معماری هوشمند محیطی مبتنی بر زمینه MRPM 12 ضربه ای فیلتر FIR نیم باند بیشتر حساسیت زدایی شده برای سیگنال EEG

Ambient intelligence architecture of MRPM context based 12-tap further desensitized half band FIR filter for EEG signal

چکیده
1. مقدمه
2. اثر مربوط
3. روش ارائه شده
4. نتایج و مباحث
5. نتیجه گیری
منابع

چکیده
فیلتر نیم باند ساخته شده با ساختاری آبشاری از فیلتر FIR عدم حساسیت پاسخ فرکانس را با توجه به کمی سازی ضریب کاهش می دهد. فقدان در حساسیت ضریب را می توان با فیلتر FIR نیم- باند حساسیت زدایی شده، بیشتر کاهش داد. یک فیلتر حساسیت زدایی شده دیجیتال شامل فیلتر نیم باند اول و دوم متصل به یک آبشار بین ورودی و خروجی فیلتر دیجیتال است. طراحی آنالیز سیگنال های (EEG) الکتروانسفالوگرام با معماری (FIR) فیلتر پاسخ پالس محدود نیم- باند انجام می شود. این اثر FIR نیم باند 12- ضربه اضافی حساسیت زدایی شده، یگ (MRPM) افزاینده (ضرب کننده) دهقان روسی تغییر یافته کارآمد را با یک بخش (SQRT CSLA) جمع کننده گزینش رقم نقلی ریشه مربعات به کار می گیریم، لازم به ذکر است که (SQRT CSLA) به منظور کاهش سخت افزار در واحد (MAC) ضرب کننده و جمع کننده استفاده می شود. طراحی فیلتر ارائه شده برای آنالیز سیگنال های EEG با سخت افزار کاهش یافته در مونیتورینگ مربوط به مراقبت های بهداشتی برای محیط پیرامون به کار گرفته می شود. روش ارائه شده کاهش 38.5% در تعداد LUTها، کاهش 47.49% در تعداد تکه ها، کاهش 8.16% در تاخیر (نانو ثانیه) و کاهش 29.80% در قدرت (mw) را به معرض نمایش می گذارد.

2. اثر مربوط
2.1. ضرب کننده دهقان روسی
RPM یکی از بهترین الگوریتم های ضرب است. این به قانون «ضرب و تقسیم» بستگی دارد. به منظور ضرب و تقسیم پیاده سازی داده های دیجیتال، شیفترهای چپ و راست استفاده می شود. جمع کننده ها، شیفترهای چپ، شیفترهای راست، تسهیم کننده های 2:1 در RPM استفاده می شود. این روش آسان برای ضرب دو مقدار بیت «n» بصورت مفصل توسط کومار و رابی (2016) تشریح می شود. در این ضرب، این مشتمل بر 3 مرحله است،
• نسل تولید جزئی (PPG)
• کاهش درخت والاس (WTR)
• واحد اضافه نهایی (FAU)

ساختار تغییر یافته ضرب کننده دهقان روسی در شکل 2 نشان داده شده است. در (MDRPM) ضرب کننده دهقان روسی دیجیتال تغییر یافته تنها شیفترهای چپ برای ارائه نتایج PPG استفاده می شود. (RWTG) نسل کاهشی درخت والاس به منظور ثبت نتایج PPG توسعه می یابد. ترکیب کمپرسورهای 5-2، 3-2، 4-2 و نصف جمع کننده ها در ضرب کننده درخت والاس کاهش یافته، در چهار بخش مختلف از مراحل کاهش تولیدات جزئی به کار گرفته می شود. اضافه دو داده بیت «n» با استفاده از (MSQRTCSLA) SQRTCSLA تغییر یافته 16- بیتی انجام می شود.

بلوک نسل رقم نقلی در SQRT CSLA زمان محاسباتی بیشتری را در فرایند اضافه نمودن خرح می کند. SQRTCSLA با استفاده از بلوک کاهش یافته CG تنها چند گیت AND دارد و گیت های OR به منظور تولید خروجی رقم نقلی استفاده می شوند، هم چنان که در SQRTCSLA مرسوم تعداد بالایی از گیت های AND و OR به کار گرفته می شود. MSQRTCSLA شامل DRPM است همانطور که توسط اوتیاکومار و کامالراج (2017) تشریح می شود.

اثرات القا شده در یک ضربان ساز مجهز به سیستم شارژ انتقال انرژی بی سیم

Induced Effects in a Pacemaker Equipped With a Wireless Power Transfer Charging System

1 . مقدمه
2 . تنظیمات سیستم
3 . مدل ریاضی
4 . کاربردها
5 . نتیجه گیری
منابع

این مقاله تداخل الکترومغناطیسی (EMI) درون سیستمی را در یک تنظیم کننده ی ضربان قلب مجهز به سیستم شارژ انتقال توان بیسیم (WPT) بررسی می کند. کاربرد WPT در تنظیم کننده بسیار نوین می باشد، و هیچ نتیجه ای در مورد اثرات ممکن EMI، که توسط جریان سیم پیچ WPT در سرپوش تنظیم کننده ضربان تولید می شود، تاکنون منتشر نشده است. برای این منظور، یک روش میدان/ مدار شبیه سازی اصلی و کارآمد ارائه شده است، تا ولتاژهای القایی در سرپوش تنظیم کننده را پیش بینی کند. در محاسبات عددی، تنظیم کننده ی ضربان با کویل ثانویه ی WPT و یک سرپوش تنظیم کننده، در یک مدل پیچیده ی بدن انسان، کاشت می شود. نتایج عددی توسط اندازه گیری ارزیابی می شوند، که سازگاری خوبی دارند. رویکرد ارائه شده، یک ابزار مناسب برای تست های سازگاری EMI تنظیم کننده و ارزیابی امنیت، مفید می باشد.

2 . تنظیمات سیستم
هنگامی که تنظیم کننده مجهز به سیستم شارژ WPT می شود، کویل ( سیم پیچ) اولیه در سطح بدن قرار می گیرد، در حالی که کویل دوم درون بدن، به عبارت دیگر، در تنظیم کننده، قرار دارد [1] و [2]. جریان های کویل WPT، یک میدان مغناطیسی متغیر با زمان تولید می کنند که برای انتقال القایی توان مورد نیاز می باشد، اما این میدان می تواند جریان و ولتاژی بر سرپوش های تنظیم کننده با خطر تولید EMI در مدارات تنظیم کننده و مشکلاتی برای قلب، القا کند [5] – [9].

با در نظر گرفتن تنظیم کننده با یک سرپوش تک قطبی، تنظیم کننده ی ضربان یک الکترود کاتدی دارد که درون قلب قرار می گیرد، در حالی که آند، محفظه ی فلزی تنظیم کننده می باشد [شکل 1a]. مسیر بازگشت جریان درون بدن انسان به وضوح تعریف نشده است [شکل 1b]. در روش ارائه شده، فرض می شود سرپوش تک قطبی یک TL غیر یکنواخت تحریک میدانی می باشد. بنابراین، سرپوش به تعدادی بخش TL سری (شکل 1c) تقسیم (گسسته سازی) می شود، که تحریک آن ها به ناحیه حلقه ای محدود به سرپوش و مسیر بازگشت جریان، بستگی دارد.

3 . مدل ریاضی
A . مدارهای معادل
پس از گسسته سازی سرپوش تک قطبی، مدار معادل TL تحریک شده با میدان، می تواند یا یک سری آبشاری از شبکه های دو پورتی فعال پارامتر مجموع، مدلسازی می شود. مدار معادل مجتمع i امین بخش سرپوش در دامنه فرکانسی در شکل 2a نمایش داده شده است، که در آن Zii = Ri + jωLii امپدانس سری، و Yii = Gi + jωCii ادمیتانس شانت می باشد، همچنین Ei و Ji منابع ولتاژ و جریان مستقل، به دلیل تحریک خارجی، می باشند [10]. منابع ولتاژ و جریان کنترل شده کوپل متقابل بین بخش های مختلف خط را نمایش می دهند. برای مورد آزمایشی، مدار معادل می تواند با صرف نظر از پارامترهای شانت، به عبارت دیگر با استفاده از تقریب فرکانس پایین (LF)، ساده سازی شود (شکل 2b).

تشخیص تنگی دریچه آئورت با تجزیه و تحلیل همبستگی صداهای قلب فیلتر شده با موجک

Diagnosis of aortic valve stenosis by correlation analysis of wavelet filtered heart sounds

چکیده
1 .مقدمه
2. روش شناسی
3. نتایج
4. بحث
5. نتیجه گیری
منابع

چکیده
روش گوش دادن مرسوم توسط پزشکان عمومی (GP) همچنان با مشکلاتی همراه است و اغلب تنها در مراحل پیشرفته بیماری های مربوط به دریچه های قلب نتایج قابل توجهی فراهم می کند. امروزه تنگی و نارسایی های دریچه با دستگاه های اولتراسونیک دقیق اما پرهزینه تشخیص داده می شوند. هدف از این پژوهش ارائه یک روش جدید برای آنالیز صدای قلب به منظور تشخیص تنگی دریچه آئورت (AVS) بر اساس رویکرد تکنیک موجک و همبستگی است.

صدای قلب 81 بیمار (43 بیمار مبتلا به AVS، 11 شاهد سالم-REF و 27 بیمار مبتلا به بیماریهای دریچه ای دیگر –OVD) با یک استتوسکوپ الکترونیکی ضبط شده و بعد از فیلتر کردن با موجک، انولوپ ها محاسبه شدند. سه همبستگی بر اساس این انوولوپ ها اجرا شدند: 1) درون AVS، 2) درون گروه ترکیبی AVS+REF و 3) درون گروه ترکیبی AVS+OVD که به ضرایب همبستگی rAvS، rAVS/REF و rAVS/OVD منجر شدند.

نتایج نشان می دهند که rAvS، به میزان قابل توجهی بالاتر از rAVS/REF و rAVS/OVD است(P<0.01). این اختلافات در الگوهای صوتی بین گروه ها نشان می دهد که روش معرفی شده امکان تشخیص خودکار AVS را فراهم می اورد.

ما یک روش جدید برای طبقه بندی صدای قلب طراحی کردیم که به نظر می رسد که برای تشخیص بیماریهای دریچه قلب مناسب بوده و استفاده از ان برای پزشکان عمومی کم هزینه و آسان است.

2. روش شناسی
ما صدای قلب 81 بیمار را ثبت کردیم. تشخیص تمام بیماری های دریچه ای توسط یک کاردیولوژیست با تجربه تایید شد. صداهای قلبی با طول 15 ثانیه از ناحیه مختلف ثبت شدند (شکل1).

برای ضبط صداها از یک استتوسکوپ متصل به یک آمپلیفایر ECG تک لید استفاده شد. سیگنال ها با استفاده از یک کارت صدا با فرکانس نمونه برداری 44100 هرتز و رزولوشن 16 بیت دیجیتالی شده و به همراه اطلاعات بیمار در یک پایگاه داده ثبت شدند.

فاصله –RR (از ECG همزمان) مربوط به قطعات صوتی با نسبت سیگنال به نویز کمتر از آنالیز بیشتر کنار گذاشته شدند.با استفاده از آنالیز موجک، سیگنال های صدای قلب به 20 مقیاس فرکانسی تجزیه شدند. این مقیاس ها برای هر دوره ی قلبی به صورت مجزا استخراج شدند. علاوه بر این، یک انولوپ با طول استاندارد برای هر دوره محاسبه شد. با استفاده از این انولوپ ها یک الگوی نمایشی برای هر بیمار محاسبه شده و برای آنالیزهای همبستگی جهت یافتن تفاوت های ویژه بین گروه ها استفاده شد.

شکل 1. نواحی گوش دادن 1 تا 7
A. بیماران
سه گروه از بیماران در این مطالعه شرکت داده شدند. گروه اول شامل تمام بیمارانی بود که از AVS (تنگی خفیف، ملایم و شدید) رنج می بردند (جدول1)، این افراد همچنین به میزان کمی از تنگی یا نارسایی دریچه های دیگر نیز رنج می بردند. شدت AVS از روی استانداردهای اکورادیوگرافی نشان داده شده در جدول 2 تعیین شد. بیماران گروه دوم (OVD) از دیگر بیماری های مرتبط با دریچه های قلب به غیر تنگی دریچه آئورت رنج می برند. و گروه سوم افراد سالمی هستند که به عنوان شاهد (کنترل) در این مطالعه شرکت داده شده اند.

تصویربرداری آکوستیک قلب با استفاده از آرایه های میکروفون

Acoustic Imaging of Heart Using Microphone Arrays

چکیده
1.مقدمه
2.شبیه سازی ها
3.قطعه بندی
4.تست های تجربی
5.نتیجه گیری
منابع

چکیده
در این مطالعه یک روش جدید برای تصویربرداری صوتی از قلب پیشنهاد شده است. تصور می شود که قلب یک منبع صوتی گسترده است که از قسمت های مختلف خود صدا ایجاد می کند. از یک روش ثبت مالتی سنسور همزمان برای ثبت صدای قلب از دیواره قفسه سینه ی استفاده شد. با استفاده از تکنیک های جهت دهی پرتو، داده های ثبت شده با همدیگر ترکیب شده و یک نمایش دو بعدی یا سه بعدی از توزیع صدای قلب ایجاد کردند. این نقشه انرژی صوتی قلب در نقاط مختلف را نشان می دهد. شبیه سازی ها با آرایش های مختلف برای ارزیابی کارایی این سیستم انجام می شوند. صدای قلب بدون هیچگونه نیازی به سیگنال های زیستی دیگر و با استفاده از یک روش بدون نظارت قطعه بندی می شود. از این روش برای تفکیک صدای اول و دوم قلب استفاده می شود. سیگنال قطعه بندی شده در الگوریتم جهت دهی پرتو استفاده می شود. این کار منجر به ایجاد نقشه فضا-زمان برای صدای قلب در بازه های عملکردی مختلف می شود. دستگاهی برای ثبت صدای قلب از روی قفسه سینه طراحی و به کارگرفته شد.برای پردازش سیگنال جهت تشکیل یک تصویر دو یا سه بعدی، داده ها روی یک کامپیوتر شخصی ذخیره شدند. این روش تصویربرداری کم هزینه و غیر تهاجمی جنبه های جدیدی ارائه می دهد که با مطالعات بیشتر می تواند به پزشکان در تشخیص دقیق تر بیماری های قلبی کمک کند.

2.شبیه سازی ها
صوت یک موج مکانیکی است که با سرعتی در محیط پخش می شود که عمدتا به جنس محیط و شرایط آن بستگی دارد. صوت از یک منبع ایجاد شده و در محیط جریان می یابد و ما می توانیم با استفاده از یک سنسور مانند میکروفون آن را حس کنیم. قلب یک منبع صوت گسترده است که از بخش های مختلف خود صدا تولید می کند. این منبع را میتوان با برخی از نقاط منبع دیگر که جداگانه صوت تولید می کنند تخمین زد. اگر ما بتوانیم انرژی سیگنال هر نقطه را تخمین بزنیم با تلفیق این داده ها نقشه ای خواهیم داشت که انتشار صدای قلب از طریق توراکس را نمایش خواهد داد. در نتیجه تصویری شکل می گیرد که می توان آن را تصویری صوتی قلب نامید.

A. بیم فرمر تاخیر و جمع (Delay-and-sum beamformer)
بیم فرمینگ یکی از متداولترین راه حل ها برای یافتن مکان صوت است. در این پژوهش از یک بیم فرمر تاخیر و جمع برای یافتن منشاء صوت استفاده شد. روشن شده است که رزولوشن تصویربرداری برای قفسه سینه انسان نمی تواند بهتر از حدود 2 سانتیمتر باشد. بنابراین، بیم فرمر ناحیه کل سینه را با تمرکز بر هر نقطه در فاصله 1 سانتیمتری اسکن می کند. و انرژی سیگنال هر نقطه را تخمین زده و یک عدد بین 0 تا 1 بر اساس بیشنه و کمینه انرژی به آن نقطه می دهد.

B. مدل انتشار صوت در قفسه سینه انسان
خصوصیات صوتی قفسه سینه انسان به دلیل پیچیدگی کمتر شناخته شده اند. سرعت صدا از 23 متر بر ثانیه تا 1500 متر بر ثانیه متغییر است. با توجه به مطالعات پیشین، سرعت صوت در توراکس کم و در حدود 10 متر بر ثانیه است. سرعت صوت در دیواره قفسه سینه و بافت قلب حدود 1500 متر بر ثانیه است. مسیرهای هوایی بزرگ صوت را از با سرعت 222 تا 312 متر بر ثانیه انتقال می دهند. سرعت صوت پارانشیمی بین 23 و 6

تشخیص تنگی دریچه آئورت با استخراج پارامتر سیگنال های صوتی قلب

Diagnosing Aortic Valve Stenosis by Parameter Extraction of Heart Sound Signals

چکیده
مقدمه
روش شناسی
جمع آوری داده و بیماران
پردازش سیگنال
آنالیز موجک مالتی رزولوشن
قطعه بندی سیگنال ها
تبدیل فوریه کوتاه مدت و تبدیل موجک
استخراج پارامتر
آمار
نتایج
بحث
نتیجه گیری
منابع

چکیده
هدف از این مطالعه طراحی یک سیستم آنالیز سیگنال خودکار برای تشخیص صدای قلب بود. این سیستم باید به پزشک عمومی در تشخیص زودهنگام تنگی دریچه آئورت کمک کند تا نیاز به مداخلات جراحی را کاهش دهد. روش آنالیز به کار گرفته شده بر دسته بندی سیگنال های صدای قلب با استفاده از استخراج پارامتر استوار است. سری های جدید از تخریب موجک یک چرخه ی قلبی و همچنین از تبدیل فوریه کوتاه مدت (STFT) و طیف تبدیل موجک (WT) گرفته شدند. در چندین بخش، پارامترها استخراج شده و آنالیزگردیدند. علاوه بر این، خصوصیات تبدیل فوریه سریع (FFT) سیگنال خام نیز ارزیابی شدند. در این مطالعه 206 بیمار مشارکت داشتند که از میان آنها 159 نفر یا بیماری قلبی نداشتند یا بیماری قلبی آنها از نوع تنگ شدگی دریچه ی آئورت نبود و 47 نفر باقیمانده به درجات مختلفی (خفیف، ملایم و حاد) از تنگی آئورت مبتلا بودند. برای تفکیک گروه ها به منظور کاهش مجموعه پارامترها از تابع افتراقی خطی استفاده شد. حساسیت سیستم طبقه بندی دو سطحی معرفی شده برای تشخیص خودکار تنگی دریچه ی آئورت برای تنگ شدگی های حاد و متوسط 100% و برای تنگ شدگی های خفیف 75% بود. اختصاصیت این سیستم برای بیماران غیر مبتلا به تنگ شدگی دریچه ی آئورت 93.7% بود. روش ابداع شده در این مطالعه قوی و مقرون به صرفه بوده و استفاده از آن بسیار آسان است و به این ترتیب، می تواند یک روش مناسب برای تشخیص تنگ شدگی دریچه ی آئورت توسط پزشکان عمومی باشد.

روش شناسی
جمع آوری داده و بیماران
با استفاده از یک استتوسکوپ الکترونیکی و با یک پاسخ فرکانسی خطی از 20 هرتز تا 20 کیلوهرتز، سیگنال-های صدای قلب 206 بیمار به مدت 15 ثانیه روی 7 ناحیه مختلف ضبط شد. یک ECG تک لید ضبط شد تا یک حدود برای سیکل های مجزای قلب به دست آید. هر دو سیگنال با استفاده از یک کارت صدای فراهم کننده نمونه برداری 44100 هرتز و رزولوشن 16 بیت دیجیتالی شده و در یک پایگاه داده به همراه یک گزارش اکوکاردیوگرافی تاییده شده توسط یک کاردیولوژیست ذخیره شدند.

با توجه به فواصل RR بدست آمده از سیگنال ECG، صداهای ضبط شده به دوره های قلبی مجزا تفکیک شدند. بنابراین، پیک های R به صورت خودکار تشخیص داده شدند که از یک الگوریتم خودتوسعه یافته بر اساس یافتن بالاترین دامنه ی دوره ای در سیگنال استفاده می کنند. تمام صداهای ضبط شده به صورت دستی ویرایش شدند. دوره های دارای نویزهای مشخص از آنالیز بیشتر کنار گذاشته شدند.

علاوه بر این، روشی یرای تشخیص صدای اول و دوم قلب به کار گرفته شد. این روش بر دو رویکرد مستقل استوار بود؛ محاسبه انرژی شانون سیگنالی که موجک آن در طول زمان فیلتر شده (0-172 هرتز) و توتال پاور محاسبه شده با جمع کردن تمام ضرایب هر پنجره تبدیل فوریه کوتاه مدت ((STFT) ( نیرو-زمان-STFT). دو نقطه بیشنه ی هر سری زمانی در چهارچوب های زمانی معین تشخیص داده شدند (صدای اول قلب: 0-150ms ، صدای دوم قلب: 350-600 ms ). این بیشینه ها در صورتی به عنوان صدای اول و دوم قلب پذیرفته می شدند که تفاوت جایگاه آنها در هر دو سری زمانی از 70ms تجاوز نمی کرد. محل صداهای قلب نهایتا از روی مقادیر میانگین جایگاه های بیشینه در هر دو سری زمانی محاسبه شد.

از تمام دوره های زمانی پذیرفته شده هر صدای ضبط شده، یک دوره قلبی مجزا بر اساس بالاترین میانگین ضریب همبستگی نسبت به سایر دوره های پذیرفته شده انتخاب شد. برای کاهش زحمت و زمان محاسبه تنها این دوره های قلبی منتخب در محاسبات دیگر استفاده شدند.

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

چکیده

1 مقدمه

2 کارهای مرتبط

3 روش‌شناسی و طراحی تجربی

4 نتایج

A) احساسات طبیعی

B) احساسات القایی

5 نتیجه‌گیری

چکیده

در طول چند دهه گذشته رابطه‌ی بین احساسات انسانی و سیگنال‌های EEG بطور مستمر مورد مطالعه قرار گرفته است. در این مقاله، ما تلاش جدیدی را در راستای اندازه‌گیری فعالیت مغز انسان و آنالیز سیگنال‌های آن با استفاده از الکتروانسفالوگرافی (EEG) بمنظور طبقه‌بندی احساسات انسانی نشان داده شده توسط موجک‌ های مغز انجام می‌دهیم. در این پژوهش، ما جهت آشکارسازی یا پی‌بردن به احساساتی همچون شادی، غم و ترس موجک های مغز دانشجویان دختر را مورد بررسی قرار خواهیم داد. در این پژوهش از حسگر های مخصوص طراحی شده که بر روی پوست سر قرار داده می‌شوند، استفاده خواهد شد. سیگنال های اندازه‌گیری شده به یک دستگاه محاسبه‌گر فرستاده می‌شوند. اطلاعات جمع‌آوری شده توسط سیستم نرم‌افزاری که توسط تیم ما ایجاد شده‌است، تجزیه و تحلیل می‌شوند. زمانیکه دستگاه برای هر احساس، سیگنال خاصی را دریافت می‌کند، ما از یک برنامه نویسی دینامیکی جهت پی بردن به حداکثر تعداد خدمات با کیفیت که برای کاربران فراهم می شوند، استفاده می‌کنیم.

5- نتیجه‌گیری

EEG در بیمارستان‌ها و زندان‌ها برای پی‌بردن به احساسات مجرمان و بیماران مورد استفاده قرار می‌گیرد. آن‌ها دریافتند که برخی روابط بین ویژگی‌های EEG و تمامی حس‌ها وجود دارد. این اطلاعات توسط دکتر در بیمارستان و توسط پلیس در موارد وقوع جرم کنترل می‌شوند. بر اساس نتایجی که ما در طول مطالعه سه حس برای سه دختر به آن‌ها رسیدیم. ما برنامه C++ مبتنی بر برنامه‌نویسی دینامیکی را جهت پی‌بردن به حداکثر خدمات با کیفیت که برای کاربران فراهم می‌شود زمانیکه دستگاه سیگنال‌های بخصوصی را برای هر حس ثبت می‌کند، بکار گرفتیم. ما از این نتایج به عنوان نقطه‌ی مرجع برای مقایسه‌ی موارد جدید با آن، جهت پی‌بردن به اینکه این مورد با کدام رفتار مطابقت دارد و همچنین پی‌بردن به مقدار درصد وضعیت عاطفی با استفاده از برنامه‌نویسی جاوا، استفاده کردیم.

Abstract

The relation between human emotions and EEG signals have been actively studied during the last few decades. In this paper, we study a novel attempt to measure the human brain activity and analyze its signals using electroencephalography (EEG) in order to classify the human emotions indicated by the brain wavelets. The study will measure the brain wavelets of female students in order to detect the emotions of happiness, sadness, and fear. This study will use specially designed sensors placed around the scalp. The measured signals transfer to a computing device. The data collected analyze by a software system, which developed by our team. We use dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion.

V- CONCLUSIONS

The EEG used in hospital and prisons to know the emotions of the offenders and patients. They find that there some relations between the characteristics of EEG and all emotions. These data managed by the doctor in hospital and policeman in case of crime. Based on the results that we reached during studying the three emotions for three girls. We implement a C++ program based on dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion. We used these results as the reference point to compare the new cases with it to know this case related to which emotion and to know how much the percentage of the emotional status by using java programming.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

چکیده

1- مقدمه

2- ثبت EEG و fNIRS

3- روش

4- نتایج

5- نتیجه‌گیری و کار‌های آینده

چکیده

این مقاله، نتایج ابتدایی در مورد تشخیص حمله صرعی ارائه می‌دهد. ترکیب روش‌های طیف‌سنجی عملکردی نزدیک به مادون قرمز و الکتروآنسفالوگرام ، عملکرد بهتری نسبت به روش صرف EEG نشان می‌دهد. علاوه‌براین، بعضی نتایجی که پیش‌بینی می‌کند می‌توان حمله را تشخیص داد نیز ارائه شده است.

مقدمه

صرع جزء یکی از سه اختلال عصبی شایع است؛ این بیماری بعد از سکته مغزی و بیماری آلزایمر در رتبه سوم قرار دارد. تخمین زده شده 65 میلیون نفر در سراسر جهان که حدود 1% از جمعیت جهان را تشکیل می‌دهد، از صرع رنج می‌برند. به طور متوسط سالانه 60 مورد جدید شامل 100 هزار نفر اضافه می‌شوند.

نتیجه گیری

اگر چه نتایج حاصل از مطالعه موردی قطعی نیست، اما جدول 2 نشان می‌دهد که افزودن ویژگی‌های fNIRS به یک آشکارساز مبتنی بر EEG، عملکرد آن را به طور قابل توجهی بهبود می بخشد. علاوه براین براساس جدول 3 و شکل 5، تایید کردیم که اطلاعات موجود در fNIRS می‌تواند به تشخیص خیلی سریع‌تر حملات کمک کند.

با توجه به این نتایج امیدوارکننده، پژوهش‌های آتی ما در مورد به‌کارگیری این روش بر روی طبقه‌بندی‌کننده‌های دیگر و مجموعه داده‌های بزرگتر خواهد بود. همچنین بر استخراج ویژگی‌های جدیدتر و بهتر از سیگنال‌های fNIRS تمرکز خواهیم کرد و آنها را با ویژگی‌های استخراج شده از ثبت EEG ترکیب می‌کنیم. یکی از محدودیت‌های کار ما، عدم استفاده از الگوریتم انتخاب ویژگی است که اگر چه با توجه به نتایج امیدوار کننده تنها بر اساس استخراج دامنه سیگنال‌ها به عنوان ویژگی ممکن است مورد نیاز نباشد. در روش یادگیری ماشین ارائه شده، انتخاب پارامترهای بهینه مانند نوع هسته‌ی ماشین بردار پشتیبان و پارامترهای مرتبط با آن، تعداد نورون‌ها در لایه پنهان شبکه عصبی و همچنین فرآیند انتخاب ویژگی، در کار آتی بررسی خواهد شد.

Abstract

This paper presents preliminary results on epileptic seizure detection. Combination of functional Near Infrared Spectroscopy (fNIRS) and Electroencephalogram (EEG) recordings shows enhanced performance compare to EEG recordings alone. Moreover, some results concerning the anticipation at which a seizure can be detected are also presented.

INTRODUCTION

Epilepsy is one of the top three most common neurological disorders; it is just below strokes and Alzheimer disease [1]. It is estimated that 65 million people around the world suffer from epilepsy, which represents approximately 1% of the global population [2]. On average, 60 new cases of epilepsy 100,000 people emerge every year [2]–[4].

CONCLUSIONS AND FUTURE WORK

Even though results from a case-study are not conclusive, Table 2 suggests that adding fNIRS features to an EEG-based detector will considerably improve its performance. Furthermore, from Table 3 and Fig. 5 we confirmed that information contained within fNIRS can help to detect seizures much earlier. Given these promising results, our future work will be to try the same approach with others classifiers on a larger sample. We will also focus on extracting new and better classification features out of the fNIRS signals and combine them with features extracted from EEG recordings. One limitation of our work is the lack of implementation of a feature selection algorithm, although it may not be needed, given the promising results using only the amplitude of signals as features. The choice of optimal parameters in our machine learning approaches, such as SVM kernel type and its associated parameters, number of neurons in the ANN hidden layer as well as a feature selection process will be tackled in future work.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

دسته بندی حملات صرعی با استفاده از ویژگی های آماری سیگنال الکتروانسفالوگرافی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• 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

طبقه بندی حملات صرعی با خصوصیات آماری سیگنال نوار مغزی

Epileptic Seizure Classification using Statistical Features of EEG Signal

• 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.

دستگاه هوشمند پوشیدنی دستی برای سیستم تفسیر زبان اشاره با ترکیب حسگرها

Smart Wearable Hand Device for Sign Language Interpretation System With Sensors Fusion

چکیده
1 مقدمه
2 طراحی سیستم
الف ) طراحی سخت افزاری و جریان سیستم
ب) ساز و کار آزمایش
3 روش ها
الف ) پیش پردازش
ب) استخراج ویژگی
ج) دسته بندی کننده اشاره ها
4 نتایج و مباحث
الف ) نتایج آزمایش
ب) کاربرد تفسیر زبان اشاره
5 جمع بندی
منابع

چکیده

استفاده از زبان اشاره یکی از روش های غریزی برای ایجاد ارتباط برای نشان دادن یک منظور یا مقصود خاص می باشد . ازین رو، تحقیقات در رابطه تفسیر زبان نشانه ها با استفاده از حرکت های اشاره ، به صورت گسترده در طول دهه های گذشته، بررسی شده است تا بتوان دستگاه ها و روش های مناسب کمکی برای افراد کر  و لال فراهم شوند تا آن ها بتوانند بدون مشکل، ارتباطات اجتماعی داشته باشند. در این مقاله، یک سیستم تفسیر زبان نشانه ای هوشمند با استفاده از یک دستگاه پوشیدنی دستی  پیشنهاد شده است تا بتوان به هدف مورد نظر دست پیدا کرد. این سیستم های پوشیدنی از 5 سنسور  ترکیبی ، دو سنسور فشاری، یک سنسور حرکتی داخلی با سه محور  استفاده می کند تا مشخصه های الفبای زبان انگلیسی اشاره را شناسایی کند. این سیستم به صورت کلی شامل سه ماژول می باشد : یک دستگاه پوشیدنی با یک ماژول سنسور و یک ماژول پردازش، یک واحد نمایش برنامه موبایل.  داده های سنسور ها با استفاده از یک دسته بندی کننده ماشینی بردار پشتیبان داخلی، تحلیل و دسته  بندی می شود. سپس، الفبای شناسایی شده از طریق ارتباطات کم انرژی بلوتوث به دستگاه موبایل ارسال می شود. یک نرم افزار موبایل مبتنی بر اندروید نیز با عملکرد تبدیل متن به گفتار ایجاد شده است که متن دریافت شده را به صورت خروجی های صوتی تبدیل می کند. نتایج آزمایش ها نشان می دهد که نرخ صحت شناسایی زبان اشاره به صورت 65.7% می باشد که به صورت میانگین در نسخه اول بدون سنسور های فشار، قابل شناسایی می باشد. یک نسخه دوم از سیستم پوشیدنی پیشنهاد شده با ترکیب سنسور های فشاری بر روی انگشت میانی نیز باعث افزایش صحت شناسایی به صور محسوس شد و این مقدار را به 98.2% رساند. سیستم پیشنهاد شده پویشدنی نسبت به روش های موجود عملکرد بهتری دارد، مثلا با وجود این که نور های پس زمینه ای و دیگر عوامل برای روش های پردازش مبتنی بر دید ضروری هستند، اما برای سیستم پیشنهاد شده ضروری نیستند.

5 جمع بندی

در این مطالعه، ما به صورت موفق ، دستگاه های پوشیدنی دستی هوشمند جدیدی را طراحی و اجرا کردیم که می توان با استفاده از طبقه بندی کننده های داخلی SVM از آن به عنوان یک سیستم تفسیر زبان اشاره، استفاده کرد. یک نرم افزار موبایل مبتنی بر اندروید هم در این سیستم توسعه یافته است که برای نمایش کارایی دستگاه هوشمند پوشیدنی با سرویس صوت به گفتار مورد استفاده قرار می گیرد. سوژه های مشارکت کننده در این برنامه ، امتیاز بالایی به این دستگاه هوشمند و سیستم تفسیر از نظر راحتی، انعطاف و قابلیت جابجایی دادند. پایه های نگهدارنده این دستگاه با استفاده از رشته های منعطف به صورت سه بعدی چاپ شد و سپس همین نگهدارنده برای تثبیت بر روی سایزهای مختلف دست و انگشت مورد استفاده قرار گرفت و ازین رو، دیگر نیازی به ساخت دستگاه های سفارشی وجود نداشت. کار های آتی بر روی این سیستم می تواند موضوعاتی مانند طراحی بورد های مدار چاپی با سایز کوچکتر، استفاده از کلمات و جملات در سطح زبان اشاره و  خروجی صوتی فوری را در نظر بگیرد.

Abstract 

Gesturing is an instinctive way of communicating to present a specific meaning or intent. Therefore, research into sign language interpretation using gestures has been explored progressively during recent decades to serve as an auxiliary tool for deaf and mute people to blend into society without barriers. In this paper, a smart sign language interpretation system using a wearable hand device is proposed to meet this purpose. This wearable system utilizes five flex-sensors, two pressure sensors, and a three-axis inertial motion sensor to distinguish the characters in the American sign language alphabet. The entire system mainly consists of three modules: 1) a wearable device with a sensor module; 2) a processing module; and 3) a display unit mobile application module. Sensor data are collected and analyzed using a built-in embedded support vector machine classifier. Subsequently, the recognized alphabet is further transmitted to a mobile device through Bluetooth low energy wireless communication. An Android-based mobile application was developed with a text-to-speech function that converts the received textinto audible voice output. Experiment results indicate that a true sign language recognition accuracy rate of 65.7% can be achieved on average in the first version without pressure sensors. A second version of the proposed wearable system with the fusion of pressure sensors on the middle finger increased the recognition accuracy rate dramatically to 98.2%. The proposed wearable system outperforms the existing method, for instance, although background lights, and other factors are crucial to a vision-based processing method, they are not for the proposed system.

V. CONCLUSION

In this study, we successfully designed and implemented a novel and smart wearable hand device as a sign interpretation system using a built-in SVM classifier. An Android-based mobile application was developed to demonstrate the usability of the proposed smart wearable device with an available text-to-speech service. The participating subjects gave a high rating to the proposed smart wearable sign interpretation system in terms of its comfort, flexibility, and portability. The device holders were 3D-printed using a flexible filament, and the same holders are able to fit different hand and finger sizes, thus eliminating the necessity of custom-made devices. Future work on the proposed smart wearable hand device will consider the design of a smaller sized printed circuit board, the inclusion of words and sentences at the sign language level, and instantly audible voice output components.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

دستگاه هوشمند پوشیدنی دستی برای سیستم تفسیر زبان اشاره با ترکیب حسگرها

Smart Wearable Hand Device for Sign Language Interpretation System With Sensors Fusion

 بهینه ‌سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با استفاده از الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• 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

 بهینه ‌سازی تشخیص صرع بر پایه انرژی سیگنال EEG با الگوریتم ژنتیک

 Optimizing EEG Energy-based Seizure Detection using Genetic Algorithms

• 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.