مقاله کامل پژوهشی
سعید قدسی؛ هدی محمدزاده؛ حمید آقاجان
دوره 13، شماره 3 ، مهر 1398، صفحه 189-207
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
سبحان شیخیوند؛ سحرانه قائمی
دوره 13، شماره 3 ، مهر 1398، صفحه 209-222
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
مهلا دهتقیزاده؛ فرید صابری موحد؛ مهدی افتخاری
دوره 13، شماره 3 ، مهر 1398، صفحه 223-234
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
امیر بابااوغلی؛ هادی سلطانیزاده
دوره 13، شماره 3 ، مهر 1398، صفحه 235-246
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
سیده سمیه نقیبی؛ علی فلاح؛ علی مالکی؛ فرناز قاسمی
دوره 13، شماره 3 ، مهر 1398، صفحه 247-257
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
ملیحه مولائی؛ رضا آقائیزاده ظروفی
دوره 13، شماره 3 ، مهر 1398، صفحه 259-271
چکیده
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 ...
بیشتر
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.
مقاله کامل پژوهشی
سمیرا رضوانی اردکانی؛ سجاد محمدعلینژاد؛ رضا قاسمی
دوره 13، شماره 3 ، مهر 1398، صفحه 273-289
چکیده
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 ...
بیشتر
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.