مسیریابی خطوط پایدار در شبکه های حسگر بیسیم برای برنامه های اینترنت اشیا

Survivable Path Routing in WSN for IoT applications

چکیده
1- مقدمه
2- آثار مربوطه
3- پروتکل پیشنهادی: مسیریابی خطوط پایدار (SPR) با انرژی کارآمد
3-1- مدل سیستم
3-2- مدل انرژی
3-3- نشانه ها و مفروضات
3-4- استراتژی مسیریابی
3-5- الگوریتم و فلوچارت های تبیین کننده کارکرد پروتکل
4- نتایج شبیه سازی و بحث
5- نتیجه گیری
منابع

چکیده

شبکه های حسگر بیسیم (WSN)، ارتقاء پروتکل های ارتباطی، هوش توزیع شده برای اشیاء هوشمند، سیستم های فرکانس رادیویی بیسیم و چندین فناوری دیگر و راه حل های ارتباطی در کنار هم، اینترنت امیدبخش نسل بعدی موسوم به اینترنت اشیاء را ممکن ساخته اند. مقاله حاضر به ارائه تکنیک مسیریابی آگاه از ازدحام و تداخل و انرژی کارآمد برای WSN یعنی مسیریابی خطوط پایدار می پردازد. این پروتکل قرار است در شبکه های با ترافیک بالا کار کند چرا که منابع متعددی در پی ارسال بسته های خود به یک مقصد در یک زمان واحد هستند که یک سناریوی معمول در برنامه های اینترنت اشیاء برای نظارت بر مراقبت های بهداشتی از راه دور محسوب می گردد. برای انتخاب گره هاپ بعدی، الگوریتم از معیاری بهره می برد که تابعی از سه عامل: نسبت سیگنال به تداخل و نویز لینک، عامل پایداری مسیر از گره هاپ بعدی به مقصد، و سطح ازدحام در گره هاپ بعدی، می باشد. نتایج شبیه سازی نشان می دهد که پروتکل پیشنهادی در زمینه توان عملیاتی شبکه، تاخیر انتها به انتها، نسبت تحویل بسته ها و سطح انرژی باقیمانده گره ها بهتر کار می کند. هم چنین مشاهده می شود که نرخ افت بسته ها نیز در سناریوهای توپولوژی متراکم، کمتر می باشد.

5- نتیجه گیری

از آنجایی که گره ها در شبکه های حسگر از رسانه ارتباطی و فرستنده و گیرنده رادیویی بیسیم برای ارسال و دریافت بسته ها استفاده می کنند، این امر مشروط به تداخل در سناریوهای برنامه اینترنت اشیاء با ترافیک بالا می باشد. این امر بدان معناست که طرح هی پروتکل باید کیفیت لینک و تداخل احتمالی و سطح نویز را قبل از انتخاب یک گره هاپ بعدی برای برقراری ارتباط در نظر بگیرند. بنابراین از فاکتور SINR در فرآیند انتخاب گزینه های مسیریابی در پروتکل مسیریابی پیشنهادی انرژی کارآمد استفاده می شود. الگوریتم برای کار در محیط های با ترافیک سنگین، و تداخل بالا بر روی لینک بین گره ها طراحی شده است. سطح ازدحام گره ها و فاکتور پایداری مسیرها نیز عوامل تعیین کننده گزینه های مسیریابی می باشند. نتایج شبیه سازی نشان می دهند که پروتکل جدید عملکرد بهتری نسبت به الگوریتم های موجود در شبکه های با ترافیک بالا دارند. پروتکل مزبور دارای نرخ دریافت بسته بالا، تاخیر انتها به انتهای پایین و مصرف انرژی کمتر است. هنگامی که ترافیک شبکه با تغییر بازه زمانی بین ارسال بسته ها توسط گره های منبع تغییر می کند، پروتکل پیشنهادی دارای 20 درصد نرخ افت بسته کمتری است. در مقایسه با انتشار جهتدار، پروتکل مزبور دارای 14 درصد افزایش در توان عملیاتی شبکه و 29 درصد تاخیر انتها به انتهای کمتر دز زمانی است که 10 درصد تعداد کل گره های توپولوژی، گره های منبع می باشند.

Abstract

Wireless Sensor Networks (WSN), enhanced communication protocols, distributed intelligence for smart objects, wireless radio frequency systems and several other technologies and communication solutions together enable the promising next generation Internet, called Internet-of-Things. This paper presents a congestion and interference aware energy efficient routing technique for WSN namely, Survivable Path Routing. This protocol is supposed to work in the networks with high traffic because multiple sources try to send their packets to a destination at the same time, which is a typical scenario in IoT applications for remote healthcare monitoring. For selecting the next hop node, the algorithm uses a criterion which is a function of three factors: signal to interference and noise ratio of the link, the survivability factor the path from the next hop node to the destination, and the congestion level at the next hop node. Simulation results suggest that the proposed protocol works better concerning the network throughput, end-to-end delay, packet delivery ratio and the remaining energy level of the nodes. The rate of packet drops is also observed to be lesser in the congested topology scenarios.

5- Conclusion

Since the nodes in the sensor networks are using the wireless communication medium and radio transceivers to send and receive the packets, it is contingent to make interference in high traffic IoT application scenarios. That means the protocol designs should consider the link quality and the possible interference and the noise level before selecting a next hop node for communication. So the SINR factor is used in the routing choice selection process in the proposed energy efficient routing protocol. The algorithm is designed to work in the environments with heavy traffic, and high interference on the link between the nodes. Congestion level of the nodes and the survivability factor of the paths are also the deciding factors for the routing choice. The simulated results are showing that the new protocol works better well than the existing algorithm for the networks with high traffic. It has high packet reception rate, decreased end-to-end delay, and also lesser energy consumption. When the network traffic is changed by varying the time interval between the packets sent by the source nodes, the proposed protocol has 20% lesser packet drop rate. Compared to the directed diffusion, it has 14% increase in the network throughput and 29% lower end to end delay when 10% of the total number of nodes in the topology is the source nodes.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مسیریابی خطوط پایدار در شبکه های حسگر بیسیم برای برنامه های اینترنت اشیا

Survivable Path Routing in WSN for IoT applications

حساسیت نویز اپراتورهای انرژی Teager-Kaiser و نسبت های آن ها

Noise Sensitivity of Teager-Kaiser Energy Operators and Their Ratios

چکیده

1. مقدمه

2. خصوصیات TKO در رابطه با تمایز فرکانس

4. توزیع آماری خروجی های TKO و نسبت های آنها

A. توابع چگالی احتمال خروجی های TKO

B. توابع چگالی احتمال دو خروجی TKO

5. نتایج و بحث

چکیده

عملگر انرژی Teager-Kaiser (TKO) به کلاس خودهمبسته سازها و ترکیب خطی آنها تعلق دارد که قادر به ردیابی انرژی لحظه ای منبع سیگنال سینوسی غیر ایستا هستند. الگوریتم های دمدولاسیون AM-FM تک مولفه ای مبتنی بر TKO ،طبق این فرض پایه کار می کنند که خروجی های عملگر، همیشه مثبت هستند. در نبود نویز، این مسئله برای ورودیهای سینوسی و همچنین خصوصیت لحظه ای تضمین می شود. نویز، هر دوی اینها را به ویژه تحت شرایط سیگنال کوچک، بی اعتبار می نماید. از فیلترینگ و آستانه سازی پس تشخیص، برای تعیین مجدد اینها با صرف مقداری وقت استفاده می شود. سئوالات کلیدی به شرح ذیل می باشد: (1) از چه تعداد نمونه بایستی استفاده نمود و (2) چه مقدار توان نویز در ورودی آشکارساز (دتکتور) قابل تحمل است. در اینجا نتایج مطالعه نقش تاخیر و محدودیت های تحمیل شده با نویز گاوسی جمعی و محاسبه کومولانت ها و توابع چگالی احتمال اشکال درجه دوم فردی و نسبتهای آنها مطرح شده است.

1. مقدمه

در اپلیکیشن های زیادی از ارتباطات و کنترل، تصمیمات بر اساس نسبت های کمیت های اندازه گیری یا محاسبه شده، و مقایسه شده با آستانه ها، اخذ می گردد. کار فعلی با موقعیتهایی سرو کار دارد، که متغیرها، خروجی های ترکیب خطی اشکال درجه دوم متغیرهای تصادفی گاوسی همبسته و نسبتهای آنها هستند. چنین کمیت هایی در زمینه های گوناگون من جمله دمدولاسیون AM-FM تک مولفه ای با استفاده از کلاس خاصی از کلکتورهای درجه دوم معروف به TKO، طرح های ترکیبی تنوع نسبت حداکثر یا ماکزیمم برای مبارزه با فیدینگ و محوشدگی، بهینه سازی جهت داری آرایه های آنتن، محاسبات SINR و احتمالات خطا و قطعی مختلف و غیره دیده می شوند. این کار ابتدا با مطالعه توزیع آماری خروجی های عملگر و نسبت های آنها، به بررسی حساسیت نویز TKO می پردازد.

Abstract

The Teager-Kaiser energy operator (TKO) belongs to a class of autocorrelators and their linear combination that can track the instantaneous energy of a nonstationary sinusoidal signal source. TKO-based monocomponent AM-FM demodulation algorithms work under the basic assumption that the operator outputs are always positive. In the absence of noise, this is assured for pure sinusoidal inputs and the instantaneous property is also guaranteed. Noise invalidates both of these, particularly under small signal conditions. Post-detection filtering and thresholding are of use to reestablish these at the cost of some time to acquire. Key questions are: (a) how many samples must one use and (b) how much noise power at the detector input can one tolerate. Results of study of the role of delay and the limits imposed by additive Gaussian noise are presented along with the computation of the cumulants and probability density functions of the individual quadratic forms and their ratios.

I. INTRODUCTION

There are many applications in communication and control where decisions are made on the basis of the ratios of quantities, measured or computed, which are compared with thresholds. The present work is concerned with situations, where variables are outputs of a linear combination of quadratic forms in correlated Gaussian random variables and their ratios. Such quantities arise in a variety of contexts including, for example, monocomponent AM-FM demodulation using a special class of quadratic detectors called the Teager-Kaiser Energy Operator (TKO), maximum ratio diversity combining schemes to combat fading, directivity optimization of antenna arrays, calculations of SINR and various error and outage probabilities, etc. This work primarily examines the noise sensitivity of the TKO by studying the statistical distribution of the operator outputs and their ratios.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حساسیت نویز اپراتورهای انرژی Teager-Kaiser و نسبت های آن ها

Noise Sensitivity of Teager-Kaiser Energy Operators and Their Ratios

حذف نویز از تصاویر DT-MR با PCA تکراری

Denoising Of DT-MR Images With An Iterative PCA

Abstract

Nowadays most of the clinical applications uses Magnetic Resonance Images(MRI) for diagnosing neurological abnormalities. During MR image acquisition the emitted energy is converted to image by using some mathematical models, and this may cause addition of noise. Therefore we need to denoise the image. Currently most of the clinical application uses Diffusion Tensor-MR Images for tracking neural fibres by extracting features from the images. Noise in DT-MR Images make fibre tracking and disease diagnosing tougher. So our work aims to denoise the Diffusion Tensor MR images with better visual quality. In this paper, we propose a denoising technique that uses Structural Similarity Index Matrix (SSIM) for grouping similar patches and performs Iterative Principal Component Analysis on each group. By performing the weighted average on Principal Component, we have obtained the denoised DT-MR Image. For getting better visual quality of the denoised images we employ Iterative Principal component Analysis technique.

1 Introduction

Diffusion MRI (DMRI) is a magnetic resonance imaging (MRI) method which came into existence in the mid1980s. It allows the mapping of the diffusion process of molecules, mainly water, in biological tissues, in vivo and non-invasively. The Diffusion MRI, is also referred to as Diffusion Tensor Imaging or DTI has been extraordinarily successful in the field of medical science. It is mainly used for the study and treatment of neurological disorders, mostly for the patients with acute stroke. Because it can find the abnormalities in white matter fiber structure and provide models of brain connectivity. With Diffusion Tensor Imaging (DTI), diffusion anisotropy effects can be fully extracted, characterized, and exploited, providing even more exquisite details on tissue microstructure. DTI is used to demonstrate subtle abnormalities in a variety of diseases (including stroke, schizophrenia), for finding the issues related to fibre connectivity and is currently becoming part of many routine clinical protocols. The image acquisition process of DT-MR Images is by the patient is positioned within an MRI scanner where it forms a strong magnetic field around the area to be imaged. The medical applications rely on detecting a radio frequency signal emitted by excited hydrogen atoms in the body using energy from an oscillating magnetic field applied at the appropriate resonant frequency. The orientation of the image is controlled by varying the main magnetic field using gradient coils. As these coils are rapidly switched on and off they create the characteristic repetitive noises of an MRI scan. The contrast between different tissues is determined by the rate at which excited atoms return to the equilibrium state. During the tissue movement to equilibrium state and the anisotropic movement of water molecules, generated DTMRI may contain unwanted intensity values. This unwanted intensity values are called as Noise. The presence of noise makes disease diagnosing tougher. Therefore we need to denoise the image. The existing denoising algorithms may provide a denoised image but it may not yield good quality . ie, sometimes the denoised image may got blurred and may loss the fine structure. So our proposed Iterative PCA based method aims to denoise the DT-MRI which will result in good quality images. In this paper we propose a technique to perform denoising which is able to remove the noise with better quality thereby making the disease diagnosing easier. The denoising technique exploits the structural similarity of the patches and uses an iterative principal component analysis for the denoising process. The method takes advantage of the fact that there is a high degree of redundancy in the content of images. The proposed Iterative PCA based denoising technique is composed of four steps. In the first step, the similar patches are extracted and grouped by using Structural Similarity Index Matrix (SSIM) 4 and there is one-toone correspondence between patches and groups (sparse denoising). The actual denoising is done in the second step ie, by finding the principal component of each group. In the third step, patch restoration is performed by using the principal component. After the third step a denoised image will be obtained, but the first iteration helps us to remove only the most significant error portion of the image. The output of the first iteration needs to be refined for a better quality image. The amount of noise present in the output of first iteration is estimated and use this noise variance along with the denoised output of the first iteration is fed as the input to the second iteration. Iteration need to be stopped in the second stage, otherwise it may cause the loss of fine structures.

حذف نویز موجک برای از بین بردن نویز ﮐﻮآﻧﺘﻮم در توموسنتز دیجیتال قفسه سینه

Wavelet denoising for quantum noise removal in chest digital tomosynthesis

چکیده

مقدمه

منابع و روشها

تفکیک نویز

پردازش حذف نویز موجک

نسبت تقابل به نویز (CNR) و خطای مربع میانگین ریشه (RMSE)

رزولوشن فضایی

آنالیز آماری

نتایج

بحث

نتیجه گیری

چکیده

هدف. نویز ﮐﻮآﻧﺘﻮم به کیفیت تصویر در توموسنتز دیجیتال قفسه سینه (DT) آسیب وارد میکند. یک الگوریتم پردازش حذف نویز موجک برای از بین بردن نویز ﮐﻮآﻧﺘﻮم به طور گزینشی، ایجاد شد و مورد آزمایش قرار گرفت.
روشها. یک تکنیک حذف نویز موجک بر روی یک سیستم DT اجرا شد و به لحاظ آزمایشی با استفاده از سنجشهای فانتوم قفسه سینه من جمله رزولوشن فضایی ارزیابی شد. مقایسه با یک الگوریتم پردازش حذف نویز موجک پسا بازسازی موجود صورت گرفت که توسط بادیا و همکارانش گزارش شد. کاهش نویز ﮐﻮآﻧﺘﻮم DT احتمالی با استفاده از در معرض قرار گرفتنهای مختلف با تکنیک ما (پردازش حذف نویز پیش بازسازی و پسا بازسازی از طریق روش نُرم- پراکندگی تعادل) و الگوریتم پردازش حذف نویز موجک موجود مورد ارزیابی قرار گرفت. الگوریتم های پردازش حذف نویز موجک (RMSE) با پردازش حذف نویز کوچک و بدون آن مقایسه شد. توابع انتقالی مدولاسیون (MTF) برای صفحه ی شفاف مورد ارزیابی قرار گرفتند. یک آنالیز آماری (آنالیز چند راهه ی واریانس) را با استفاده از مقادیر CNR و RMSE انجام دادیم.
نتایج. الگوریتم پردازش حذف نویز موجک ما به طور معناداری نویز ﮐﻮآﻧﺘﻮم را کاهش داد و رزولوشن تقابلی در تصاویر بازسازی شده (CNR و RMSE : پردازش حذف نویز موجک نُرم- پراکندگی پیش تعادل در برابر پردازش حذف نویز موجک موجود، P<0.05؛ پردازش حذف نویز موجک نُرم- پراکندگی پس تعادل در برابر پردازش حذف نویز موجک موجود، P<0.05;CNR: با پردازش حذف نویز موجک در برابر بدون پردازش حذف نویز موجک ، P<0.05) را بهبود بخشید. نتایج حاکی از این بود گرچه MTF تغییر نکرد (لذا رزولوشن فضایی حفظ کننده)، اما الگوریتم پردازش حذف نویز موجک سبب زوال MTF شد.
نتیجه گیری. نشان داده شد یک الگوریتم پردازش حذف نویز موجک نُرم –پراکندگی تعادل برای از بین بردن نویز ﮐﻮآﻧﺘﻮم در DT ، برای دسته های خاصی از ساختارها با خصیصه های اجزای فرکانس بالا موثر باشد. این رویکرد تشخیصی ممکن است برای انواع کاربردهای بالینی برای ترموسنتز دیجیتالی قفسه سینه مفید باشد زمانیکه نویز وجود داشته باشد.

نتیجه گیری

یک تکنیک پردازش حذف نویز موجک پیش بازسازی و پسا بازسازی نُرم- پراکندگی تعادل به صورت یک تکنیک نوین برای کشف و متعاقبا از بین بردن نویز ﮐﻮآﻧﺘﻮم در زمینه ی DT قفسه سینه ایجاد شد. این تکنیک، رزولوشن فضایی را حفظ کرد و به طور موثری نویز ﮐﻮآﻧﺘﻮم را از بین برد. این رویکرد یک دانش مقدم را در زمینه تولید نویز ﮐﻮآﻧﺘﻮم بکار گرفت. نویز ﮐﻮآﻧﺘﻮم از طریق آستانه سازی ضریب موجک به دنبال بازسازی معکوس از بین رفت. این رویکرد شامل یک تکنیک موجک به طور ویژه ای برای تصایر DT قفسه سینه می شد و نشان داده شده است به طور موثری نویز رگه های ﮐﻮاﻧﺘﻮمی را از تصاویر DT قفسه سینه با خصوصیات اجزای فرکانس بالا از بین میبرد. افزون بر، این رویکرد حاکی از این امکان است که کیفیت تصویر میتواند بهبود یابد. لذا، ما اعتقاد داریم این تکنیک کاربردهای بالینی DT قفسه سینه را در حوزه های تصویربرداری پزشکی ارتقا خواهد داد که در آن چنین ساختارهایی مورد توجه قرار دارند.

Abstract

Purpose Quantum noise impairs image quality in chest digital tomosynthesis (DT). A wavelet denoising processing algorithm for selectively removing quantum noise was developed and tested.
Methods A wavelet denoising technique was implemented on a DT system and experimentally evaluated using chest phantom measurements including spatial resolution. Comparison was made with an existing post-reconstruction wavelet denoising processing algorithm reported by Badea et al. (Comput Med Imaging Graph 22:309–315, 1998). The potential DT quantum noise decrease was evaluated using different exposures with our technique (pre-reconstruction and post-reconstruction wavelet denoising processing via the balance sparsity-norm method) and the existing wavelet denoising processing algorithm. Wavelet denoising processing algorithms such as the contrast-to-noise ratio (CNR), root mean square error (RMSE) were compared with and without wavelet denoising processing. Modulation transfer functions (MTF) were evaluated for the in-focus plane. We performed a statistical analysis (multi-way analysis of variance) using the CNR and RMSE values.
Results Our wavelet denoising processing algorithm significantly decreased the quantum noise and improved the contrast resolution in the reconstructed images (CNR and RMSE: pre-balance sparsity-norm wavelet denoising processing versus existing wavelet denoising processing, P< 0.05; postbalance sparsity-norm wavelet denoising processing versus existing wavelet denoising processing, P< 0.05; CNR: with versus without wavelet denoising processing, P< 0.05). The results showed that although MTF did not vary (thus preserving spatial resolution), the existing wavelet denoising processing algorithm caused MTF deterioration.
Conclusions A balance sparsity-norm wavelet denoising processing algorithm for removing quantum noise in DT was demonstrated to be effective for certain classes of structures with high-frequency component features. This denoising approach may be useful for a variety of clinical applications for chest digital tomosynthesis when quantum noise is present.

Conclusion

A balance sparsity-norm pre-reconstruction and postreconstruction wavelet denoising processing technique was developed as a novel technique to detect and subsequently remove quantum noise in the context of chest DT. This technique preserved the spatial resolution and effectively removed the quantum noise. The approach exploited a priori knowledge regarding quantum noise production. Quantum noise was removed through wavelet coefficient thresholding, followed by inverse reconstruction. This approach involved a wavelet technique specifically for chest DT images and has been demonstrated to effectively remove quantum mottle noise from chest DT images of structures with features of high-frequency components. Furthermore, this approach suggests the possibility that the image quality could be improved. Therefore, we believe that this technique will enhance the clinical applications of chest DT in medical imaging fields, in which such structures are a focus of interest.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حذف نویز موجک برای از بین بردن نویز ﮐﻮآﻧﺘﻮم در توموسنتز دیجیتال قفسه سینه

Wavelet denoising for quantum noise removal in chest digital tomosynthesis

حذف نویز تصویر براساس فیلتر میانگین غیرمحلی و روش آستانه نویز آن

Image denoising based on non-local means filter and its method noise thresholding

چکیده

1. مقدمه

2. فیلتر میانگین محلی

3. فیلتر میانگین NL و آستانه نویز روش آن

4. نتایج و مباحثات

5. نتیجه گیری

چکیده

فیلترهای میانگین غیرمحلی از تمامی خود پیش بینی ها و خود مشابهت های احتمالی که تصویر می تواند فراهم کند، استفاده می کند تا وزن های پیکسل برای فیلترینگ تصویر نویزدار را تعیین کند، با این فرض که تصویر شامل مقدار عظیمی از خود مشابهتی باشد. چون پیکسل ها به شدت همبسته هستند و نویز نیز معمولا مستقل و به طور دقیق توزیع می شود، میانگین گیری این پیکسل ها منجربه جلوگیری نویز می شود که به موجب آن پیکسلی را ایجاد می کند که مشابه با مقدار اصلی می باشد. فیلتر میانگین غیرمحلی نویز را حذف می کند و لبه ها را بدون از دست دادن ساختارها و جزئیات بسیار ریز تمیز می کند. اما وقتی نویز افزایش می یابد، عملکرد فیلتر میانگین غیرمحلی آسیب می بیند و تصویر حذف نویزشده از مات بودن و از دست دادن جزئیات تصویر رنج می برد. این امر به این دلیل است که بخش های محلی مشابه برای پیداکردن وزن های پیکسل شامل پیکسل های نویزی بکار می رود. در این مقاله، ترکیب فیلتر میانگین غیرمحلی و آستانه نویز روش آن با استفاده از موجک ها برای حذف نویز بهتر تصویر پیشنهاد شده است. عملکرد روش یشنهادی با آستانه موجک، فیلتر دوطرفه، فیلتر میانگین غیرمحلی و فیلتر دوطرفه چند رزولوشن (چندمقیاسی) مقایسه شده است. دریافته شد که عملکرد روش پیشنهادی به لحاظ نویز روش، کیفیت بینایی، PSNR و شاخص کیفیت تصویر، نسبت به آستانه موجک، فیلتر دوطرفه و فیلتر میانگین غیرمحلی بهتر می باشد و نسبت به روش فیلتر دوطرفه چند رزولوشنی نیز بهتر/برابر می باشد.

1. مقدمه

بسیاری از مجموعه داده های علمی به دلیل فرایند اکتساب و/یا انتقال داده ها آلوده به نویز می باشند که سیگنال بهره را تخریب می کند. مرحله اول پیش پردازش در تحلیل چنین مجموعه داده هایی حذف نویز می باشد، که سیگنال بهره را از داده های نویز موجود برآورد می کند [1]. 

اگرچه حذف نویز تاکنون تمرکز بسیاری از محققان بوده است، اما همواره فضاهایی برای بهبود، به خصوص در حذف نویز تصویر وجود داشته است. برای تصاویر، جلوگیری / کاهش نویز یک وظیفه بسیار ظریف و دشوار می باشد زیرا یک مصالحه بین کاهش نویز و حفظ از ویژگی های تصویر واقعی وجوددارد. اگر نویز با فرکانس بالا می بایست از تصویر آسیب دیده حذف شود، فیلترینگ فضایی ساده کافی خواهدبود اما به قیمت پیچیدگی محاسباتی درگیر در انجام کانولوشن تمام می شود. این امر را می توان با روش های حوزه فرکانسی که درآن کانولوشن به طیف بسیار گسترده ای ناشی از ویژگی کانولوشن فوریه تبدیل می شود، کاهش داد. چون نویز در سراسر فرکانس ها پخش می-شود، روش های حذف نویز مبتنی بر فرکانس به منظور حذف نویز تصویر، فیلترینگ پایین گذر را برای سرکوب بیشتر اجزای فرکانس بالا انتخاب می کنند. با این حال این امر به طور کلی مؤثر نیست زیرا هم نویز و هم دیگر ویژگی های فرکانس بالای تصویر را سرکوب می کند و منجربه تصویر حذف نویزشده بش از حد یکنواخت می شود.

5. نتیجه گیری

در این مقاله، ادغام فیلتر میانگین NL و آستانه نویز روش آن با استفاده از موجک ارائه شده است. عملکرد روش-های پیشنهادی با رویکرد مبتنی بر WT، BF، MRBF و فیلتر میانگین NL مقایسه شد. از طریق آزمایشات انجام شده بر روی تصاویر استاندارد، دریافته شد که روش پیشنهادی نتایج رویکرد WT، BF، میانگین NL و MRBF را با قدری افزایش در عملکرد به لحاظ نویز روش، کیفیت بصری، PSNR و IQI بهبود می بخشد. تنها در چند مورد MRBF عملکرد بهتری را در مقایسه با روش پیشنهادی نشان داد.

Abstract

Non-local means filter uses all the possible self-predictions and self-similarities the image can provide to determine the pixel weights for filtering the noisy image, with the assumption that the image contains an extensive amount of self-similarity. As the pixels are highly correlated and the noise is typically independently and identically distributed, averaging of these pixels results in noise suppression thereby yielding a pixel that is similar to its original value. The non-local means filter removes the noise and cleans the edges without losing too many fine structure and details. But as the noise increases, the performance of non-local means filter deteriorates and the denoised image suffers from blurring and loss of image details. This is because the similar local patches used to find the pixel weights contains noisy pixels. In this paper, the blend of non-local means filter and its method noise thresholding using wavelets is proposed for better image denoising. The performance of the proposed method is compared with wavelet thresholding, bilateral filter, non-local means filter and multi-resolution bilateral filter. It is found that performance of proposed method is superior to wavelet thresholding, bilateral filter and non-local means filter and superior/akin to multi-resolution bilateral filter in terms of method noise, visual quality, PSNR and Image Quality Index.

1 Introduction

Many scientific data sets are contaminated by noise because of data acquisition process and/or transmission, which can degrade the signal of interest. A first pre-processing step in analyzing such data sets is denoising, that is, estimating the signal of interest from the available noisy data [1].

Even though denoising has long been a focus of research, there always remains room for improvement, especially in image denoising. For images, noise suppression/reduction is a delicate and a difficult task because there is a tradeoff between noise reduction and preservation of actual image features. If high-frequency noise is to be removed from the corrupted image, the simple spatial filtering may be sufficient, but at the cost of computational complexity involved in performing the convolution. This can be reduced by Frequency-domain methods where convolution is transformed into multiplication of the spectra due to Fourier convolution property. As the noise is spread across all frequencies, the frequency-based denoising methods adopt low-pass filtering to suppress most of high-frequency components in order to denoise the image. However, this is generally not effective as it suppresses both noise and other high-frequency features of the image resulting in an overly smoothed denoised image.

5 Conclusions

In this paper, the amalgamation of NL means filter and its method noise thresholding using wavelet has been proposed. The performance of the proposed methods is compared with WT-based approach, BF, MRBF and NL means filter. Through experiments conducted on standard images, it was found that the proposed method has improved the results of WT approach, BF, NL means filter and MRBF with slight increase in performance in terms of method noise, visual quality, PSNR and IQI. Only in few cases MRBF has shown improved performance when compared to the proposed method.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حذف نویز تصویر براساس فیلتر میانگین غیرمحلی و روش آستانه نویز آن

Image denoising based on non-local means filter and its method noise thresholding

روش فیلتر تطبیقی بهنجار شده بر اساس نشانه کارآمد برای حذف مصنوعات در سیگنال های نوار قلب: کاربردها در زیست دورسنجی بی سیم

Efficient sign based normalized adaptive filtering techniques for cancelation of artifacts in ECG signals: Application to wireless biotelemetry

چکیده
1- مقدمه
2- روش های فیلترینگ انطباق مؤثر محاسباتی
3- موضوع پیچیدگی محاسباتی
4- نتایج شبیه سازی
4 – 1: ژنراتور (تولیدکننده) نویز
4 – 2: کاهش انحراف خط پایه
4 – 3: لغوکننده تداخل خط نیرو انطباقی
4 – 4: حذف انطباقی مصنوعات عضله
4 – 5: حذف مصنوعات حرکتی انطباقی
5- نتیجه گیری

چکیده

در این مقاله، چندین فیلتر انطباقی بهنجارشده مبتنی بر علائم ساده و مؤثر، که از لحاظ محاسباتی دارای حلقه های بروز وزن آزاد ضرب کننده می باشند، برای حذف نویز در سیگنال های نوار قلب (ECG) بکار برده می شوند. اجرای پیشنهادی برای کاربردهایی مانند زیست دورسنجی که درآن نسبت سیگنال به نویز بالا با پیچیدگی محاسباتی کم موردنیاز است، بسیار مناسب می باشد. این طرح ها عمدتا عملیات انتقال اضافی ساده را بکار می گیرند و نسبت به دیگر تحقق های مبتنی بر حداقل مجذور میانگین سرعت قابل ملاحظه ای را بدست می آورند. مطالعات شبیه سازی نشان می دهد که تحقق ودرک پیشنهادی عملکرد بهتری را در مقایسه با روش های تحقق موجود به لحاظ نسبت سیگنال به نویز و پیچیدگی محاسباتی ارائه می دهد.

1- مقدمه

نوار قلب (ECG) یک نمایش گرافیکی از عملکرد قلب، و یک ابزار مهم مورد استفاده برای تشخیص ناهنجاری های قلبی می باشد. در محیط کلینیک درهنگام اکتساب، سیگنال ECG با انواع مختلفی از مصنوعات برخورد می کند. مصنوعات غالب حاضر در ECG عبارتند از: انحراف از خط پایه (BW)، تداخل خط نیرو (PLI)، مصنوعات عضله (MA) و مصنوعات متحرک (EM). این مصنوعات به شدت بر بخش ST اثر می گذارند، کیفیت سیگنال و رزولوشن (تفکیک پذیری یا وضوح) فرکانس را خراب می کنند، سیگنال های با دامنه بزرگ در ECG ایجاد می کنند که شکل موج های PQRST را همانند می کند و ویژگی های ریز را می پوشند که برای مانیتورینگ و تشخیص کلینیکی بسیار مهم می باشند. حذف این مصنوعات در سیگنال های ECG یک وظیفه بسیار مهم برای تشخیص بهتر می باشد. استخراج سیگنال های ECG با رزولوشن بالا از رکوردها (موارد ثبت شده) که آلوده به نویز پیش زمینه می باشند، یک موضوع بررسی بسیار مهم است. هدف ارتقاء سیگنال ECG، جداسازی اجزای معتبر سیگنال از مصنوعات نامطلوب می باشد، به طوری که یک ECG ارائه شود که تفسیر آسان و دقیق سیگنال را تسهیل سازد. رویکردهای زیادی در مقالات گزارش شده است تا ارتقاء ECG با استفاده از روش های انطباقی و غیرانطباقی [1-13] لحاظ کنند، روش های فیلترینگ انطباقی شناسایی پتانسیل های متغیر با زمان و ردیابی تغییرات دینامیکی سیگنال ها را امکان پذیر می سازند. در [2]،Thakor و همکارانش یک فیلتر بازگشتی انطباقی مبتنی بر LMS به منظور دستیابی به پاسخ برانگیخته از کمپلکس های QRS نرمال پیشنهاد دادند و سپس آن را برای شناسایی آریتمی در رکوردهای ECG گردشی اعمال کردند. ورودی های مرجع به الگوریتم های LMS توابع قطعی هستند و به وسیله مجموعه کوتاه، دوره ای قابل تمدید از توابع پایه متعامد تعریف می شوند. در چنین موردی، الگوریتم LMS بر روی یک پایه (مبنا) لحظه ای عمل می کند به طوری که بردار وزنی برای هر نمونه جدید در زمان رخداد بر اساس برآورد گرادیان لحظه ای تجدید می شود. با این حال در یک مطالعه، تحلیل همگرایی حالت پایدار برای الگوریتم LMS با ورودی های مرجع قطعی نشان داده-شد که بردار وزنی حالت پایدار متمایل می باشد و بنابراین برآورد انطباقی به پاسخ Wiener نزدیک نمی شود [14].

5- نتیجه گیری

در این مقاله، مسئله حذف نویز از سیگنال ECG با استفاده از فیلترهای انطباقی بهنجارشده مبتنی بر علامت و نسخه های مبتنی بر مجموعه آن ها پیشنهاد و بر رئی سیگنال های واقعی با مصنوعات مختلف بدست آمده از پایگاه داده MIT-BIH بررسی شد. برای این منظور، سیگنال های ورودی و پاسخ مطلوب به طریقی انتخاب می شوند که خروجی فیلتر بهترین برآورد حداقل مجذور سیگنال ECG اصلی باشد. در بین شش الگوریتم، NSRLMS نسبت به دیگر الگوریتم ها بهتر عمل می کند. از نتایج شبیه سازی شده واضح است که الگوریتم ها بهره وری نویز غیرساکن را حذف می کنند. رویکرد کنترل پیشنهادی نسبت سیگنال به نویز بالا با پیچیدگی محاسباتی کمتر فراهم می کند. پیچیدگی محاسباتی به لحاظ عملیات جمع و ضرب و کنتراست نسبت سیگنال به نویز در جداول 1 – 5 ارائه شده-اند. از این رو، فیلترهای انطباقی مبتنی بر NSRLMS, NSLMS, NSSLMS و نسخه های مبتنی بر مجموعه آن ها برای سیستم های ECG زیست دورسنجی بی سیم بسیار مناسب می باشند.

Abstract

In this paper, several simple and efficient sign based normalized adaptive filters, which are computationally superior having multiplier free weight update loops are used for cancelation of noise in electrocardiographic (ECG) signals. The proposed implementation is suitable for applications such as biotelemetry, where large signal to noise ratios with less computational complexity are required. These schemes mostly employ simple addition, shift operations and achieve considerable speed up over the other least mean square (LMS) based realizations. Simulation studies shows that the proposed realization gives better performance compared to existing realizations in terms of signal to noise ratio and computational complexity.

1- Introduction

The electrocardiogram (ECG) is a graphical representation of hearts functionality and is an important tool used for diagnosis of cardiac abnormalities. In clinical environment during acquisition, the ECG signal encounters with various types of artifacts. The predominant artifacts present in the ECG includes: baseline wander (BW), power-line interference (PLI), muscle artifacts (MA) and motion artifacts (EM). These artifacts strongly affects the ST segment, degrades the signal quality, frequency resolution, produces large amplitude signals in ECG that can resemble PQRST waveforms and masks tiny features that are important for clinical monitoring and diagnosis. Cancelation of these artifacts in ECG signals is an important task for better diagnosis. The extraction of high-resolution ECG signals from recordings which are contaminated with background noise is an important issue to investigate. The goal of ECG signal enhancement is to separate the valid signal components from the undesired artifacts, so as to present an ECG that facilitates easy and accurate interpretation. Many approaches have been reported in the literature to address ECG enhancement using both adaptive and non-adaptive techniques [1–13], adaptive filtering techniques permit to the detect time varying potentials and to track the dynamic variations of the signals. In [2], Thakor et al. proposed an LMS based adaptive recurrent filter to acquire the impulse response of normal QRS complexes and then applied it for arrhythmia detection in ambulatory ECG recordings. The reference inputs to the LMS algorithm are deterministic functions and are defined by a periodically extended, truncated set of orthonormal basis functions. In such a case, the LMS algorithm operates on an instantaneous basis such that the weight vector is updated for every new sample within the occurrence based on an instantaneous gradient estimate. In a study, however, a steady state convergence analysis for the LMS algorithm with deterministic reference inputs showed that the steadystate weight vector is biased and thus the adaptive estimate does not approach the Wiener solution [14].

5- Conclusion

In this paper the problem of noise cancelation from ECG signal using sign based normalized adaptive filters, their block based versions are proposed and tested on real signals with different artifacts obtained from the MIT-BIH database. For this, the input and the desired response signals are properly chosen in such a way that the filter output is the best least squared estimate of the original ECG signal. Among the six algorithms, the NSRLMS performs better than the other. From the simulated results it is clear that these algorithms removes non-stationary noise efficiently. The proposed treatment provides high signal to noise ratio with less computational complexity. The computational complexity in terms of MACs and SNR contrast are presented in Tables 1–5. Hence the proposed NSRLMS, NSLMS, NSSLMS based adaptive filters and their block based versions are more suitable for wireless biotelemetry ECG systems.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

روش فیلتر تطبیقی بهنجار شده بر اساس نشانه کارآمد برای حذف مصنوعات در سیگنال های نوار قلب: کاربردها در زیست دورسنجی بی سیم

Efficient sign based normalized adaptive filtering techniques for cancelation of artifacts in ECG signals: Application to wireless biotelemetry

توسعه شبکه های عصبی برای کاهش نویز

Development of Neural Networks for Noise Reduction

Abstract

This paper describes the development of neural network models for noise reduction. The networks used to enhance the performance of modeling captured signals by reducing the effect of noise. Both recurrent and multi-layer Backpropagation neural networks models are examined and compared with different training algorithms. The paper presented is to illustrate the effect of training algorithms and network architecture on neural network performance for a given application.

1 Introduction

In physical systems, transmitted signals are usually distributed partially, or sometimes almost completely, by an additive noise from the transmitter, channel, and receiver. The approach investigated in this work is to consider noise reduction as an essentially required process to enhance the estimation process of image reconstruction of the captured signal. Noise reduction is considered as a continuous mapping process of the noisy input data to a noise free output data. The resulted enhanced signal can be applied to the holographic imaging process and improves the performance of the estimated model. Artificial Neural Networks (ANNs) are finding increasing use in noise reduction problems [1, 2, 3, 4, 7, 8, 12, 13, 16, 17], and the main design goal of these Neural Networks (NNs) was to obtain a good approximation for some inputoutput mapping. In addition to obtaining a conventional approximation, NNs are expected to generalize from the given training data. The generalization is to use information that NN learned during training phase in order to synthesize, similar but not identical, inputoutput mapping [11].

In this paper, two different NN architectures are employed. These are Recurrent Neural Networks (RNNs) and MultiLayer Neural Networks (MLNNs). Both networks are trained with five training algorithms. The training functions used are: Gradient descent backpropagation (traingd), gradient descent with momentum backpropagation (traingdm), gradient descent with adaptive lr (learning rate) backprobagation (traingda), gradient descent w/momentum and adaptive lr backpropagation (traingdx), and Leverberg Marquardt backpropagation (trainlm).

The designed NNs are trained with input sequences that are assumed to be a composition of the desired signal plus an additive white Gaussian noise. The networks are expected to learn the noisy training data with the corresponding desired output and generalize the model. This research is an attempt to employ ANN for the enhancement of the measured corrupted signal and reduce the noise. The main contribution includes the following:

• The input training sequences to the designed NNs are assumed to be a composition of the desired signal plus an additive white Gaussian noise. This assumption speeds up the learning process and improves the approximation of the desired model [15].

• The development and comparison of NN architectures for use in noise reduction applications.

• A comparison of modeling performance using multi-layer and recurrent NNs.

• An examination of the relationship between training performance and training speed with the training algorithm used for a given NN architecture.

تشخیص خطای گریز از مرکز استاتیک، دینامیک و ترکیبی در موتورهای همگام مغناطیس دائم

Static-, Dynamic-, and Mixed-Eccentricity Fault Diagnoses in Permanent-Magnet Synchronous Motors

چکیده

1- مقدمه

2- مدل سازی گام زمانی

3- محیط آزمایشی

4- تشخیص خطای SE، DE و ME

الف- شاخصی جدید برای تشخیص خطای DE

ب- تشخیص خطای SE

ج- تشخیص خطای ME

5- اثرات بار بر شاخص پیشنهادی

6- تحلیل نظری شاخص معرفی شده

الف- نفوذ شکاف فضایی

ب- عناصر میدان شکاف فضایی

ج- عناصر جریان استاتور

7- تحلیل شاخص های پیشنهادی برای برآورد نوع و درجۀ خطای گریز از مرکز

8- تخمین شدت خطای گریز از مرکز

الف- تعیین نوع خطای گریز از مرکز

ب- تخمین درجۀ خطای گریز از مرکز

ج- معماری شبکه ها

د- نتایج

9- تمایز میان خطای گریز از مرکز و سایر خطاها با استفاده از شاخص معرفی شده

10- نتیجه گیری

چکیده

تشخیص خطای گریز از مرکز ترکیبی (ME) تا کنون برای موتورهای سنکرون مغناطیس دائم (PMSMs) ثبت نشده است. این مقاله نشان می دهد که چگونه گریز از مرکز استاتیک (SE)، گریز از مرکز دینامیک (DE) و ME در PMSMs سه فاز تشخیص داده می شوند. یک شاخص جدید برای تشخیص غیرهجومی این خطاهای گریز از مرکز برای PMSM خطایی معرفی شده است. این شاخص دامنۀ مؤلفه های باند جانبی با یک الگوی فرکانسی خاص است که از طیف جریان استاتور استخراج می شود. استفاده از این شاخص تعیین دقیق وقوع و همچنین نوع و درصد خطای گریز از مرکز را ممکن می سازد. ضمناً، طیف جریان PMSM خطایی در طول محدوده بزرگ بررسی می شود و توانایی این شاخص پیشنهادی برای تشخیص خطای گریز از مرکز PMSMs با بارهای مختلف نشان داده می شود. یک بررسی نظری جدید بر مبنای تحلیل میدان مغناطیسی برای تثبیت شاخص معرفی شده و تعمیم روش تشخیص خطا ارائه شده است. برای نشان داده شایستگی این شاخص در تشخیص گریز از مرکز و برآورد شدت آن، ابتدا، پیوستگی میان شاخص و درجات SE و DE تعیین می شود. سپس، نوع خطای گریز از مرکز با نزدیک ترین ممیز هم‌جوار یعنی k، تعیین می شود. در مرحلۀ بعد، یک شبکۀ عصبی مصنوعی سه لایه برای برآورد درجه و نوع خطای گریز از مرکز به کار گرفته می شود. پس از همۀ این ها، نویز سفید گاوسی به جریان شبیه سازی شده اضافه می شود، و قدرت شاخص پیشنهادی با توجه به واریانس نویز تحلیل می شود. در این مقاله، PMSM تحت شرایط خطای مغناطیسی (مغناطیس زدایی) و خطاهای الکتریکی (مدار اتصال کوتاه و قطع مدار) مدل بندی می شود، و طیف جریان در PMSM خطایی در خطاهای مغناطیس زدایی، مدار اتصال کوتاه و قطع مدار تحلیل می شود. نشان داده شده که این شاخص پیشنهادی، به خاطر خطای گریز از مرکز و خطاهای مغناطیسی و الکتریکی در طیف جریان ایجاد نمی شود. در واقع، انتظار می رود که این شاخص معرفی شده تنها به خاطر خطای گریز از مرکز ایجاد شود و به دیگر خطاها حساس نیست. برای مدل سازی خطاهای گریز از مرکز PMSM، یک روش اِلمان محدودtime-stepping به کار گرفته می-شود، که این روش همۀ ویژگی های هندسی و فیزیکی مؤلفه های ماشین، نفوذ غیر هم شکل شکاف فضایی و ویژگی های غیر هم شکل مواد PM را در نظر می گیرد. این مدل دسترسی به سیگنال های مورد تقاضا را برای پردازش دقیق آسان می کند. مقایسه نتایج شبیه سازی و آزمایشی این شاخص پیشنهادشده را تأیید می کند.

10- نتیجه گیری

این مقاله نشان می دهد که خطاهای SE، DE و ME چگونه در PMSM می تواند مشخص شود. الگوی جدیدی از فرکانس برای تشخیص خطای گریز از مرکز و مغناطیس زدایی درجه و نوع آن معرفی شده است. یک مدل از PMSM خطایی دارای خطای SE، DE و ME با استفاده از TSFEM نشان داده شده است. طیف جریان استاتور با استفاده از FFT محاسبه شده و دامنۀ این الگو به عنوان شاخصی صحیح معرفی شد. این شاخص پیشنهادی در مقابل تغییر بار قوی بود، و تعیین بار موتور برای تشخیص صحیح خطا ضروری نیست. بنابراین، این شاخص نسبت به شاخص های جهانی که برای تشخیص خطای گریز از مرکز در موتورهای القایی به کار می روند، بسیار کارآمدتر است. در ضمن، مقایسه میان طیف جریان PMSM خطایی در خطای گریز از مرکز و قطع مدار و مدار اتصال کوتاه و مغناطیس زدایی نشان می دهد که تنها خطای گریز از مرکز این نوع از عناصر باند جانبی را ایجاد می کند. بنابراین، تمایز میان خطای گریز از مرکز و سایر خطاها با استفاده از این شاخص امکان پذیر است.

Abstract

Mixed-eccentricity (ME) fault diagnosis has not been so far documented for permanent-magnet (PM) synchronous motors (PMSMs). This paper investigates how the static eccentricity (SE), dynamic eccentricity (DE), and ME in three-phase PMSMs can be detected. A novel index for noninvasive diagnosis of these eccentricities is introduced for a faulty PMSM. The nominated index is the amplitude of sideband components with a particular frequency pattern which is extracted from the spectrum of stator current. Using this index makes it possible to determine the occurrence, as well as the type and percentage, of eccentricity precisely. Meanwhile, the current spectrum of the faulty PMSM during a large span is inspected, and the ability of the proposed index is exhibited to detect eccentricity in faulty PMSMs with different loads. A novel theoretical scrutiny based on a magnetic field analysis is presented to prove the introduced index and generalize the illustrated fault recognition method. To show the merit of this index in the eccentricity detection and estimation of its severity, first, the correlation between the index and the SE and DE degrees is determined. Then, the type of the eccentricity is determined by a k-nearest neighbor classifier. At the next step, a three-layer artificial neural network is employed to estimate the eccentricity degree and its type. After all, a white Gaussian noise is added to the simulated current, and the robustness of the proposed index is analyzed with respect to the noise variance. In this paper, the PMSM under magnetic fault (demagnetization) and electrical faults (short and open circuits) is modeled, and the current spectrum of the faulty PMSM under demagnetization, short circuit, and open circuit faults is analyzed. It is demonstrated that the proposed index, due to eccentricity fault, is not generated in the current spectrum due to magnetic and electrical faults. Indeed, it is exposed that the introduced index is only created due to eccentricity fault and it is not sensitive to other faults. To model the PMSM eccentricities, a time-stepping finite-element method, which takes into account all geometrical and physical characteristics of the machine components, nonuniform permeance of the air gap, and nonuniform characteristics of the PM material, is employed. This model facilitates the access to the demanded signals in order to have accurate processing. A comparison of simulation and experimental results validate the proposed index.

X- CONCLUSION

This paper has indicated how the SE, DE, and ME of PMSM can be diagnosed. A novel pattern frequency has been introduced for the diagnosis of eccentricity and the determination of its type and degree. A model of the faulty PMSM with SE, DE, and ME using TSFEM was shown. The spectrum of stator current was calculated using FFT, and the amplitude of this pattern was introduced as a proper index. The proposed index was robust against load variation, and it is not necessary to specify motor load for accurate fault diagnosis. Thus, this index is much more efficient than global indices which are employed for eccentricity fault diagnosis in induction motors. Meanwhile, a comparison between the spectrum current of the faulty PMSM due to eccentricity and open circuit, short circuit, and demagnetization illustrates that only eccentricity generates these kinds of sideband components. Thus, discrimination between eccentricity and other faults using this index is possible.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص خطای گریز از مرکز استاتیک، دینامیک و ترکیبی در موتورهای همگام مغناطیس دائم

Static-, Dynamic-, and Mixed-Eccentricity Fault Diagnoses in Permanent-Magnet Synchronous Motors

تقویت کننده CMOS کم نویز کم مصرف برای کاربردهای ثبت عصبی

A Low-Power Low-Noise CMOS Amplifier for Neural Recording Applications

چکیده
1 معرفی
2 طراحی تقویت کننده عصبی
3 نتایج تجربی
4 طراحی تقویت کننده الکتروانسفالوگرام (EEG)
5 نتیجه گیری
منابع

چکیده
دانشمندان و پزشکان نیاز به تقویت کننده های سیگنال حیاتی کم توان و کم نویزی دارند که قادر به تقویت سیگنال ها در محدوده میلی هرتز تا کیلوهرتز باشند و در عین حال آفست DC بزرگ تولید شده در رابط الکترود-بافت را حذف کنند. پیدایش آرایه های میکروالکترود تماما قابل کاشت نیاز به تقویت کننده های میکروتوان (توان در محدوده میکرووات) تماما مجتمع را ایجاد کرده است. ما یک تقویت کننده حیاتی جدید را طراحی و تست کرده ایم که از یک عنصر شبه مقاومت ماسفت-دوقطبی به منظور تقویت سیگنال های فرکانس-پایین کمتر از محدوده میلی هرتز و همچنین برای حذف آفست های DC بزرگ بهره می برد. ما محدوده تئوری مصالحه نویز-توان (ضریب کارایی نویز) را برای این تقویت کننده بدست می آوریم و نشان می دهیم که پیاده سازی VLSI ما با راه اندازی انتخابی ترانزیستورهای MOS در هر یک از نواحی وارونگی ضعیف یا قوی، به این محدوده نزدیک می شود. تقویت کننده حاصل، در یک فرآیند CMOS 1.5 میکرومتر استاندارد ساخته شد و سیگنال های Hz0.025 تا kHz7.2 را عبور می دهد. همچنین دارای نویز ارجاع به ورودی Vrmsµ2.2 و اتلاف توان μW80 است، در حالی که〖mm〗^20.16 از مساحت تراشه را اشغال می کند. روش طراحی ما همچنین برای توسعه یک تقویت کننده الکتروانسفالوگرام استفاده شده بود که دارای پهنای باند Hz30 و اتلاف توان μW0.9 می باشد در حالی که دارای مصالحه نویز-توان مشابهی است.

یک تقویت کننده با کاربرد بایو کم نویز کم توان 1 ولتی بر مبنای دنبال کننده ولتاژ فلیپ شده

A 1V Low-Power Low-Noise Biopotential Amplifier Based on Flipped Voltage Follower

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تقویت کننده بیو پتانسیل کم قدرت کم نویز 1 ولتی بر اساس دنبال کننده ولتاژ فلیپ شده 

A 1V Low-Power Low-Noise Biopotential Amplifier Based on Flipped Voltage Follower

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.