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.
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.
بیوالکتریک
سبحان شیخیوند؛ توحید یوسفی رضایی؛ زهره موسوی؛ سعید مشگینی
دوره 11، شماره 4 ، بهمن 1396، ، صفحه 313-325
چکیده
در سالهای اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای خواب از طریق بازرسی بصری، یکی از چالشهای مهم به حساب میآید. در این مقاله، الگوریتمی مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم ...
بیشتر
در سالهای اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای خواب از طریق بازرسی بصری، یکی از چالشهای مهم به حساب میآید. در این مقاله، الگوریتمی مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکهی عصبی ارائه میشود. سیگنال با استفاده از تبدیل موجک گسسته به 7 سطح تجزیه شده و ویژگیهای آماری از هر یک از سطوح تجزیه شده، استخراج میگردد. جهت بهینهسازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم تبرید و شبکهی عصبی چندلایهی پس انتشار خطا استفاده شده، و سپس از آزمون ANOVA برای تائید صحت ویژگیهای بهینه استفاده میشود. طبقهبندی نهایی روی این ویژگیهای بهینهشده توسط یک شبکهی عصبی پرسپترون با یکلایهی پنهان انجام میشود، که به طور میانگین برای طبقهبندی 2-کلاس تا 6-کلاس مراحل مختلف خواب دقت بالای 90% را فراهم کرده و نشان میدهد که روش پیشنهادی درصد موفقیت بالاتری در طبقهبندی مراحل خواب نسبت به پژوهشهای پیشین دارد.