31b7c3650863728c9279.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Planar Reaching Movement Generation using Submovement Prediction Modelتشکیل حرکت دسترسانی در صفحه با استفاده از مدل پیشبینی زیرحرکت2472573673110.22041/ijbme.2019.104988.1465FAسیده سمیه نقیبیدانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکدهی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایرانعلی فلاحدانشیار، گروه بیوالکتریک، دانشکدهی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران0000-0001-5078-8391علی مالکیاستادیار ، گروه بیوالکتریک، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایرانفرناز قاسمیاستادیار، گروه بیوالکتریک، دانشکدهی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایرانJournal Article20190407The correct prediction of the optimal motor trajectory is necessary for movement rehabilitation and control systems such as functional electrical stimulation and robotic therapy. It seems that human reaching movements are composed of a set of submovements, each of which is a correction of the overall movement trajectory. Therefore, it is possible to interpret complex movements, learning, adaptability and other features of the motion control system using submovements. The purpose of this study is predicting and generating planar reaching movements using a realistic model similar to the actual mechanism of human movement and based on the submovement. The data used consists of different replications of four types of planar movement Performed by three healthy subjects. After the preprocessing and phasing, the movements decomposed to minimum-jerk submovement. In the next step, the training of three distinct neural networks was carried out to learn the submovement parameters including the amplitude, duration, and initiation time. Finally, the ANNs were combined to form a closed-loop model that generated accurate reaching movements based on the error correction. The target access rate for all predicted movements by the closed loop model was 100%. Also, the mean distance to the target, the VAF, and the mean MSE error between the predicted and main movement trajectory showed that the predicted movements are a good approximation of the main movements. The results showed that when trained neural networks with submovements, were placed in a closed loop model, they were able to predict proper submovements for complete access to targets due to the compensation of propagated errors from the previous steps. The results of this study can be used to improve motor rehabilitation methods.پیشبینی درست مسیر مطلوب حرکتی در سیستمهای کنترل و بازتوانی حرکت مانند تحریک الکتریکی عملکردی و رباتدرمانی بسیار ضروری میباشد. به نظر میرسد که حرکات دسترسانی انسان متشکل از مجموعهای از زیرحرکات است که هر زیرحرکت تصحیحی از مسیر کلی حرکت میباشد. با استفاده از زیرحرکات میتوان انجام حرکات پیچیده، یادگیری، تطبیقپذیری و دیگر ویژگیهای سیستم کنترل حرکت را تفسیر نمود. هدف این پژوهش پیشبینی و تولید حرکات دسترسانی دوجزئی در صفحه با استفاده از مدلی شبیه به مکانیسم واقعی تولید حرکات انسان و بر مبنای زیرحرکت میباشد. دادگان مورد استفاده شامل تکرارهای مختلف چهار نوع حرکت دسترسانی در صفحه از سه سوژه است. پس از پیشپردازش و فازبندی حرکات، تجزیهی حرکات به زیرحرکتهای کمینهی جرک انجام شده است. در مرحلهی بعد، آموزش سه شبکهی عصبی مجزا برای یادگیری پارامترهای زیرحرکتها شامل دامنه، دوره و زمان شروع زیرحرکات انجام شده، شبکههای عصبی در ترکیب یک مدل حلقهی بسته قرار گرفته و پیشبینی حرکات بر اساس مدل تصحیح خطا با استفاده از زیرحرکات توسط این مدل صورت گرفته است. نرخ دسترسی به هدف برای تمام حرکات پیشبینی شده توسط مدل زیرحرکت برابر با 100% به دست آمده است. همچنین مقادیر میانگین فاصله از هدف، درصد VAF و میانگین خطای MSE بین مسیرهای حرکتی اصلی و پیشبینی شده نشان میدهد که حرکات پیشبینی شده با تقریب بسیار خوبی نسبت به حرکات اصلی تشکیل شدهاند. نتایج نشان میدهد که وقتی شبکههای عصبی آموزش داده شده با زیرحرکات در یک مدل حلقهی بسته قرار گیرند به دلیل جبرانسازی خطاهای منتشر شده از مراحل قبل، به خوبی میتوانند زیرحرکات مناسبی را برای دسترسی کامل به اهداف حرکتی پیشبینی کنند. از نتایج این مطالعه میتوان برای بهبود روشهای بازتوانی حرکتی استفاده نمود. https://www.ijbme.org/article_36731_c1503b88aa3a93d5c14c3d781946af09.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Automated Thigh Muscles Segmentation using Hierarchical Multi-Atlas and FRFCM Methods in CT Scan Imagesبخشبندی خودکار ماهیچههای مقطع ران با استفاده از روش چنداطلس سلسلهمراتبی و الگوریتم FRFCM در تصاویر سیتیاسکن2592713624710.22041/ijbme.2019.108048.1498FAملیحه مولائیدانشجوی دکتری مهندسی پزشکی، آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکدهی مهندسی کامپیوتر و برق، دانشگاه تهران، تهران، ایرانرضا آقائیزاده ظروفیاستاد، گروه بیوالکتریک، آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکدهی مهندسی کامپیوتر و برق، دانشگاه تهران، تهران، ایرانJournal Article20190623Quantifying and modeling of the skeletal muscles can lead to an easier investigation of muscle diseases, specific mobility problems, and required simulations for the relevant surgeries. To this end, medical images should be segmented, firstly. In this research, thigh muscles segmentation is performed in CT images, since these muscles play a critical role in walking and balancing the body. To this aim, a multi-atlas method is used which is an improvement of the hierarchical multi-atlas method in the previous work. In this method, the muscles region is extracted automatically from the other tissues using FRFCM (Fast and Robust Fuzzy C-Means Clustering) method after the preprocessing stage. This muscle binary mask and the improved mask are used in the multi-atlas method for individual muscle segmentation. The proposed method is implemented using 20 CT data sets consisting of 12 female and 8 male subjects. The results show a less consumed computational time than the hierarchical multi-atlas method. The average computational time required for the muscles segmentation using the proposed method is 24 seconds and for the hierarchical multi-atlas method is 71 seconds per one slice of each case. Therefore, the proposed method reduces the implementation time by a rough factor of three. The means of the Dice similarity coefficient for the proposed method with improved muscle mask and for the hierarchical multi-atlas method are 86.58±7.69 and 83.07±8.26, respectively. The means of the precision and sensitivity for our method are 89.78±9.6 and 84.63±9.25, and for the hierarchical multi-atlas method are 88.85±12.04 and 78.04±10.88. Consequently, this method has better results based on the Dice similarity coefficient, precision, and sensitivity metrics.کمیسازی و مدلسازی ماهیچههای اسکلتی میتواند به بررسی بیماریهای مربوط به ماهیچه، مشکلات حرکتی خاص و شبیهسازیهای مورد نیاز برای انجام جراحیهای مربوطه کمک نماید. بدین منظور به بخشبندی ماهیچهها در تصاویر پزشکی نیاز است. با توجه به اهمیت ماهیچههای مقطع ران در حفظ تعادل بدن و راه رفتن، در این پژوهش بخشبندی این ماهیچهها در تصاویر سیتیاسکن انجام شده که برای این منظور از روش چنداطلس (بهبود یافتهی روش چنداطلس سلسلهمراتبی در مطالعهی قبلی نویسندگان) استفاده شده است. در این روش پس از پیشپردازش تصویر، ناحیهی مربوط به ماهیچه از سایر بافتها با استفاده از روش FRFCM به صورت اتوماتیک استخراج شده و از ماسک باینری ماهیچه و ماسک ماهیچهی بهبود یافته در روش چنداطلس برای بخشبندی مجزای ماهیچهها استفاده شده است. روش پیشنهادی با استفاده از 20 مجموعهی دادهی سیتیاسکن شامل 12 نمونهی زن و 8 نمونهی مرد پیادهسازی شده است. این روش در مقایسه با روش چنداطلس سلسلهمراتبی هزینهی محاسباتی بسیار کمتری دارد. به طور میانگین، زمان مورد نیاز برای بخشبندی ماهیچهها با استفاده از روش پیشنهادی و روش چنداطلس سلسلهمراتبی به ترتیب برابر با 24 و 71 ثانیه برای یک اسلایس از هر نمونه بوده و بنابراین روش پیشنهادی زمان پیادهسازی را تقریبا تا یکسوم روش قبل کاهش داده است. میانگین ضریب شباهت دایس برای روش پیشنهادی با ماسک ماهیچهی بهبود یافته و روش چنداطلس سلسلهمراتبی به ترتیب برابر با 69/7±58/86 و 26/8±07/83 بوده و میانگین دقت و حساسیت برای روش پیشنهادی برابر با 6/9±78/89 و 25/9±63/84 و برای روش چنداطلس سلسلهمراتبی برابر با 04/12±85/88 و 88/10±04/78 میباشد. بنابراین بر اساس معیارهای ضریب شباهت دایس، دقت و حساسیت روش پیشنهادی نتایج کمی بهتری نسبت به روش پیشین داشته است. https://www.ijbme.org/article_36247_ad53bd6869fc3d82d131c9d52d3d4710.pdfانجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200813320190923Epilepsy Control in a Combination of the Cortical and Optogenetic Models using Fixed Time Integral Super Twisting Sliding Mode Controllerکنترل صرع در مدل ترکیبی قشر مغز و اپتوژنتیک با استفاده از کنترل کنندهی مد لغزشی انتگرالی فراپیچشی زمان معین2732893685210.22041/ijbme.2019.111587.1507FAسمیرا رضوانی اردکانیدانشجوی کارشناسی ارشد مهندسی برق، گروه مهندسی برق، دانشکدهی فنی و مهندسی، دانشگاه قم، قم، ایرانسجاد محمدعلینژاداستادیار، گروه مهندسی برق، دانشکدهی فنی و مهندسی، دانشگاه قم، قم، ایران0000-0002-8945-2657رضا قاسمیدانشیار، گروه مهندسی برق، دانشکدهی فنی و مهندسی، دانشگاه قم، قم، ایرانJournal Article20190719Epilepsy is one of the most important neurological disorders in the world. In order to suppress epileptic seizures, various control algorithms have been used. Time to control and reduce attacks and robustness of the controller against variations of pathologic parameters and unwanted oscillations are important to control epileptic seizure. In order to consider these requirements and considering that one of the methods used to suppress epileptic waves is the change in mean soma (electric) potential of the excitatory neurons, this paper applies a fixed-time integral super twisting sliding mode controller to the combination of cortical and optogenetic models. First, the ion current produced in ion channels in optogenetic method is applied to the state variable of the mean electric potential of the excitatory neurons of the cortical model and the cortical and optogenetic models are combined and the controlled voltage applied to the system is applied to neurons of the epileptic zone of the brain as optic photons via the optogenetic model. Then, the mentioned controller is applied to the hybrid model so that the healthy model is tracked by the epileptic model in a fixed time. Finally, using the fixed-time integral super twisting sliding mode controller, the convergence error of the epileptic state to the healthy state has become zero. The amplitude of the control signal is reduced compared to the classic sliding mode control and technical problems and unwanted oscillations which are the shortcomings of the classic sliding mode controller are resolved. بیماری صرع یکی از مهمترین اختلالات عصبی در جهان به شمار میرود. برای مهار حملههای صرعی از الگوریتمهای کنترلی گوناگونی استفاده شده است. در کنترل حملات صرعی، زمان کنترل و کاهش حملات و مقاوم بودن کنترل کننده در برابر تغییرات پارامترهای پاتولوژیکی و نوسانات ناخواسته از اهمیت زیادی برخوردار است. برای فراهم ساختن این الزامات و از آنجا که یکی از روشهای سرکوب امواج صرعی، تغییر در میانگین پتانسیل الکتریکی نورونهای محرک است، در این مقاله یک کنترل کنندهی مد لغزشی انتگرالی فراپیچشی زمان معین به مدل ترکیبی قشر مغز و اپتوژنتیک اعمال شده است. ابتدا جریان یونی تولید شده در کانالهای یونی در روش اپتوژنتیک به متغیر حالت مربوط به میانگین پتانسیل الکتریکی نورونهای محرک در مدل قشر مغز اعمال شده و دو مدل اپتوژنتیک و قشر مغز با یکدیگر ترکیب شده تا ولتاژ کنترلی اعمال شده به سیستم از طریق مدل اپتوژنتیک به صورت فوتونهای نور به نورونهای ناحیهی صرعی در مغز اعمال شود. سپس کنترل کنندهی مذکور با این هدف که مدل صرعی، مدل سالم را در مدت زمان معینی دنبال کند به این مدل ترکیبی اعمال شده است. در نهایت با استفاده از کنترل کنندهی مد لغزشی انتگرالی فراپیچشی زمان معین مشاهده میشود که در مدت زمان معین، خطای همگرایی وضعیت صرعی به وضعیت سالم کاملا صفر شده، دامنهی سیگنال کنترل نسبت به حالت مد لغزشی کلاسیک کاهش یافته و همچنین مشکلات تکینگی و نوسانات ناخواسته که از محدودیتهای کنترل کنندهی مد لغزشی کلاسیک میباشد، برطرف شده است.https://www.ijbme.org/article_36852_91d3d7316668f0525130647e1b81a161.pdf