پردازش تصویر و ویدئو
مجید روحی؛ جلیل مظلوم؛ محمدعلی پورمینا؛ بهبد قلمکاری
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 خرداد 1401
چکیده
یکی از عوامل رایج مرگومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکتههای مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خونریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله ...
بیشتر
یکی از عوامل رایج مرگومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکتههای مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خونریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله یک سیستم تصویربرداری مایکروویو مغز، برای تشخیص خونریزی داخل جمجمه کروی شکل با شعاع یک سانتیمتر در نرم افزار CSTشبیهسازی و برای تصویربرداری از یک سری آرایه آنتن پروانهای اصلاح شده در اطراف فانتوم سر چند لایه، استفاده شده است. برای داشتن ویژگیهای تشعشی مورد نظر در محدوده باند فرکانسی 5/0 الی 5/5 گیگاهرتز، یک محیط تطبیق مناسب طراحی شده است. ابتدا در بخش پردازش از روشهای بازسازی تصویر مانند الگوریتمهای بیمفرمر تأخیر و جمع و همچنین تأخیر ضرب و جمع استفاده میشود. تصاویر بازسازی شده مفید بودن روش متداول پیشنهادی را در تشخیص هدف کروی در محدوده یک سانتیمتر نشان میدهد. هدف اصلی این مقاله طبقهبندی سکته مغزی ایسکمیکی و هموروژیک با استفاده از رویکردهای یادگیری عمیق است. برای این منظور یک الگوریتم طبقهبندی تصویر برای تخمین نوع سکته از تصاویر بازسازی شده ایجاد میشود که در این راستا با استفاده از روش پیشنهادی یادگیری عمیق تصاویر بازسازی شده توسط یک ماشین بردار پشتیبان خطی چند کلاسه با ویژگی استخراج شده توسط یک شبکه عصبی کانولوشن آموزش میبینند. نتایج شبیهسازی شده عملکرد مناسب روش پیشنهادی را در تعیین محل دقیق اهداف خونریزی با دقت 89 درصد و در مدت زمان 9 ثانیه نشان میدهد. علاوه بر این، روش پیشنهادی یادگیری عمیق به دلیل سردرگم نبودن سیستم در بین طبقات مختلف از نظر طبقهبندی عملکرد خوبی را نشان میدهد.
پردازش سیگنالهای پزشکی
سحر کریمی شهرکی؛ مهدی خضری
دوره 12، شماره 47 ، آذر 1400، ، صفحه 1-11
چکیده
اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد میشود. این بیماری بیشتر درکودکان دیده میشود و بهطور مستقیم منجر به ناتوانی آنها در یادگیری میشود. هدف این مطالعه، ارایه سیستمی بهمنظور شناسایی دقیقتر بیماران ADHD با استفاده از ویژگیهای برمبنای موجک ...
بیشتر
اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد میشود. این بیماری بیشتر درکودکان دیده میشود و بهطور مستقیم منجر به ناتوانی آنها در یادگیری میشود. هدف این مطالعه، ارایه سیستمی بهمنظور شناسایی دقیقتر بیماران ADHD با استفاده از ویژگیهای برمبنای موجک سیگنالهای مغزی (EEG) است. سیگنالهای EEG ثبت شده از 61 کودک ADHD (شناسایی شده بر مبنای معیار DSM-IV) و60 کودک سالم به عنوان گروه کنترل در محدوده سنی 7-12 سال برای طراحی سیستم مورد استفاده قرارگرفتند. در روش پیشنهادی، سیگنالهای EEG با اعمال تبدیل موجک به زیرباندهایی تجزیه شدند؛ و برای نسخه زمانی سیگنالها در هر زیرباند، ویژگیهای زمانی و آماری محاسبه شدند. مجموعه ویژگی کاهش یافته با روش تحلیل مولفه اصلی (PCA) سپس برای آموزش واحد طبقهبندی به منظور شناسایی بیماران ADHD از افراد سالم بهکار رفت. برای کسب نتایج مطلوب، انواع مختلف توابع موجک و سطوح تجزیه مورد بررسی قرارگرفتند. تابع موجک bior3.1با روش طبقهبندی ماشین بردار پشتیبان (SVM)و تابع موجک rbio1.1 با روش طبقهبندی k نزدیکترین همسایه (kNN) با کسب دقتهای شناسایی بهترتیب 98.33 و 99.17 درصد، بهترین عملکرد را ارایه کردند. روش طبقهبندی SVM با تابع کرنل پایه شعاعی (RBF) و روش kNN با تعداد همسایگی k=3 بهترین نتایج را کسب کردند. نتایج بهدست آمده در این مطالعه، در مقایسه با نتایج گزارش شده در مطالعات قبلی حداقل 2 درصد بهبود در دقت شناسایی بیماران ADHD را نشان دادند.