مقاله کامل پژوهشی
بیومکانیک ستون مهره‌ها
محمدجواد عین‌افشار؛ سید عطاءالله هاشمی؛ پدرام مژگانی
دوره 14، شماره 3 ، مهر 1399، صفحه 169-177
چکیده
درد در ناحیه‌ی کمر یک مشکل رایج پزشکی بوده که تا کنون دلیل مشخصی برای آن یافته نشده است اما در اغلب موارد بی‌ثباتی ستون فقرات به عنوان مهم‌ترین دلیل بروز آن در نظر گرفته میشود. یکی از راه‌های درمان کمردرد، ثابت‌سازی ستون فقرات است که با عمل یا بدون عمل جراحی انجام میشود. یکی از روشهای جراحی، استفاده از پیچ ارتوپدی است که در آن ...
بیشتر
درد در ناحیه‌ی کمر یک مشکل رایج پزشکی بوده که تا کنون دلیل مشخصی برای آن یافته نشده است اما در اغلب موارد بی‌ثباتی ستون فقرات به عنوان مهم‌ترین دلیل بروز آن در نظر گرفته میشود. یکی از راه‌های درمان کمردرد، ثابت‌سازی ستون فقرات است که با عمل یا بدون عمل جراحی انجام میشود. یکی از روشهای جراحی، استفاده از پیچ ارتوپدی است که در آن استحکام و پایداری پیچ اهمیت زیادی دارد. استحکام و پایداری پیچ در استخوان باعث کاهش زمان و هزینه‌ی درمان، کاهش مقدار خون‌ریزی و تسریع درمان میشود. برای ارزیابی پایداری پیچهای ارتوپدی و ستون فقرات میتوان از آزمون‌های پیچش پیچ، نیروی کشش پیچ، گشتاور ورود، بار خستگی و عکس‌های رادیولوژی استفاده کرد. در این پژوهش، بیشینه‌ی گشتاور ورود هنگام ورود پیچ به مهره‌ی ستون فقرات کمری گوسفند با گشتاورسنج دیجیتال اندازهگیری شده، سپس با چکش مخصوص ضربه، ضربه‌ای به پیچ وارد شده و صدای تولید شده با یک میکروفون دیجیتال ضبط شده است. با پردازش سیگنال حاصل با نرم‌افزار متلب و رسم نمودار تبدیل فوریه‌ی سریع، مود ارتعاشی پیچ به دست آمده و نیروی کشش پیچ برای نمونه‌ها با دستگاه آزمون کشش تعیین شده است. نوآوری این مقاله استفاده از روش تحلیل مودال و تعیین رابطه‌ی آن با بیش‌ترین نیروی کشش پیچ و گشتاور ورود است. در این مطالعه 5 پیچ مورد آزمایش قرار گرفته که پارامترهای عمق پیچ، متغیر بودن تاج رزوه‌ی پیچ و خودکار بودن/نبودن پیچ در آنها متفاوت است. بیش‌ترین گشتاور ورود، نیروی کشش و فرکانس طبیعی به ترتیب برابر با 182 N.cm، 992 N و 1916 Hz در پیچ با بدنه‌ی استوانه‌ای محاسبه شده است. با بررسی دادههای به دست آمده مشاهده شده است که یک رابطه‌ی خطی بین بیش‌ترین نیروی کشش پیچ و گشتاور پیچ وجود دارد. با توجه به عدم وجود معناداری در دادههای فرکانس طبیعی و نیروی کشش پیچ بین پیچهای دارای نوک خودکار و غیرخودکار (مقایسه‌ی پیچهای 3 و 4 و پیچهای 1 و 5)، استفاده از پیچهای خودکار یک مزیت به شمار می‌رود. روند صعودی یا نزولی پارامترهای وابسته در هر سه روش بیش‌ترین گشتاور ورود، بیش‌ترین نیروی کشش پیچ و فرکانس طبیعی یک‌سان است که با توجه به غیرمخرب بودن روش آنالیز مودال میتواند یک مزیت برای استفاده در جراحیهای درون‌تنی باشد.
مقاله کامل پژوهشی
بیوالکتریک
سبحان شیخی‌وند؛ زهره موسوی؛ توحید یوسفی رضایی
دوره 14، شماره 3 ، مهر 1399، صفحه 179-193
چکیده
در سال‌های اخیر خستگی راننده به یکی از دلایل مهم تصادفات جادهای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنالهای EEG به دلیل غیرتهاجمی بودن، مطمئنترین روش برای اندازهگیری خستگی راننده محسوب میشوند. تفسیر دستی سیگنالهای EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری ...
بیشتر
در سال‌های اخیر خستگی راننده به یکی از دلایل مهم تصادفات جادهای تبدیل شده و مطالعات زیادی برای تحلیل خستگی راننده انجام شده است. سیگنالهای EEG به دلیل غیرتهاجمی بودن، مطمئنترین روش برای اندازهگیری خستگی راننده محسوب میشوند. تفسیر دستی سیگنالهای EEG برای تشخیص خستگی راننده امری دشوار است، بنابراین باید سیستم خودکاری برای تشخیص خستگی راننده با استفاده از سیگنالهای EEG فراهم شود. یکی از مشکلات مربوط به الگوریتمهای تشخیص خودکار خستگی راننده، استخراج و انتخاب ویژگیهای تبعیضآمیز است که به طور کلی منجر به پیچیدگی محاسباتی میشود. در این مقاله یک رویکرد جدید برای طبقهبندی خودکار دومرحلهای خستگی راننده از 6 منطقه‌ی فعال با استفاده از سیگنالهای EEG ارائه شده است. در این روش سیگنال EEG ثبت شده به طور مستقیم و بدون استفاده از استخراج/انتخاب ویژگی کلاسیک به عنوان ورودی شبکهی عمیق کانولوشنال و شبکهی حافظه‌ی طولانی کوتاه‌مدت (CNN-LSTM) در نظر گرفته شده است. موارد بیان شده به عنوان یک روند چالش برانگیز در مقالات پیشین مطرح شده است. معماری شبکهی پیشنهادی به صورت 7 لایه‌ی کانولوشن با 3 لایه‌ی LSTM و به دنبال آن 2 لایه‌ی کاملا متصل طراحی شده است. از شبکهی LSTM در ترکیب با شبکهی CNN برای افزایش پایداری و کاهش نوسانات استفاده شده است. نتایج شبیهسازی روش پیشنهادی برای طبقهبندی 2 حالت از خستگی راننده برای 6 ناحیه‌ی فعال A، B، C، D، E (بر اساس یک کانال) و F به ترتیب صحت 23/99، 55/97، 98، 26/97، 78/98، 77/93 درصد و ضریب کاپاکوهن 98/0، 96/0، 97/0، 96/0، 98/0 و 92/0 را ارائه کرده است. علاوه بر این با مقایسه‌ی نتایج به دست آمده با نتایج روشهای پیشین، عمل‌کرد مطلوب روش پیشنهادی نشان داده شده است. هم‌چنین با توجه به صحت بالای روش پیشنهادی بر اساس یک کانال سیگنال EEG (منطقه‌ی E)، میتوان از آن برای طراحی سیستم‌های خودکار تشخیص خستگی راننده با پیششرط سرعت و صحت بالا استفاده کرد.
مقاله کامل پژوهشی
خسرو رضایی؛ فردین قادری؛ حامد طاهری گرجی؛ جواد حدادنیا
دوره 14، شماره 3 ، مهر 1399، صفحه 195-208
چکیده
در پروتزهای مدرن، طبقهبندی سیگنالهای الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاه‌های پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آنها میتواند باعث بروز عارضههای مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه ...
بیشتر
در پروتزهای مدرن، طبقهبندی سیگنالهای الکترومایوگرام سطحی (sEMG) تا حد زیادی بر کنترل مطلوب عضلات اثر دارد. اگر چه این سیگنالها در تشخیص بیماریهای عصبی-عضلانی، کنترل دستگاه‌های پروتز و تشخیص حالات دست مفید هستند، بازشناسی غیرمقاوم آنها میتواند باعث بروز عارضههای مختلف حرکتی شود. در این مقاله با هدف ایجاد رویکردی بهینه در طبقهبندی سیگنالهای الکترومایوگرام سطحی در تشخیص نوع حرکت و نیز شناسایی ژست دست، مدلی جدید طراحی شده است که میتواند در تشخیص بیماریهای عصبی-عضلانی، تعیین نوع درمان و فیزیوتراپی مورد استفاده قرار گیرد. با در نظر گرفتن چالشهای موجود در شناسایی کلاسهای حرکتی دست، روش پیشنهادی از سه گام تشکیل شده است. در گام اول قاببندی و استخراج ویژگی از سیگنال توسط توصیف‌گرهای حوزه‌ی زمان-فرکانس و بعد فراکتال انجام شده، در مرحله‌ی دوم انتخاب ویژگی با استفاده از یک روش جدید همجوشی نرم سه رویکرد آزمون-T، آنتروپی و پیچش عام صورت گرفته و در گام سوم طبقهبندی حالات حرکتی و ژست دست با تکیه بر بهینهسازی پارامترهای کرنل ماشین بردار پشتیبان توسط الگوریتم حرکت کاتورهای گاز انجام شده است. دو مجموعه‌ی داده‌ی UC2018 DualMyo و UCI جهت ارزیابی روش پیشنهادی در نظر گرفته شده که از داده‌ی نخست برای دستهبندی 8 ژست حرکتی و از داده‌ی دوم برای طبقهبندی 6 نوع حالت حرکت استفاده شده است. عمل‌کرد راه‌کار پیشنهادی با میانگین صحت بالای 98% در هر دو مجموعه‌ی داده رضایتبخش میباشد. برخلاف رویکردهای مشابه که در آنها طبقهبندی در تعداد طبقههای محدود و با سطح خطای بالا اجرا شده، روش پیشنهادی از دقت، ثبات و اعتمادپذیری قابل قبولی برخوردار است. به کارگیری این روش در طراحی پروتزهای دست موثر بوده و میتواند در کاربردهای توانبخشی و فرایندهای تشخیص بالینی نیز تاثیرگذار باشد.
مقاله کامل پژوهشی
بیوالکتریک
سبحان شیخی‌وند؛ زهره موسوی؛ توحید یوسفی رضایی
دوره 14، شماره 3 ، مهر 1399، صفحه 209-220
چکیده
استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای صرع از طریق بازرسی بصری یکی از چالشهای مهم در سال‌های اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگیهای مطلوبی است که بتوانند بیش‌ترین تمایز را میان مراحل مختلف ...
بیشتر
استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای صرع از طریق بازرسی بصری یکی از چالشهای مهم در سال‌های اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگیهای مطلوبی است که بتوانند بیش‌ترین تمایز را میان مراحل مختلف صرع ایجاد نمایند. فرایند یافتن ویژگیهای مناسب عموما امری زمانبر است. در این پژوهش رویکرد جدیدی برای شناسایی خودکار مراحل مختلف صرع ارائه شده است. در این مقاله از دستهبندی مبتنی بر نمایش تنک سیگنال (SRC) به همراه یادگیری دیکشنری آموزش دیده برای شناسایی خودکار مراحل مختلف بیماری صرع با استفاده از سیگنال EEG استفاده شده است. روش پیشنهادی در 8 سناریو از 9 سناریوی ارائه شده به صحت، حساسیت و اختصاصیت 100% دست یافته و هم‌چنین در برابر نویز گوسی تا سطح صفر دسیبل مقاوم میباشد. نتایج به دست آمده نشان میدهد که استفاده از الگوریتم پیشنهادی برای شناسایی مراحل مختلف صرع موفقیت بیش‌تری نسبت به سایر روشهای مشابه دارد.
مقاله کامل پژوهشی
پردازش سیگنالهای حیاتی
عارف عینی‌زاده؛ سپیده حاجی‌پور
دوره 14، شماره 3 ، مهر 1399، صفحه 221-233
چکیده
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله میتوان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت ...
بیشتر
سیگنال الکتریکی مغز به دلیل سهولت در ثبت، غیرتهاجمی بودن و دقت بالا کاربرد بسیار گسترده‌ای در حوزه‌های کلینیکی و تحقیقات دانشگاهی پیدا کرده است که از آن جمله میتوان به بازشناسی احساس از روی سیگنال الکتریکی مغز اشاره کرد. برای مشخص کردن نوع احساس برانگیخته عموما از دو معیار خوشایندی و انگیختگی استفاده شده که به ترتیب میزان مثبت یا منفی بودن و میزان برون‌فکنی یا هیجان ایجاد شده را برای یک احساس خاص مشخص می‌نمایند. اهمیت احساس با توجه به عکسالعملهای ناشی از این پدیده در انجام وظایف روزانه به خصوص در فعالیتهایی که به دقت و تمرکز نیاز دارند مشخص میشود. در مساله‌ی بازشناسی احساس ابتدا احساسات مختلف با استفاده از محرک‌های حسی مناسب برای سوژه‌های مورد بررسی ایجاد شده و سیگنالهای مغزی متناظر با هر تحریک ثبت میشود. دو مرحله‌ی پردازش اصلی در حل مساله‌ی بازشناسی احساسات، استخراج ویژگیهای مناسب و استفاده از طبقه‌بندها یا رگرسیون‌های مناسب است. در پژوهش‌های پیشین محرک‌های مختلف بینایی و شنوایی مورد استفاده قرار گرفته و ویژگی‌ها و طبقه‌بندهای متنوع خطی و غیرخطی بررسی شده است. هدف این مقاله بهبود الگوریتمهای رگرسیون خطی برای تخمین بهتر معیارهای بازشناسی احساسات انسانی است. بدین منظور یک الگوریتم جدید ارائه شده است که از تنک بودن بردار ترکیب در کنار تابع هزینه‌ی رگرسیون خطی استفاده می‌کند. کارایی الگوریتم ارائه شده روی دادههای ساختگی مورد بررسی قرار گرفته و برتری آن نسبت به الگوریتمهای رگرسیون خطی PLS، LASSO، SOPLS و Ridge نشان داده شده است. هم‌چنین برای اعمال الگوریتم ارائه شده روی دادههای EEG مربوط به بازشناسی احساسات از مجموعه‌ی دادگان DEAP استفاده شده و ویژگی ضرایب مدل AR از سیگنالهای EEG استخراج شده است. نتایج به دست آمده از الگوریتم پیشنهادی با نتایج سایر الگوریتم‌ها مقایسه شده است که در مجموع برتری نسبی الگوریتم ارائه شده را نشان میدهد.
مقاله کامل پژوهشی
پردازش سیگنالهای حیاتی
حسام احمدی؛ عمادالدین فاطمی‌زاده؛ علی مطیع نصرآبادی
دوره 14، شماره 3 ، مهر 1399، صفحه 235-249
چکیده
تصویربرداری تشدید مغناطیسی عمل‌کردی روشی غیرتهاجمی برای بررسی عمل‌کرد مغز از طریق نوسانات فرکانس پایین سیگنالهای وابسته به سطح اکسیژن خون میباشد. آنالیز عمل‌کردی شبکه‌های مغزی بر پایه‌ی سریهای زمانی تصویربرداری تشدید مغناطیسی عمل‌کردی معمولا با استفاده از محاسبه‌ی ضریب همبستگی پیرسون بین نواحی مختلف مغز انجام میشود. ...
بیشتر
تصویربرداری تشدید مغناطیسی عمل‌کردی روشی غیرتهاجمی برای بررسی عمل‌کرد مغز از طریق نوسانات فرکانس پایین سیگنالهای وابسته به سطح اکسیژن خون میباشد. آنالیز عمل‌کردی شبکه‌های مغزی بر پایه‌ی سریهای زمانی تصویربرداری تشدید مغناطیسی عمل‌کردی معمولا با استفاده از محاسبه‌ی ضریب همبستگی پیرسون بین نواحی مختلف مغز انجام میشود. از آن‌جا که همبستگی پیرسون ارتباطات خطی را آشکار ساخته و در مورد همبستگیهای غیرخطی محدودیت دارد، در این تحقیق با استفاده از روش کرنل ارتباطات عمل‌کردی غیرخطی در دادههای تصویربرداری تشدید مغناطیسی عمل‌کردی بیماران آلزایمر مورد ارزیابی قرار گرفته است. روش کرنل با افزایش بعد فضا و انجام محاسبات در فضای جدید که معادل رابطه‌ی غیرخطی در فضای اولیه است، امکان ارزیابی ارتباطات عمل‌کردی غیرخطی را فراهم میسازد. برای ساخت گرافهای وزندار بدون جهت از توابع کرنل مختلف با پارامترهای گوناگون استفاده شده، سپس ویژگیهای سراسری گراف از جمله درجه، قدرت، طول مسیر مشخصه، ماژولاریتی، جهان کوچک و بهرهوری محاسبه شده و آنالیز آماری غیرپارامتری جایگشتی انجام میشود. نتایج آنالیز آماری نشان میدهد که همبستگی به دست آمده از روش کرنل در مقایسه با همبستگی پیرسون تمایز بیش‌تری بین گروه بیمار و کنترل ایجاد کرده که میتواند به دلیل وجود ارتباطاتی غیرخطی باشد که روش پیرسون قادر به آشکارسازی آنها نیست. هم‌چنین در بین توابع کرنل مختلف بیش‌ترین تمایز آماری هنگام استفاده از کرنل چندجملهای درجه‌ی سوم حاصل شده است. به منظور حصول اطمینان، از طبقهبند ماشین بردار پشتیبان با کرنلهای مختلف نیز استفاده شده که بیش‌ترین صحت طبقهبندی برابر با 79/0±68/98% به دست آمده است. آنالیز شبکهی حالت پایه نیز با روش کرنل و پیرسون انجام شده که در آن روش کرنل تفاوت آماری معنیدار بیش‌تری نشان داده است. شایان ذکر است که نواحی آنگولار راست و چپ که جزئی از شبکهی حالت پایه هستند با هیچ کدام از دو روش تمایزی نشان نداده و میتوان نتیجه گرفت که بیماری آلزایمر بر ارتباط عمل‌کردی این نواحی تاثیر چندانی ندارد.
مقاله کامل پژوهشی
مهندسی مغز و اعصاب
غزاله سلیمانی؛ مهرداد ساویز؛ فرزاد توحیدخواه؛ حامد اختیاری
دوره 14، شماره 3 ، مهر 1399، صفحه 251-266
چکیده
تحریک الکتریکی جریان مستقیم فراجمجمهای (tDCS) پرکاربردترین روش تحریک غیرتهاجمی مغز بوده که چالش اساسی آن تفاوتهای بین فردی گزارش شده در پاسخ به این تحریک میباشد. یکی از منابع ایجاد این اختلاف‌ها تفاوت در توزیع میدان الکتریکی بوده که به دلیل تفاوت در ساختارهای مغزی ایجاد میشود. شواهد نشان میدهد که میدان ناشی از tDCS میتواند ...
بیشتر
تحریک الکتریکی جریان مستقیم فراجمجمهای (tDCS) پرکاربردترین روش تحریک غیرتهاجمی مغز بوده که چالش اساسی آن تفاوتهای بین فردی گزارش شده در پاسخ به این تحریک میباشد. یکی از منابع ایجاد این اختلاف‌ها تفاوت در توزیع میدان الکتریکی بوده که به دلیل تفاوت در ساختارهای مغزی ایجاد میشود. شواهد نشان میدهد که میدان ناشی از tDCS میتواند فعالیتهای مغزی را تحت تاثیر قرار داده و باعث ایجاد تغییر در رفتار گردد اما ارتباط بین توزیع میدان و فعالیتهای مغزی هنوز مورد بررسی قرار نگرفته است. از این رو در این مطالعه‌ی متقاطع دوسو کور، tDCS با شدت 2 میلیآمپر به قشر پیشپیشانی 14 فرد وابسته به متآمفتامین اعمال شده و برای تعیین توزیع میدان و مشاهده‌ی فعالیت مغزی در پاسخ به نشانههای مواد، تصویر تشدید مغناطیسی ساختاری و عمل‌کردی قبل و بعد از تحریک ثبت شده است. تحریک الکتریکی برای هر فرد یک مرتبه به صورت واقعی و یک مرتبه به صورت غیرواقعی (با فاصله‌ی حداقل یک هفته) انجام شده است. با استفاده از مدلهای سر مبتنی بر روشهای المان محدود برای نمایش توزیع میدان شبیهسازی شده و آنالیز گروهی نشان داده شده که بیش‌ترین میدان در ناحیه‌ی پیشپیشانی ایجاد شده (07/0±3424/0) و توزیع مکانی میدان در بین افراد متفاوت بوده است. دادههای کارکردی حاکی از آن بوده که در تفاوت بین پاسخ به نشانههای مواد و تصاویری که مربوط به مواد نیستند، تحریک واقعی در مقایسه با تحریک غیرواقعی فعالیت مغزی را در چین گیج‌گاهی فوقانی و قشر کمربندی خلفی کاهش داده (0001/0p<) اما همبستگی معناداری بین شدت میدان و تغییرات فعالیت مغزی به دست نیامده است. در این مطالعه یک روش کار برای ترکیب مدلهای سر با اطلاعات مربوط به عمل‌کرد مغز ارائه شده که تاکنون مورد بررسی قرار نگرفته و میتواند دریچهای رو به درک بهتر مکانیسم اثر tDCS به شمار آید.
