مقاله کامل پژوهشی
سیستم‌های واسط مغز-رایانه
محمد میکاییلی؛ مریم فرهادنیا؛ سپیده حاجی پور
دوره 17، شماره 1 ، خرداد 1402، صفحه 1-10
چکیده
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابل‌قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI هستند که در ناحیه پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید ...
بیشتر
امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیل‌های برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابل‌قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل‌های بینایی حالت ماندگار یکی از مهم‌ترین الگوهای استفاده شده در سیستم‌های BCI هستند که در ناحیه پس‌سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می‌شوند. یکی از روش‌های کارا برای استخراج فرکانس SSVEP در سیستم‌های BCI، روش تجزیه و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که تانسوری‌شده روش کلاسیک تجزیه و تحلیل ضرایب همبستگی (CCA) است و مبتنی بر داده‌های چندبعدی است. در این مقاله، با الهام از روش MCCA، دو الگوریتم جدید (PARAFAC-CCA و C-PARAFAC-CCA) با استفاده از ترکیب روش CCA و تجزیه تانسوری PARAFAC معرفی شده‌است که هدف الگوریتمهای پیشنهادی بهبود سیگنال مرجع اولیه و دستیابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستم‌های BCI می‌باشد. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه PARAFAC روی داده‌های چندبعدی آموزش و بدست آوردن مولفه زمانی، روش CCA را بین مولفه زمانی بدست آمده و سیگنال مرجع سینوسی-کسینوسی پیاده‌سازی نموده و از خروجی آن، سیگنال مرجع بهینه ساخته می‌شود. در نهایت از الگوریتم MLR بین داده تست EEG و سیگنال مرجع بهینه به منظور دستیابی به فرکانس هدف استفاده می‌شود. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده، با این تفاوت که در محاسبه مولفه زمانی از PARAFAC مقید استفاده می‌شود به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمال‌شده و مولفه زمانی بهبود داده می‌شود. کارایی الگوریتمهای ارائه شده بر روی مجموعه دادگان واقعی، مورد بررسی قرار گرفته و نشان داده شد که در مقایسه با روش MCCA، الگوریتمهای پیشنهادی به طور میانگین به صحت تشخیصی بالاتری رسیده‌اند.
مقاله کامل پژوهشی
پردازش سیگنال‌های حیاتی
جواد دلاور متنق؛ حامد داننده حصار؛ محمد هادی احمدی فام
دوره 17، شماره 1 ، خرداد 1402، صفحه 11-20
چکیده
در سال‌های اخیر استفاده از الگوریتمهای مدل-پایه برای پردازش سیگنال ECG رواج گسترده‌ای یافته است. استخراج مدل دینامیکی ECG یکی از مراحل مهم در این الگوریتم‌هاست که تأثیر مستقیمی در عملکرد آن‌ها دارد. پارامترهای موجود در این مدل را می‌توان با استفاده از الگوریتمهای بهینه‌سازی محاسبه نمود. یکی از متداولترین الگوریتم‌ها در این زمینه ...
بیشتر
در سال‌های اخیر استفاده از الگوریتمهای مدل-پایه برای پردازش سیگنال ECG رواج گسترده‌ای یافته است. استخراج مدل دینامیکی ECG یکی از مراحل مهم در این الگوریتم‌هاست که تأثیر مستقیمی در عملکرد آن‌ها دارد. پارامترهای موجود در این مدل را می‌توان با استفاده از الگوریتمهای بهینه‌سازی محاسبه نمود. یکی از متداولترین الگوریتم‌ها در این زمینه یک الگوریتم غیرخطی آفلاین می‌باشد که برای تقریب خوب مدل و پارامترهای آن، به نقاطی از سیگنال ECG نیاز دارد که توسط کاربر بایستی به‌صورت دستی انتخاب شود. علاوه بر مشکل فوق، تابع هدف در این الگوریتم یک تابع پیچیده است که درصورت انتخاب نادرست نقاط مناسب برای بهینه سازی خروجی مناسبی را دراختیار نخواهد گذاشت. در این مقاله یک الگوریتم جدید خودکار مبتنی بر الگوریتمهای فراابتکاری معرفی می‌شود که نیازی به انتخاب دستی نقاط برای مدلسازی ECG ندارد. بعلاوه بخاطر ساده سازی فرآیند بهینه سازی، از دقت بالایی نسبت به الگوریتم بهینه‌سازی غیرخطی افلاین مورد اشاره برخوردار است. ازآنجایی‌که یک الگوریتم فراابتکاری ممکن است در برخی از مسائل بهینه‌سازی موفق و در برخی دیگر ناموفق عمل کند، در این مقاله عملکرد 9 الگوریتم فراابتکاری متداول مانند ازدحام ذرات، کلونی زنبور عسل، جستجوی فاخته و... در استخراج پارامترهای مدل دینامیکی ECG مورد بررسی قرار گرفت. جهت ارزیابی الگوریتم‌ها از 200 سیگنال ثانیه‌ای مستخرج از پایگاه داده‌ی ریتم سینوس نرمال فیزیونت استفاده گردید. به منظور ارزیابی عملکرد الگوریتم‌ها، شباهت سیگنال‌های اصلی با سیگنال‌های مصنوعی ECG که توسط الگوریتمهای بهینه‌سازیساخته می‌شدند مورد بررسی قرار گرفت. نتایج بررسی‌ها حاکی از آن بود که سه الگوریتم جستجوی فاخته، بهینه‌سازی مبتنی بر یادگیری و آموزش و بهینه‌سازی تبخیر آب بهترین عملکرد را در استخراج پارامترهای مدل دینامیکی ECG دارند. نتایج حاصل از این مطالعه نشان داده که خطای میانگین مربعات (MSE) الگوریتم پیشنهادی با استفاده از سه الگوریتم فراابتکاری فوق به ترتیب 50/1و 43/1و 40/1 می‌باشد.
