انجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823EEG-Based Emotional State Recognition using Deep Learning Networkتشخیص حالت‌های احساسی مبتنی بر EEG با استفاده از شبکهی یادگیری عمیق951043619710.22041/ijbme.2019.97535.1419FAسیده سعیدهزاهدی حقیقیدانشجوی کارشناسی ارشد مهندسی پزشکی، گروه بیوالکتریک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایرانسید محمودسخاییاستادیار، گروه بیوالکتریک، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایرانمحمدرضادلیریدانشکده مهندسی برق، دانشگاه علم و صنعت، تهرانJournal Article20181112Emotion is one of the most important human quality that plays an important role in life. Also, one way of communicating between human and computer is based on emotion recognition. One way of emotion recognition is based on electroencephalographic signal (EEG). In this paper, according to the non-stationary property of EEG, intrinsic mode functions (IMF) extracted by using empirical mode decomposition (EMD) and then first 3 IMFs selected. Each IMF converts into smaller pieces with a one-second window and power feature has been extracted from each piece. Then, by using a suitable mapping, the position of the electrodes in the 10-20 system becomes the position of the pixels in the picture. The extracted features are considered as pixel color components. To determine the class of valence, the set of all generated pictures is given as input to a deep learning network and output determine the high or low class of valence. The same process is used to determine the class of arousal. To examining the method, the DEAP dataset is used. By choosing 17×17 for the image size, the mean accuracy and standard deviation were obtained of 78.58% and 3.9 for the valence and 78.66% and 3.1 for the arousal which that shows a significant improvement compared to similar tasks.یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله‌ی تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد بررسی قرار گرفته است. در ابتدا، با توجه به خاصیت غیرایستایی EEG، توابع مد ذاتی (IMF) با استفاده از تجزیه‌ی مد تجربی (EMD) استخراج شده و سپس ۳ IMF اول انتخاب شده است. هر IMF با پنجره‌‌ای یک ثانیه‌ای به تکه‌های کوچک‌تری تبدیل شده و ویژگی توان از هر قسمت استخراج شده است. سپس با استفاده از یک نگاشت مناسب، موقعیت الکترودها درسیستم ۱۰-۲۰ به موقعیت پیکسل‌ها در یک تصویر تبدیل شده و ویژگی‌های استخراج شده به عنوان مولفه‌های رنگ پیکسل در نظر گرفته شده است. برای تعیین کلاس ظرفیت، تمام تصاویر تولید شده به عنوان ورودی به یک شبکهی یادگیری عمیق داده شده و کلاس بالا یا پایین ظرفیت (خروجی شبکه) مشخص شده است. از همین روش برای تعیین کلاس برانگیختگی نیز استفاده شده است. برای بررسی روش پیشنهادی از پایگاه داده‌ی DEAP استفاده شده است. با انتخاب تصویر با اندازه‌ی ۱۷×۱۷، میانگین دقت و انحراف معیار طبقه‌بندی برای ظرفیت برابر با 58/78% و 9/3 و برای برانگیختگی برابر با 66/78% و 1/3 به دست آمده که در مقایسه با نتایج کارهای مشابه بهبود قابل توجهی داشته است.https://www.ijbme.org/article_36197_f67a40a604d98f5ce83b771f6af57d91.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Prediction of Pulmonary Artery and Peripheral Vascular Pressure based on Echocardiography Data and Artificial Neural Networkپیش‌بینی مقاومت عروق ریوی و فشار داخلی بطن راست بر مبنای داده‌های اکوکاردیوگرافی و شبکهی عصبی مصنوعی1051153599010.22041/ijbme.2019.98112.1421FAحامدعباسیدانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایرانشاهرخشجاعیاستادیار، گروه مهندسی پزشکی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران0000-0003-1703-228Xنسیمنادریدانشیار، گروه قلب و پیوند قلب، قلب و عروق شهید رجایی، مرکز پزشکی و پژوهشی، دانشگاه علوم پزشکی تهران، تهران,ایرانJournal Article20181121Today, in order to decide on many cardiac surgeries, and whether the patient is able to get under surgery or the time of surgery is passed, it is necessary to measure pulmonary vascular resistance and if the resistance is above a threshold, the patient is considered to be non-surgery; and sometimes, some therapies are used to reduce the resistance of the pulmonary arteries to the initial disease of the arteries, in which, in order to track down the resistance of the pulmonary vascular, a re-measurement of this parameter is required. Currently, the golden standard of this measure is the use of catheterization procedures, which are aggressive and associated with complications. The purpose of this study is to replace a non-invasive method, rather than an invasive method of cardiac catheterization, by predicting pulmonary vascular resistance based on echocardiographic data by artificial neural networks. Research was performed on 591 patients. Echocardiography was recorded for all subjects, and the echocardiographic data (mPAP, dPAP, sPAP, PCWP, CO) as the neural network input and pulmonary vascular resistance of all patients who were subjected to previous catheterization was evaluated as the output of the neural network and thus, it was obtained, the relationship between echocardiography data and PVRcath. The proposed neural network was typically learned with 75% of the data, and was tested with 25% of the data, and these ratios were modified to better learn the neural network. As a result of implementation, the mean squared error, respectively, for the learning and testing data for the proposed neural network, was 0.37 and 0.27 for the first model, 14.67 and 10.76 for the second model, and 15.82 and 9.58 for the third model.امروزه جهت تصمیم‌گیری در مورد بسیاری از عمل‌های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه‌گیری مقاومت عروق ریوی استفاده میشود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان‌هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه‌ی بیماریهای این عروق انجام میشود که برای پیگیری کاهش مقاومت عروق ریوی نیز لازم است تا این پارامتر مجددا اندازه‌گیری شود. در حال حاضر تنها معیار برای اندازه‌گیری این پارامتر، استفاده از روش‌های کاتتریسم است که روشی تهاجمی بوده و با عوارض جانبی زیادی همراه است. هدف از انجام این تحقیق، ارائه‌ی یک روش غیرتهاجمی به جای روش تهاجمی کاتتریزاسیون قلبی، از طریق پیش‌بینی مقاومت عروق ریوی بر مبنای داده‌های اکوکاردیوگرافی توسط شبکه‌های عصبی مصنوعی می‌باشد. این تحقیق روی 591 بیمار صورت گرفته است. پس از انجام اکوکاردیوگرافی برای تمامی بیماران، داده‌های اکوکاردیوگرافی (mPAP، dPAP، sPAP، PCWP، CO) به عنوان ورودی شبکهی عصبی و مقاومت عروق ریوی تمام بیماران (حاصل از کاتتریزاسیون قلبی) به عنوان خروجی شبکهی عصبی مورد ارزیابی قرار گرفته و در نهایت ارتباط بین داده‌های اکوکاردیوگرافی و PVRcath به دست آمده است. برای بررسی عمل‌کرد شبکهی عصبی پیشنهادی، به طور معمول از 75% داده‌ها برای آموزش و از 25% داده‌ها برای آزمون استقاده شده و هم‌چنین برای آموزش بهتر شبکهی عصبی، این نسبت‌ها تغییر داده شده است. در نتایج پیاده‌سازی، میانگین مربعات خطا به ترتیب برای داده‌های آموزش و آزمون شبکهی عصبی پیشنهادی در مدل اول برابر با 37/0 و 27/0، در مدل دوم برابر با 67/14 و 76/10 و در مدل سوم برابر با 82/15 و 58/9 به دست آمده است.https://www.ijbme.org/article_35990_c8ee5c5f3624e6bfb00270207fd1ee49.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Nonlinear EEG Processing and Statistical Analysis in the Study of Preference and Liking a Productپردازش غیرخطی و آنالیز آماری سیگنال‌های EEG در بررسی خوشایندی و علاقه‌مندی به انتخاب یک کالا1171343588010.22041/ijbme.2019.103139.1442FAسمیهرئیسدانااستادیار، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، پزشکی و مکاترونیک، واحد قزوین، دانشگاه آزاد اسلامی ، قزوین، ایرانسمانهصفریکارشناسی ارشد، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، پزشکی و مکاترونیک، واحد قزوین، دانشگاه آزاد اسلامی ، قزوین، ایرانJournal Article20190201In this study, a neuromarketing project was conducted via EEG signal processing in which the individuals’ interest for buying a relatively luxurious decorative product (which has a relative advantage in exports based on commonly evaluated criteria and indicators in economic) was evaluated. EEG signals of 24 participants during observing and selecting gemstone images were recorded and processed in order to analyze statistical significance of brain activity variations involved in the emotional (liking) and the decision making (choosing) processes. The recorded signals during the stimulation and selection phases were pre-processed in several steps to remove the existing noises and artifacts. Then, the 19-channel EEGs were processed via multiple tools to indicate active brain regions while watching gemstones. Brain mapping and regional analysis indicated that the occipital>frontal>limbic regions were more activated than other regions. Moreover, the left hemisphere has been more active than the right hemisphere. At the next step, nonlinear entropy feature of each signal segment was extracted to be used for training a neurofuzzy system which is an automatic classifier that learns to classify the individuals’ choices. The classification has resulted in 86.25% precision and 87.4% accuracy in a three-class classification task (including two pleasant selections and one unpleasant selection). At the final step, using a questionnaire filled by participants following the recording session, a number of statistical analyses were performed over the self-conscious and unconscious by means of statistical tools including t-test, analysis of variance and regression. The results of statistical tests indicated that there are significant differences for the cognition of liking or preferring among different choices and based on the selections made by women and men. Furthermore, the lack of existence of a significant difference between conscious and unconscious choices were rejected. در این پژوهش، یک طرح بازاریابی عصبی توسط پردازش سیگنال‌های EEG انجام شده و در آن میزان علاقه‌مندی افراد جامعه به خرید یک کالای تزئینی نسبتا لوکس مورد ارزیابی قرار گرفته است. سیگنال‌های مغزی 24 شرکت کننده در هنگام تماشای تصاویر سنگ‌های زینتی (که بر اساس معیارها و شاخص‌های ارزیابی متداول در امور اقتصادی، دارای مزیت نسبی در صادرات است) ثبت و پردازش شده تا اطلاعات معناداری از فعالیت مغزی که درگیر فرایند احساسی/دوست‌داشتن و تصمیم‌گیری/انتخاب است به دست آید. سیگنال‌های ثبت شده در فاز تحریک و انتخاب، برای حذف نویزها و آرتیفکت‌ها در چند مرحله پیش‌پردازش شده‌اند. سپس برای به دست آوردن نواحی فعال مغز هنگام تماشای سنگ‌های ارزشمند، داده‌های 19-کاناله‌ی EEG توسط ابزارهای چندگانه پردازش شده است. نگاشت مغزی و آنالیز منطقه‌ای نشان میدهد که فعالیت نواحی اکسیپیتال>فرونتال>لیمبیک بیش از سایر نواحی مغز بوده و هم‌چنین نیم‌کره‌ی چپ بیش از نیم‌کره‌ی راست فعالیت داشته است. در فاز بعدی، ویژگی غیرخطی آنتروپی تقریبی از سیگنال‌ها استخراج شده و از آن برای آموزش شبکهی عصبی-فازی استفاده شده است. شبکهی نوروفازی به عنوان طبقه‌بند اتوماتیک جهت آموزش و پیش‌بینی انتخاب افراد به کار گرفته شده است. نتایج حاصل از این پردازش دارای صحت 25/86% و دقت 4/87% در کلاس‌بندی سه‌گروهه (دو گروه خوشایند و یک گروه ناخوشایند بر حسب انتخاب‌های کابران) می‌باشد. در فاز نهایی، با استفاده از اطلاعات به دست آمده از پرسش‌نامه‌ای که توسط شرکت کنندگان تکمیل شده، بعد از جلسه‌ی ثبت، آنالیز آماری ناخودآگاه و خودآگاه توسط آزمون t، آنالیز واریانس و رگرسیون انجام شده است. نتایج آزمون آماری حاکی از وجود تفاوت معناداری بین شناخت خوشانیدی و ناخوشایندی در انتخاب بین گروه خانم‌ها و آقایان و در انتخاب انواع سنگ‌ها می‌باشد. هم‌چنین با استفاده ازنتایج آزمون آماری، فرضیه‌ی عدم وجود تفاوت معنادار میان انتخاب‌های خودآگاه و ناخودآگاه، مردود شد. https://www.ijbme.org/article_35880_2a0a1ce251866140a002ef0a7bd8c690.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Localizing Epileptic Focus through Simultaneous EEG-fMRI Recording and Automated Detection of IED from Inside-Scanner EEGمکان‌یابی کانون‌های صرع از طریق پردازش EEG-fMRI هم‌زمان و شناسایی خودکار اینترایکتال از EEG داخل اسکنر1351453572210.22041/ijbme.2019.103479.1447FAالیاسابراهیمزادهدانشجوی دکتری مهندسی پزشکی، قطب علمی کنترل و پردازش هوشمند، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران / پژوهش‌گر پیش‌دکتری، مرکز تحقیقات ام‌آر سیمن، دانشگاه کلگری، آلبرتا، کانادا0000-0001-8682-936Xحمیدسلطانیانزادهاستاد، قطب علمی کنترل و پردازش هوشمند، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایران / پژوهش‌گر ارشد، موسسه‌ی پزشکی هنری فورد، دیترویت، میشیگان، آمریکابابکنجار اعرابیاستاد، قطب علمی کنترل و پردازش هوشمند، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تهران، تهران، ایرانسید سهرابهاشمی فشارکیاستاد، مرکز جامع صرع، بیمارستان پارس، تهران، ایرانجعفرمهوریاستاد، گروه داخلی اعصاب، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران / مرکز تحقیقات علوم اعصاب اصفهان، اصفهان، ایرانJournal Article20190207Since electroencephalography (EEG) signal contains temporal information and fMRI carries spatial information, we can reasonably expect that a combination of the two contributes greatly to precise localization of epileptic focuses. With that in mind, we have first extracted spike patterns from outside of scanner EEG, through detecting and averaging the interictal epileptiform discharges (IED). Then, having implemented the correlation between the identified pattern and inside-scanner EEG, an automated system was developed to extract the temporal information when an epileptic seizure is triggered. We proceeded to convolve the obtained regressor with the hemodynamic response function (HRF) using the general linear model (GLM) for the purpose of localizing the epileptic focus. This study was conducted on 6 medication-resistant patients with epilepsy whose data was recorded in the National Brain Mapping Lab (NBML). The results of the proposed method are in line with the information provided in EEG for each of the 6 patients, and for the 4 patients who were candidates for brain surgery, they provided further information. The results suggest a significant improvement in localization accuracy and precision compared to existing methods in the literature.با توجه به رزولوشن زمانی خوب EEG و رزولوشن مکانی مناسب fMRI، ترکیب اطلاعات هم‌زمان آن‌ها میتواند باعث بهبود عمل‌کرد مکان‌یابی شود. در این مقاله سعی شده است تا با استفاده از اطلاعات این دو مدالیته در یک ثبت هم‌زمان، به مکان‌یابی کانون‌های صرعی پرداخته شود. از این رو، نخست از طریق شناسایی وقایع اینترایکتال و میانگین‌گیری، یک الگوی اسپایکر مستخرج از EEG خارج اسکنر ساخته شده و سپس از طریق اعمال همبستگی متقابل بین این الگو و سیگنال EEG درون اسکنر، یک سیستم خودکار به منظور استخراج اطلاعات زمانی لحظه‌ی وقوع حادثه طراحی شده است. پس از آن رگرسور به دست آمده بعد از کانوالو شدن با تابع پاسخ سیستم همودینامیک (HRF) از طریق مدل GLM به مکان‌یابی کانون‌های صرعی پرداخته است. این مطالعه روی 6 بیمار صرعی موضعی مقاوم به دارو که در آزمایشگاه ملی نقشه‌برداری مغز از آن‌ها ثبت داده صورت گرفته، انجام شده است. نتایج روش پیشنهادی با اطلاعات ارائه شده در EEG برای هر 6 بیمار هماهنگی داشته و از این میان برای 4 بیمار که کاندید جراحی مغز بودند، اطلاعاتی اضافه ارائه کرده است. نتایج به دست آمده حاکی از بهبود صحت و دقت مکان‌یابی نسبت به روش‌های پیشین می‌باشد.https://www.ijbme.org/article_35722_917ad2565258f410a86a57d6cfa47a8f.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Fusion Analysis of Brain Functional and Structural Connectivity to Discriminate Schizophrenia in Network Levelآنالیز توام اتصالات کارکردی و ساختاری مغز در بیماران اسکیزوفرنی با رویکرد شبکه‌ای1471583531710.22041/ijbme.2019.102379.1453FAفرزانهکیوانفرددانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران0000-0001-8516-5709عباسنصیرائیمقدماستادیار، گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایرانJournal Article20190221Brain as the most complex organ in the human body has been investigated from various aspects. The greatest origin of this complexity is due to the fact that, despite the fixed architecture of brain structure (physical connections), the functional connectivity is in a constantly changing state, resulting to different behaviors. In many mental diseases, both brain structural and functional connectivities and their relationship are changed and cause different symptoms. Investigation of brain connectivity variations in the disease may help to better understanding of the relationship between brain structure and function. One of the most severe and debilitating brain disorders is Schizophrenia in which both brain structure and function are involved. Among all available methods, multimodal analysis of data has been recently gained great interest to provide the capability of extracting association between separate neuroimaging data. However, due to their voxel based viewpoint, relationship between brain connectivities cannot be inferred. In this study, the joint independent component analysis (jICA) has been proposed to investigate the relationship between brain functional and structural connectivity. We applied the suggested approach to combine functional and structural connectivity, in order to assess abnormalities underlying schizophrenic patients relative to healthy people. The findings suggest that the correspondence between brain function and structure is not necessarily one-to-one. The results also indicated that variations in several structural fibers, such as superior longitudinal fasciculus and inferior longitudinal fasciculus, are associated with functional changes in the temporal and frontal lobes. Besides, analyzing the nodal strength and shortest path length in the obtained subnetworks demonstrates that the functional subnetworks efficiency in parallel information transfer in schizophrenic patients is reduced. Overall, the outcomes point out the capability of the proposed method to better understanding of brain functional and structural connectivity association and its variations in brain disorders. مغز به عنوان پیچیده‌ترین عضو بدن انسان، از جنبه‌های مختلفی مورد مطالعه قرار می‌گیرد. بیش‌ترین منشا این پیچیدگی از آن‌جا ناشی میشود که با وجود ثبات معماری ساختاری (اتصالات فیزیکی)، اتصالات کارکردی دینامیک و مختلفی در مغز وجود دارد. در بیماریهای مغزی، معمولا هر دو اتصال ساختاری و کارکردی مغز و هم‌چنین ارتباط میان آن‌ها دچار تغییر شده و علایم رفتاری متفاوتی را ناشی میشود. مطالعه‌ی تغییرات اتصالات مغزی در این‌گونه بیماری‌ها، به شناخت بهتر ارتباط میان ساختار و کارکرد مغز کمک می‌کند. یکی از اختلالات روانی رایج، بیماری اسکیزوفرنی است که از سایر بیماریهای روان‌شناختی، وخیم‌تر بوده و هر دو بخش ساختار و کارکرد مغز را به طور گسترده‌ای درگیر می‌کند. در میان روش‌هایی که تا کنون برای بررسی ارتباط میان داده‌های مغز پیشنهاد شده، رویکرد آنالیز توام، به دلیل توانایی استخراج اطلاعات متناظر در چند مدالیته، مورد توجه بسیاری از پژوهش‌گران قرار گرفته است. با وجود یافته‌های ارزشمند این روش‌ها، از آن‌جا که آنالیز آن‌ها تا کنون محدود به واکسل‌های تصویر بوده، اطلاعاتی از ارتباط میان اتصالات مغزی با استفاده از این روش‌ها فراهم نشده است. در این پژوهش از الگوریتم پیوندی آنالیز مولفه‌های مستقل به منظور تحلیل ارتباط میان تغییرات اتصالات کارکردی و ساختاری مغز بیماران اسکیزوفرنی در مقایسه با افراد سالم استفاده شده است. نتایج این مطالعه تایید می‌کند که ارتباط میان اتصالات مغزی الزاما به صورت یک-به-یک نمی‌باشد. هم‌چنین یافته‌های این پژوهش نشان داده که تغییرات اتصالات ساختاری مانند فاسیکولوس طولی فوقانی و فاسیکولوس طولی تحتانی با تغییرات کارکردی در نواحی مختلف مغزی مانند لوب‌های گیج‌گاهی و پیشانی مرتبط است. با مقایسه‌ی قدرت گره و طول کوتاه‌ترین مسیر در زیرشبکه‌های به دست آمده، کاهش بازدهی در انتقال موازی اطلاعات کارکردی در بیماران اسکیزوفرنی مشاهده گردید. با توجه به این یافته‌ها می‌توان نتیجه گرفت که آنالیز توام در سطح اتصالات مغزی میتواند به درک بهتر ارتباط میان تغییرات به وجود آمده در اتصالات ساختاری و کارکردی مغز کمک کند. https://www.ijbme.org/article_35317_2aa075ae40230194efbce78a0d5fad28.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Presenting a Heterogeneous Tumor Growth Model based on Cellular Automata Algorithm by Considering the Effect of Effective Immune Cells: Study the Model from Cancer Therapy Viewpointارائه‌ی یک مدل رشد تومور ناهمگون با اثر سلولهای موثر ایمنی بر اساس اتوماتای سلولی: بررسی مدل از نقطه‌نظر درمانی1591753620610.22041/ijbme.2019.107536.1478FAفاطمهپورحسنزادهدانشجوی دکتری، گروه بیوالکتریک، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایرانسید حجتسبزپوشاناستادیار، گروه بیوالکتریک، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایراندانیالنوزادمکوندیدانشجوی دکتری بیوالکتریک، گروه بیوالکتریک، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایرانJournal Article20190507Cancer is a leading cause of death in the world. Mathematical and computer models may help scientists to better understand it, and improve current treatments. They may also introduce new aspects of therapy. In this paper, a Cellular Automata model of tumor by emphasizing on immune system is presented. Considering the spetio-temporal heterogeneity that is not considered in most mathematical models, is one of the novelity of this work. In presented model each tumor cell in a square lattice can interact with both immune and normal cells in its Moore neighborhood. The rules for updating the states of the model are stochastic. Modeling tumor cells scaping from immune system and their survivance and considering immune system recurrement into the studied tissue is another innovation of this model. The results of our simulations are presented with/without considering immune system. The growth fraction and necrotic fraction are considered as output parameters of model as well as a 2-D graphical growth presentation. Results show that considering the heterogeneity will improve the compatibility of the model with biological reality and experimental studies. It can be seen that the number of immune cells increases during the tumor growth and follows the same dynamics as tumor cells. In this paper, we have innovatively focused on the effect of model parameters on different steps of tumor growth from the cancer therapy viewpoint. سرطان یکی از عوامل اصلی مرگ در دنیای امروز است. مدل‌های ریاضی و کامپیوتری میتواند به محققان در درک بهتر این بیماری و بهبود روش‌های درمانی فعلی کمک کند. مدل‌های جدید ارائه شده ممکن است به معرفی روش‌های درمانی جدیدی منجر شود. در این مقاله، یک مدل اتوماتای سلولی شبکهی مربعی از رشد تومور جامد، بدون رگ و ناهمگون با در نظرگرفتن اثر سیستم ایمنی ارائه شده است. در نظر گرفتن توام ناهمگونی زمانی و مکانی در فرایند رشد که در بسیاری از مدل‌ها در نظر گرفته نشده، یکی از نوآوری‌های این مدل است. علاوه بر اندرکنش سلول سالم-تومور، هر سلول تومور در شبکهی مدل میتواند با سلولهای ایمنی در همسایگی خود نیز اندرکنش داشته باشد. فرار و حتی نجات سلول توموری از سلولهای ایمنی و در نظر گرفتن مدلی ساده برای نمایش اثر فراخوانی سیستمهای ایمنی به بافت مورد مطالعه، از دیگر نوآوری‌های این مقاله به شمار میرود. در این تحقیق، قوانین تغییر حالات هر سلول با استفاده از مدلی تصادفی تعریف شده است. شبیهسازیها در این مقاله برای دو حالت با/بدون در نظر گرفتن سیستم ایمنی انجام شده است. علاوه بر نمایش گرافیکی دوبعدی رشد، پارامترهای کسر رشد و کسر نکروتیک به عنوان خروجیهای مدل در نظر گرفته شده است. شبیهسازیها نشان میدهد که مدل با ساختار ناهمگون، نتایج سازگارتری با بیولوژی سرطان داشته و با داده‌های تجربی انطباق بیش‌تری دارد. هم‌چنین شبیهسازیها نشان میدهد که تعداد سلولهای موثر ایمنی با دینامیکی مشابه سلولهای توموری افزایش مییابد. در این مقاله هم‌چنین به مقایسه‌ی نتایج حاصل از شبیهسازیها با نتایج مطرح شده در مراجع و بررسی تاثیر پارامترهای مدل در مراحل مختلف رشد از نقطه‌نظر درمانی پرداخته شده است.https://www.ijbme.org/article_36206_0e1267381db9da80a1c73f6e3673bf76.pdfانجمن مهندسی پزشکی ایراننشریه علمی مهندسی پزشکی زیستی2008-586913220190823Evaluation of Lumbar Muscle Synergy in Flexion Movement using Time-Varying Muscle Synergiesبررسی نحوه‌ی هم‌کاری عضله‌های کمری در حرکت خم شدن بالاتنه در سرعت‌های مختلف با استفاده از سینرجی عضلانی1771873608710.22041/ijbme.2019.109726.1493FAمهدیباقری روچیکارشناسی ارشد، دانشکده‌ی مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایرانمهردادداودیکارشناسی ارشد، دانشکده‌ی مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران0000-0002-9850-9272محمدپرنیانپوراستاد، دانشکده‌ی مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایرانJournal Article20190616According to the literature, changes in muscle activity patterns are considered as one of the causes of non-specific chronic low back pain. Recent studies have introduced muscle synergy as a valuable tool for analyzing how muscles work in body movements. In this way, a new study method is proposed for modeling upper body and extracting time-varying muscle synergies in flexural motion of the waist. In this way, a new study method is proposed for modeling trunk and extracting time-varying muscle synergies in plane bending movements of lumbar flexion. Considering 18 effective muscles and function of the combined cost of the minimum jerk-energy, 24 different movements and their corresponding muscle patterns have been simulated. To evaluate the role of velocity, the pattern of muscle activity was divided into two parts: tonic, to overcome the gravity force, and phasic, proportional to the trunk movement velocity. In the following, three fast-reaching times of 0.75, 1, and 2 seconds were considered for each direction. The results showed that 77% of the lumbar muscle pattern of movement was achieved by four phasic synergies and four tonic synergies. The resulting synergies are quite influenced by the movement direction and velocity, so that each pair of phasic and tonic synergy is most effective in one of the main directions. On the other hand, the increase in velocity causes elevated amplitude coefficient and accelerated activation of phasic synergies compared to normal mode. Considering the 45° flexion combination with 30° left lateral bending, 77.2% of the muscle pattern of movement has been reconstructed using time-varying synergies. It can be argued that the use of muscle synergies expresses a good explanation for how muscles work in movement at different directions and velocities.تغییر در الگوهای فعالیت عضلانی یکی از عوامل و نیز پیامدهای کمردرد غیراختصاصی مزمن به شمار میرود. در مطالعات اخیر استفاده از سینرجی عضلانی به عنوان راه‌کاری ارزنده برای تحلیل نحوه‌ی هم‌کاری عضلات در حرکات بدن معرفی شده است. در این مقاله، روش مطالعاتی جدیدی برای مدل‌سازی بالاتنه و استخراج سینرجی‌های عضلانی متغیر با زمان در حرکات صفحه‌ای خم شدن کمر ارائه شده است. از این رو، با در نظر گرفتن 18 عضله‌ی تاثیرگذار و تابع هزینه‌ی ترکیبی کمینه‌ی جرک- انرژی، 24 حرکت و الگوهای عضلانی متناظر آن‌ها شبیه‌سازی شده است. جهت بررسی نقش سرعت، الگوی فعالیت عضلانی به دو بخش تونیک، برای غلبه بر نیروی گرانش و بخش فازیک، متناسب با سرعت حرکت بالاتنه تقسیم‌بندی شده است. در ادامه برای هر جهت، سه زمان دست‌یابی به هدف برابر با 75/0، 1 و 2 ثانیه لحاظ گردیده است. نتایج نشان میدهد که 77% از الگوی عضلانی حرکات کمر با استفاده از 4 سینرجی فازیک و 4 سینرجی تونیک حاصل میگردد. سینرجی‌های به دست آمده کاملا تحت تاثیر جهت و سرعت حرکت میباشند به گونه‌ای که هر جفت از سینرجی فازیک و تونیک در یکی از جهت‌های اصلی بیش‌ترین تاثیر را ایفا می‌کنند. از طرفی افزایش سرعت، باعث افزایش ضریب بزرگی و سریع‌تر فعال شدن سینرجی‌های فازیک نسبت به حالت معمول میشود. در ادامه با در نظر گرفتن حرکت ترکیبی 45 درجه خمش به جلو همراه با 30 درجه خمش به چپ، 2/77% از الگوهای عضلانی حرکت با استفاده از سینرجی‌های متغیر با زمان بازسازی شده است. می‌توان گفت که استفاده از سینرجی‌های عضلانی، توضیح مناسبی را برای چگونگی هم‌کاری عضلات در تولید حرکت در جهت‌ها و سرعت‌های مختلف ارائه میدهد. https://www.ijbme.org/article_36087_55a2471ff102d6ea6bd23c81aafdfd43.pdf