پردازش سیگنال‌های حیاتی
سرور بهبهانی؛ علی مطیع نصرآبادی
دوره 4، شماره 1 ، خرداد 1389، ، صفحه 53-64
چکیده
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 ...
بیشتر
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.
پردازش تصاویر پزشکی
جمال اسماعیل پور؛ ستار میرزاکوچکی؛ جلیل سیف علی هرسینی؛ عبدالرحیم کدخدا محمدی
دوره 1، شماره 3 ، آذر 1386، ، صفحه 167-176
چکیده
در این مقاله کارکرد شبکه عصبی کوانتیزه کننده برداری (LVQ) در طبقه بندی شش نوع سیگنال الکتروکاردیوگرام (ECG) با استفاده از ویژگی های استخراج شده به وسیله تبدیل ویولت مرتبه شش خانواده دابیچی بررسی شده است. شش سیگنال مورد نظر عبارت اند از: ECG نرمال و ECG مربوط به اختلالات بلوک شاخه چپ دسته دهلیزی بطنی، بلوک شاخه راست دسته ...
بیشتر
در این مقاله کارکرد شبکه عصبی کوانتیزه کننده برداری (LVQ) در طبقه بندی شش نوع سیگنال الکتروکاردیوگرام (ECG) با استفاده از ویژگی های استخراج شده به وسیله تبدیل ویولت مرتبه شش خانواده دابیچی بررسی شده است. شش سیگنال مورد نظر عبارت اند از: ECG نرمال و ECG مربوط به اختلالات بلوک شاخه چپ دسته دهلیزی بطنی، بلوک شاخه راست دسته دهلیزی بطنی، انقباض زودرس بطنی، ضربانات کند، و ترکیب ضربانات نرمال با آرام. داده های به کار رفته، داده های MIT/BIH اند. ابتدا با استفاده از فایل های تفسیر، الگوهای مربوط به شش نوع سیگنالECG جدا شده است. سپس به منظور استخراج هر چه بهتر ویژگی ها، الگوها فیلتر و مقیاس بندی شده اند. آنگاه انرژی پنج سیگنال جزییات دوم تا ششم حاصل از اعمال تبدیل ویولت تا شش سطح به عنوان ویژگی های استخراج شده از الگوها، برای آموزش و امتحان شبکه LVQ به کار رفته است. از هر دسته، 500 الگو برای آموزش شبکه و 100 الگو برای امتحان آن به کار رفته است. نتایج به دست آمده بیانگر دقت %93.1 برای شش دسته، و بالای %94.3 برای کمتر از شش دسته (2 تا 5 دسته) است. در ادامه میزان تفاوت و تشابه سیگنال های ECG از منظر ویژگی های به کار رفته بررسی شده است. سرانجام این روش از نظر دقت با چند روش دیگر طبقه بندی کننده اختلالات قلبی مقایسه شده است.
