مهندسی پزشکی
سیده بهناز امامی؛ نسیم نورافزا؛ شروان فکری ارشاد
دوره 13، شماره 52 ، اسفند 1401، ، صفحه 65-78
چکیده
آلزایمر ازجمله بیماری‌های شایع قرن ۲۱ است و به سبب آن سلول‌های مغزی بیمار به‌تدریج از بین رفته و بیمار فوت می‌کند. در اکثر مواقع هنگامی این بیماری تشخیص داده میشود که علائم آن بروز پیداکرده و کار چندانی برای بیمار نمی‌توان انجام داد. لذا استفاده از الگوریتم‌های یادگیری برای تشخیص بیماری بسیار مفید است. به همین دلیل تاکنون الگوریتم‌های ...
بیشتر
آلزایمر ازجمله بیماری‌های شایع قرن ۲۱ است و به سبب آن سلول‌های مغزی بیمار به‌تدریج از بین رفته و بیمار فوت می‌کند. در اکثر مواقع هنگامی این بیماری تشخیص داده میشود که علائم آن بروز پیداکرده و کار چندانی برای بیمار نمی‌توان انجام داد. لذا استفاده از الگوریتم‌های یادگیری برای تشخیص بیماری بسیار مفید است. به همین دلیل تاکنون الگوریتم‌های متفاوتی ازجمله نزدیکترین همسایه، آنالیز تشخیص خطی و ماشین بردار پشتیبان برای تشخیص این بیماری استفاده شده است. این روش‌ها دارای نقاط ضعفی ازجمله صحت پایین، پیچیدگی محاسباتی بالا و یا زمان اجرای زیادی هستند. بنابراین در این تحقیق، روشی مبتنی بر یادگیری عاطفی مغز و ویژگی موجک استفاده شده است. ابتدا ماده سفید و خاکستری مغز توسط روش آستانهگیری تفکیک شدند، در مرحله دوم ویژگیهای بافت تصاویر توسط الگوریتم تبدیل موجک استخراج گردید، مرحله سوم کاهش بعد روی ویژگیهای استخراج شده توسط آنالیز مؤلفه‌های اصلی انجام گرفته و درنهایت با استفاده از دو الگوریتم یادگیری عاطفی مغز و الگوریتم یادگیری عاطفی مغز مبتنی بر تشخیص الگو طبقهبندی صورت گرفته است. نتایج نشان دادند که زمان اجرای الگوریتم یادگیری عاطفی مغز 22/0 ثانیه و نیز الگوریتم یادگیری عاطفی مغز با صحت 95 درصد و الگوریتم یادگیری عاطفی مغز مبتنی بر تشخیص الگو با صحت 97 درصد بهتر از ماشین بردار پشتیبان با صحت 83 درصد عمل کردهاند.
مهندسی پزشکی
سارا مجلسی؛ مهدی خضری
دوره 13، شماره 52 ، اسفند 1401، ، صفحه 99-110
چکیده
تشخیص و کنترل سطح استرس در رانندگان بهمنظور کاهش خطرات ناشی از آن، از اهمیت ویژهای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنالهای فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنالهای فیزیولوژیکی از هفده ...
بیشتر
تشخیص و کنترل سطح استرس در رانندگان بهمنظور کاهش خطرات ناشی از آن، از اهمیت ویژهای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنالهای فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنالهای فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابانهای شهر و بزرگراه است. مجموعهای از ویژگیهای آماری و آنتروپی بههمراه ویژگیهای ریختشناسی که فقط برای سیگنال ECG محاسبه شدند، بهکار رفته است. ویژگیهای تعیین شده بهعنوان ورودی واحدهای طبقهبندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) بهعنوان روشهای طبقهبندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقهبندی است. بهاین منظور ترکیب واحدهای طبقهبندی منفرد، که هرکدام تنها از ویژگیهای یکی از سیگنالهای قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگیهای مؤثر با الگوریتم ژنتیک، طبقهبندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با 9/96 درصد بهدست آمد. در حالیکه بالاترین دقت تشخیص بین طبقهبندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگیهای سیگنال ECG استفاده کرده بود بهدست آمد. نتایج بهدست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کردهاند، نشان میدهد.
مهندسی پزشکی
محمدرضا رضایتمند؛ علیرضا نقش
دوره 13، شماره 51 ، آذر 1401، ، صفحه 1-18
چکیده
در کار با تصاویر پزشکی، اولویت اصلی تأمین امنیت اسناد بیمار در برابر هرگونه دست‌کاری توسط افراد غیرمجاز است؛ بنابراین، نگرانی اصلی سیستم پزشکی الکترونیکی موجود، ایجاد برخی از راه‌حل‌های استاندارد برای حفظ اصالت و یکپارچگی محتوای تصاویر پزشکی است. بر این اساس نهان نگاری تصاویر دیجیتال زمینه های کاربردی فراوانی دارد، یکی از مهمترین ...
بیشتر
در کار با تصاویر پزشکی، اولویت اصلی تأمین امنیت اسناد بیمار در برابر هرگونه دست‌کاری توسط افراد غیرمجاز است؛ بنابراین، نگرانی اصلی سیستم پزشکی الکترونیکی موجود، ایجاد برخی از راه‌حل‌های استاندارد برای حفظ اصالت و یکپارچگی محتوای تصاویر پزشکی است. بر این اساس نهان نگاری تصاویر دیجیتال زمینه های کاربردی فراوانی دارد، یکی از مهمترین کاربردهای آن در حفاظت از تصاویر پزشکی، حک کردن اسم ها، امضاها و مشخصات بیماران بر روی تصاویر، ویدئو ها و غیره می باشد به طوری که مشخص نخواهد بود. شیوه های مختلفی برای نهان نگاری تصاویر دیجیتال ارائه شده اند، اما در این بین یکی از پرکاربردترین روش ها جهت دستیابی به نهان نگاری مقاوم در برابر انواع حملات به کار گیری ترکیب حوزه تبدیل موجک گسسته و تجزیه مقدار منفرد می باشد. ما در این تحقیق از 2 مرحله تبدیل موجک هار روی تصویر میزبان و یک سطح تجزیه ی مقدار منفرد روی زیر گروه فرکانس پایین آن و ترکیب با ضریبی از نهان نگار و یک سطح دیگر تجزیه ی مقدار منفرد جهت جایگذاری نهان نگار و افزایش مقاومت نهان نگاری استفاده کرده ایم به صورتی که در زمان استخراج نهان نگار بتوان به صورت نیمه کورعمل کرد. با این روش توانسته ایم به طور متوسط به نسبت حداکثر سیگنال به نویز 55 و 7 درصد بهبود جهت غیر قابل مشاهده بودن نهان نگار و همچنین به طور متوسط به ضریب همبستگی 0.97 و 34 درصد بهبود جهت افزایش مقاومت نهان نگاری نسبت به حملات مختلف برسیم.
مهندسی پزشکی
مینا غیور؛ حسین پورقاسم
دوره 11، شماره 44 ، اسفند 1399، ، صفحه 1-19
چکیده
دیابت یکی از شایعترین بیماریها در جهان است که آثار مخربی بر روی قسمتهای مختلف بدن برجای میگذارد. از ابتداییترین قسمتهایی که دچار عارضه میشود چشم است. تحلیل صدمات وارد شده بر روی شبکیه چشم از بهترین راههای تشخیص دیابت است. به همین علت ابتدا یک روش پرکاربرد و موثر برای حذف نویز تصاویر با ترکیب فیلتر وینر و تبدیل ...
بیشتر
دیابت یکی از شایعترین بیماریها در جهان است که آثار مخربی بر روی قسمتهای مختلف بدن برجای میگذارد. از ابتداییترین قسمتهایی که دچار عارضه میشود چشم است. تحلیل صدمات وارد شده بر روی شبکیه چشم از بهترین راههای تشخیص دیابت است. به همین علت ابتدا یک روش پرکاربرد و موثر برای حذف نویز تصاویر با ترکیب فیلتر وینر و تبدیل موجک گسسته اعمال میشود. در مرحله بعد از الگوریتم خوشهبندی k-means برای حذف قسمتهای نامطلوب تصویر شامل نواحی خیلی روشن و خیلی تیره تصویر، استفاده میشود. سپس ویژگیهای رنگ و شکل تصاویر استخراج میشود. برای استخراج ویژگیهای رنگ تصویر، تصاویر را به فضای lab که برای چشم انسان بهتر قابل درک است برده میشود و برای استخراج ویژگیهای شکل ابتدا تصاویر را به تصاویر خاکستری تبدیل کرده و سپس اقدام به استخراج ویژگیهای شکل میگردد. پس از استخراج ویژگیها به کمک الگوریتم تجزیه و تحلیلمؤلفههایاصلی تعداد ویژگیها را کاهش داده و بهترین و مؤثرترین ویژگیها انتخاب میشود. در پایان برای طبقهبندی ویژگیها و تصاویر به دو گروه سالم و بیمار، از طبقه‌بند ماشین بردار پشتیبان با کرنلهای متفاوت استفاده میشود. این الگوریتم صحت بالای 90% برای تصاویر آزمایشی حاصل می‌کند.
مهندسی پزشکی
نگار دشتی؛ مهدی خضری
دوره 11، شماره 43 ، آبان 1399، ، صفحه 13-27
چکیده
کنترل اندامهای مصنوعی میتواند از طریق تفکیک الگوهای تصورحرکت با استفاده ازسیگنالهای الکتروانسفالوگرافی (EEG) انجام شود. هدف از انجام این مطالعه تشخیص تصور حرکات دست و پا برمبنای سیگنال EEG است. مجموعه آزمونهای IVA از دادههای BCI Competition IIIکه شامل سیگنالهای EEG ثبتشده از 5 فرد سالم و در سه کانال C3، C4 و CZ است، برای طراحی ...
بیشتر
کنترل اندامهای مصنوعی میتواند از طریق تفکیک الگوهای تصورحرکت با استفاده ازسیگنالهای الکتروانسفالوگرافی (EEG) انجام شود. هدف از انجام این مطالعه تشخیص تصور حرکات دست و پا برمبنای سیگنال EEG است. مجموعه آزمونهای IVA از دادههای BCI Competition IIIکه شامل سیگنالهای EEG ثبتشده از 5 فرد سالم و در سه کانال C3، C4 و CZ است، برای طراحی سیستم تشخیص حرکات تصور شده بهکار رفت. در ابتدا، با استفاده از روش تحلیل مولفهی اصلی چند مقیاسی (MSPCA) اجزای اساسی نویز سیگنال EEG حذف شدند. در مرحلهی بعد، سیگنالهای EEG با دو روش مختلف شامل فیلترینگ فرکانسی با استفاده از فیلتر باترورث و روش تبدیل بسته ویولت (WPT) به بخشهایی تجزیه شدند. در این مطالعه، تجزیه و تحلیل نوسانات تفکیک‌شده، بعد فرکتال، بعد همبستگی، پیچیدگی لیمپل-زیو و آنتروپی بهعنوان ویژگیهای دینامیکی برای سیگنالها محاسبه شدند. ویژگیهای مورد نظر در هر دو روش تجزیه، برای نسخه زمانی زیرباندهای تعیین شده محاسبه شدند. بهمنظور تعیین بهترین عملکرد سیستم، ترکیبهای متفاوتی از کانالها و ویژگیها مورد ارزیابی قرار گرفتند. روش تجزیه بر مبنای تبدیل ویولت، درحالت استفاده از هر سه کانال و پنج ویژگی، بالاترین دقت تشخیص را ارایه کرد؛ بهگونهای که با استفاده از روش طبقهبندی ماشین بردار پشتیبان (SVM)، دقت 93 درصد در شناسایی حرکات مورد نظر بهدست آمد.
مهندسی پزشکی
مهتاب دادخواه؛ مهدی خضری؛ حمید محمودیان
دوره 11، شماره 41 ، اردیبهشت 1399، ، صفحه 33-45
چکیده
در این مطالعه سعی بر آن است که مدل کاملی از عضله اسکلتی ارایه شود؛ با این هدف که گویای رفتار آن به طور دقیق باشد. این مدل با در نظر گرفتن نقش گیرنده‌های حسی دوک عضلانی و گلژی تاندون در عملکرد عضله ارایه میشود. دوک عضلانی و گلژی تاندون به ترتیب اطلاعاتی در مورد تغییرات طول و نیروی عضله تولید می‌کنند. این داده ها سپس به مغز و نخاع ارسال ...
بیشتر
در این مطالعه سعی بر آن است که مدل کاملی از عضله اسکلتی ارایه شود؛ با این هدف که گویای رفتار آن به طور دقیق باشد. این مدل با در نظر گرفتن نقش گیرنده‌های حسی دوک عضلانی و گلژی تاندون در عملکرد عضله ارایه میشود. دوک عضلانی و گلژی تاندون به ترتیب اطلاعاتی در مورد تغییرات طول و نیروی عضله تولید می‌کنند. این داده ها سپس به مغز و نخاع ارسال شده و آنها را از وضعیت فعلی عضله مطلع و در ارسال فرامین حرکتی برای عضله کمک می کنند. در این مطالعه ترکیب تطبیقی آوران های دوک و گلژی، با توجه به تغییر در سطح فعالیت آنها و نیروی تولید شده در عضله در شرایط مختلف عملکردی، پیشنهاد شده است. درنظر گرفتن بازخوردهای کنترلی آورانها در مدلسازی ارایه شده می تواند رفتار مطلوب و دقیق عضله را تحت بارهای مختلف ارایه و محدودیت های مدل های پیشین را برطرف کند. نتایج مدل پیشنهاد شده با توجه به مدلسازی دقیق گیرنده‌های حسی و اجزای مختلف عضله اسکلتی، با نتایج تجربی مطابقت داشته است. این مدل میتواند برای پیشگویی رفتار عضله در شرایط مختلف عملکردی، جلوگیری از آسیبهای سیستم عصبی-عضلانی و همچنین طراحی عضلات مصنوعی و پروتزهای مختلف به کار رود.
مهندسی پزشکی
غزال مردانیان؛ ندا بهزادفر
دوره 10، شماره 40 ، بهمن 1398، ، صفحه 23-32
چکیده
سرطان سینه یکی از شایع ترین سرطان ها در بین زنان است. در بسیاری از مواقع، هیچ علائم آشکاری در بیماران مبتلا به سرطان سینه مشاهده نمی شود. تشخیص دقیق سرطان سینه در مراحل اولیه برای کاهش مرگ و میر امری ضروری است. ماموگرافی به عنوان یک روش استاندارد بیش از 40 سال است که در تشخیص بیماری های سینه مورد استفاده قرار گرفته است. برای جلوگیری از ...
بیشتر
سرطان سینه یکی از شایع ترین سرطان ها در بین زنان است. در بسیاری از مواقع، هیچ علائم آشکاری در بیماران مبتلا به سرطان سینه مشاهده نمی شود. تشخیص دقیق سرطان سینه در مراحل اولیه برای کاهش مرگ و میر امری ضروری است. ماموگرافی به عنوان یک روش استاندارد بیش از 40 سال است که در تشخیص بیماری های سینه مورد استفاده قرار گرفته است. برای جلوگیری از تجزیه و تحلیل های ذهنی تصاویر ماموگرافی توسط رادیولوژیست ها و افزایش دقت آشکارسازی سرطان سینه، سیستم های مبتنی بر هوش مصنوعی در سال های اخیر مورد توجه زیادی قرار گرفته اند. در این مطالعه با ترکیب الگوریتم کرم شب تاب و اعمال پیش پردازش های مناسب بر روی تصویر به آشکارسازی سرطان سینه در تصاویر ماموگرافی پرداخته شده است. در این مطالعه، از تصاویر ماموگرافی موجود در مجموعه داده DDSM استفاده شد. 3 معیار عملکردی صحت، حساسیت و دقت (%4/93، 91%، 95% ) برای تجزیه و تحلیل عملکرد تشخیص استفاده شد. اثر پیشنهادی در مقایسه با کارهای موجود در ادبیات عملکرد بهتری نشان می دهد
مهندسی پزشکی
جواد ابراهیم نژاد؛ مهکام کاهکش؛ علیرضا نقش
دوره 9، شماره 36 ، بهمن 1397، ، صفحه 15-22
چکیده
هدف این مقاله طبقه بندی سیگنال های الکتروانسفالوگرام به دو دسته صرعی و سالم می باشد. برای دستیابی به بالاترین دقت، از تکنیک های مختلف استفاده شده است. روش های تبدیل موجک و تجزیه حالت تجربی برای استخراج ویژگی های مورد نظر از این سیگنال ها به کار رفته است. این دو روش از لحاظ تاثیر در فرآیند طبقه بندی با یکدیگر مقایسه شده اند. جهت کاهش ابعاد ...
بیشتر
هدف این مقاله طبقه بندی سیگنال های الکتروانسفالوگرام به دو دسته صرعی و سالم می باشد. برای دستیابی به بالاترین دقت، از تکنیک های مختلف استفاده شده است. روش های تبدیل موجک و تجزیه حالت تجربی برای استخراج ویژگی های مورد نظر از این سیگنال ها به کار رفته است. این دو روش از لحاظ تاثیر در فرآیند طبقه بندی با یکدیگر مقایسه شده اند. جهت کاهش ابعاد فضای ویژگی، روش های تحلیل اجزای مستقل و اصلی مورد استفاده قرار گرفته اند. سپس به منظور کاهش اثر نویز بر تحلیل سیگنال الکتروانسفالوگرام، روش نرم کردن اعمال گردید. درنهایت، به کمک طبقه بندی کننده ماشین بردار پشتیبان، داده های موجود طبقه بندی شدند. این مراحل برای مجموعه داده موجود، شامل 5 گروه از سیگنال های الکتروانسفالوگرام تک کانال، آزمایش شد. نتایج، کارایی و دقت بالای روش تجزیه حالت تجربی در استخراج ویژگی و طبقه بندی سیگنال ها را نشان می دهد. براین اساس، دقت و حساسیت به دست آمده از هر دو ترکیب تجزیه حالت تجربی - تحلیل اجزای مستقل و تجزیه حالت تجربی - تحلیل اجزای اصلی، پس از نرم کردن داده ها، به عنوان یک رویکرد جدید در استخراج و طبقه بندی ویژگی ها، 100% می باشد. خروجی این سیستم در کنترل و درمان بیماری کاربرد دارد.
مهندسی پزشکی
ابراهیم اکبری؛ مهران عمادی
دوره 9، شماره 36 ، بهمن 1397، ، صفحه 33-42
چکیده
تولید سلول‌های اضافی اغلب تشکیل توده‌ای از بافت را می‌دهند که به آن تومور اطلاق میشود. تومورها می‌توانند عملکرد صحیح مغز را مختل کنند و حتی منجر به مرگ بیمار گردند. یکی از راههای تشخیصی غیرتهاجمی برای این بیماری تصویر‌برداری تشدید مغناطیسی (MRI) می‌باشد. توسعه‌ی یک سیستم تشخیصی اتوماتیک یا نیمه‌اتوماتیک به کمک کامپیوتر در درمان‌های ...
بیشتر
تولید سلول‌های اضافی اغلب تشکیل توده‌ای از بافت را می‌دهند که به آن تومور اطلاق میشود. تومورها می‌توانند عملکرد صحیح مغز را مختل کنند و حتی منجر به مرگ بیمار گردند. یکی از راههای تشخیصی غیرتهاجمی برای این بیماری تصویر‌برداری تشدید مغناطیسی (MRI) می‌باشد. توسعه‌ی یک سیستم تشخیصی اتوماتیک یا نیمه‌اتوماتیک به کمک کامپیوتر در درمان‌های پزشکی مورد نیاز است. الگوریتم‌های متعددی برای تشخیص تومور بکار گرفته شده است که هرکدام دارای مزایا و معایب خاص خودش است. در این پژوهش، از تلفیق روشهای تقسیمبندی سوپر‌پیکسل و طبقهبندی RVM، یک روش اتوماتیک برای پیدا کردن محدوده دقیق ناحیه تومور در تصویر MRI ابداع نموده است. الگوریتم مورداستفاده در روش سوپر‌پیکسل، الگوریتم SLIC است که برای هر سوپر‌پیکسل 13 ویژگی آماری و شدت روشنائی، محاسبه شده و در نهایت توسط الگوریتم طبقهبندی RVM روشی آموزش داده میشود که بتواند در هر تصویر MRI مغز، قسمت تومور را از غیرتومور تشخیص دهد.در این تحقیق از مجموعه داده BRATS2012 و از تصاویر با وزن FLAIR استفاده شده است و نتایج بدست آمده با نتایج BRATS2012 مقایسه گردیده است و ضرایب همپوشانی Dice، BF score و Jaccard به ترتیب 0.898 ، 0.697 و 0.754 بدست آمده است.
مهندسی پزشکی
حمید رضا جوادی؛ حسین پورقاسم
دوره 8، شماره 29 ، اردیبهشت 1396، ، صفحه 33-40
چکیده
در این پژوهش الگوریتم جدیدی برای طبقهبندی تصاویر درموسکپی به دو نوع بدخیم و خوش‌خیم ارائه شده است. ابتدا یک مرحله پیش‌پردازش دو مرحله‌ای شامل فیلترگذاری جهت حذف نویز و فیلتر همومورفیک جهت ارتقاء کیفیت تصویر اعمال میشود. سپس با استفاده از روش آستانه‌گذاری Otsu ضایعه از نواحی سالم جدا میشود. سپس ویژگیهای شکل و رنگ از تصویر قطعه‌بندی ...
بیشتر
در این پژوهش الگوریتم جدیدی برای طبقهبندی تصاویر درموسکپی به دو نوع بدخیم و خوش‌خیم ارائه شده است. ابتدا یک مرحله پیش‌پردازش دو مرحله‌ای شامل فیلترگذاری جهت حذف نویز و فیلتر همومورفیک جهت ارتقاء کیفیت تصویر اعمال میشود. سپس با استفاده از روش آستانه‌گذاری Otsu ضایعه از نواحی سالم جدا میشود. سپس ویژگیهای شکل و رنگ از تصویر قطعه‌بندی شده، استخراج میشود. ویژگی های رنگ مبتنی بر ممان‌های آماری سطوح رنگی کوانتیزه شده و هیستوگرام رنگی کوانتیزه شده تعریف شده‌اند. این ویژگیها توزیع مولفه‌های مختلف رنگی در ناحیه عارضه پوستی را نشان میدهد. علاوه براین ویژگیهای شکل با دو رویکرد متفاوت سعی در استخراج اطلاعات نواحی عارضه دارند. رویکرد اول، ویژگی‌هایی که مربوط به نحوه توزیع و گستردگی ناحیه است را نمایندگی می‌کند و رویکرد دوم، ویژگی‌هایی که مربوط به تغییرات لبه‌های عارضه است را بیان می‌کند. مجموعه این ویژگیها، با استخراج اطلاعات همه جانبه از رنگ، شکل و ناحیه عارضه کمک به شناسایی نواحی خوش‌خیم از بدخیم می‌کند. در پایان نیز جهت انجام عمل شناسایی و طبقهبندی، چندین طبقه‌بند همچون KNN، Desision Tree، SVM و Adaboost بکار گرفته میشود. الگوریتم پیشنهادی بر روی یک پایگاه داده استاندارد و همچنین یک پایگاه داده تهیه شده شامل 200 تصویر مورد ارزیابی و آزمایش قرار می‌گیرد. نتایج آزمایش‌ها نشان میدهد که طبقهبندی با طبقه‌بند Adaboost دقت، صحت و حساسیت به ترتیب %96 و %7/96 و%95 را فراهم می کند.
مهندسی پزشکی
غزال شیخی؛ حمید محمودیان
دوره 4، شماره 15 ، آذر 1392، ، صفحه 19-30
چکیده
امروزه در تحقیقات حوزه پردازش و بازشناخت گفتار، هجا به دلیل ارتباط قوی آن با تولید و ادراک گفتار در انسان، به عنوان یک واحد زیرکلمه‌ای هر روز بیشتر مورد توجه قرار می‌گیرد. آشکارسازی خودکار مرزهای هجایی گامی مهم در تحقیقات مرتبط با نوای گفتار، تولید گفتار طبیعی و حتی بازشناسی گفتار است. در این مقاله روش جدیدی برای آشکارسازی خودکار ...
بیشتر
امروزه در تحقیقات حوزه پردازش و بازشناخت گفتار، هجا به دلیل ارتباط قوی آن با تولید و ادراک گفتار در انسان، به عنوان یک واحد زیرکلمه‌ای هر روز بیشتر مورد توجه قرار می‌گیرد. آشکارسازی خودکار مرزهای هجایی گامی مهم در تحقیقات مرتبط با نوای گفتار، تولید گفتار طبیعی و حتی بازشناسی گفتار است. در این مقاله روش جدیدی برای آشکارسازی خودکار مرزهای هجایی در سیگنال گفتار پیوسته فارسی با تکیه بر اطلاعات صوتی ارائه شده است. تحقیقات قبلیِ نویسندگان این مقاله، کارآیی نرم‌سازی فازیِ تابع انرژی را در مقایسه با سایر روشهای به کار رفته در این زمینه نشان میدهد. در این تحقیق، پیشنهاد شده است که از روشی مشابه روشهای متداول حذف نویز از گفتار به وسیله آستانه گذاری ضرایب موجک برای بهبود خطای درج مرز اضافه استفاده شود. این روند، انرژی همخوانهای بیواکی را که در تابع انرژی قلههای اضافه ایجاد می‌کنند، به شدت کاهش میدهد. نتایج نشان می‌دهند با استفاده همزمان از این روش و روش نرم‌سازی فازی تابع انرژی، خطای درج مرز اضافه در حدود %8 کاهش مییابد؛ بدون آنکه سایر معیارهای کارآیی تحت تأثیر قرار گیرند. با استفاده از روش پیشنهادی بیش از %94 از هجاها با خطایی کمتر از 50 میلیثانیه تقطیع میشوند.
مهندسی پزشکی
علی تمیزی؛ محمد عطایی؛ محمدرضا یزدچی
دوره 3، شماره 10 ، شهریور 1391، ، صفحه 19-26
چکیده
سیگنال الکتروکاردیوگرام (ECG) معمول‌ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری‌های قلبی است. مطالعات نشان میدهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مؤلفه‌های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است و شاخص‌های غیرخطی آشوبی مانند بزرگ‌ترین نمای لیاپانوف ( ) و بعد ...
بیشتر
سیگنال الکتروکاردیوگرام (ECG) معمول‌ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری‌های قلبی است. مطالعات نشان میدهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مؤلفه‌های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است و شاخص‌های غیرخطی آشوبی مانند بزرگ‌ترین نمای لیاپانوف ( ) و بعد همبستگی (D2) از سیگنال ECG برای افراد سالم و بیمار استخراج میشود. در این راستا الگوریتم‌های مناسب جهت استخراج پارامترهای لازم برای بازسازی فضای حالت و نیز محاسبه بزرگ‌ترین نمای لیاپانوف و بعد همبستگی از روی سیگنال ECG با ملاحظات مربوطه ارائه میگردد. سپس با استفاده از طبقهبندی کننده فازی امکان تفکیک افراد سالم و بیمار، براساس شاخص‌های آشوبی محاسبه شده بررسی میشود. دادهها از پایگاه دادههای MIT-BIH گرفته شده است و مقایسه نتایج برای سه گروه شامل افراد با ریتم قلبی سالم (NSR)، بیماران فیبریلاسیون دهلیزی (AF) و بیماران انسداد دسته شاخه چپ (LBBB) انجام شده است که مبیّن کارایی طبقهبندی ارائه شده بر اساس شاخص‌های آشوبی است.
مهندسی پزشکی
سارا معین؛ زهرا بهشتی
دوره 2، شماره 5 ، خرداد 1390، ، صفحه 43-48
چکیده
امروزه فیلتر کالمن کاربردهای زیادی در حل مسایل دنیای واقعی پیدا کرده است. این فیلتر یک فیلتر بازگشتی کارآمد است که حالت یک سیستم پویا را از یک سری اندازه‌گیری‌های پیچیده برآورد می‌کند و از کاربردهای آن می‌توان به پردازش سیگنالها اشاره کرد. ما در این مقاله، از فیلتر کالمن در جهت حذف نویز از سیگنال الکتروکاردیوگرام یا نوار قلب استفاده ...
بیشتر
امروزه فیلتر کالمن کاربردهای زیادی در حل مسایل دنیای واقعی پیدا کرده است. این فیلتر یک فیلتر بازگشتی کارآمد است که حالت یک سیستم پویا را از یک سری اندازه‌گیری‌های پیچیده برآورد می‌کند و از کاربردهای آن می‌توان به پردازش سیگنالها اشاره کرد. ما در این مقاله، از فیلتر کالمن در جهت حذف نویز از سیگنال الکتروکاردیوگرام یا نوار قلب استفاده میکنیم و مقایسهای بین فیلتر FIR1 و فیلتر کالمن در جهت حذف نویز از این سیگنالها انجام میدهیم
