بازرسی الیاف نساجی پزشکی قانونی به وسیله تصویربرداری رامان و آنالیز چند متغیره

Forensic examination of textile fibres using Raman imaging and multivariate analysis

نکات مهم
چکیده گرافیکی
چکیده
1. مقدمه
2. آزمایشی
3. نتایج و بحث
4. نتیجه گیری و روندهای آینده
منابع

چکیده

     نشان داده شده است که تکنیک های طیف سنجی ارتعاشی برای شناسایی و مقایسه الیاف نساجی و پارچه های لباس بسیار مناسب هستند. از سوی دیگر، حالت های جدید تصویربرداری شیمیایی بر اساس این تکنیک های طیف سنجی، در زمینه های متعددی موثر واقع شده اند. این امر به ویژه برای تجسم شیمیایی و غربالگری نمونه‌های مختلف از جمله مدارک قضایی (بررسی صحنه جرم)، محصولات شیمیایی و غذایی (کنترل کیفیت)، بافت‌های بیولوژیکی و موجودات زنده (تصویربرداری پزشکی) و همچنین موارد دیگر مهم است. این مطالعه، بررسی پزشکی قانونی و تجسم شیمیایی انتخابی الیاف نساجی و پارچه‌های لباس را با استفاده از تصویربرداری رامان بررسی می‌کند. چهار آزمایش انجام شد که بر غربالگری مواد مختلف متمرکز بود که عبارتند از: (i) مواد مختلف سفید تهیه شده از 100٪ پنبه (گازپانسمان، پنبه هیدروفیل، تی شرت، و گوش پاک کن)، (ii) پارچه های پلی استر و پنبه ای با رنگ یکسان، (iii) پنج پارچه پنبه ای در رنگهای مختلف، و (iv) الیاف نساجی با جنسهای متفاوت (اکریلیک، پنبه، نایلون، پلی استر، و ابریشم). از چد روش تجزیه و تحلیل کمومتری چند متغیره از جمله تجزیه و تحلیل المان اصلی (PCA)، تحلیل واریانس چند متغیره (MANOVA)، و تفکیک منحنی چند متغیره (MCR) برای بهبود مقایسه بصری محدود طیف ها که با چشم غیر مسلح انجام شد، استفاده شد. نتایج، شایستگی تصویربرداری رامان را برای تمایز الیاف و پارچه‌های نساجی از لحاظ آماری با توجه به ترکیب شیمیایی جنس لباس و ماده رنگرزی، نشان داد.

آزمایشی
نمونه ها
     انواع نمونه های نساجی تهیه شده از 100٪ پنبه: گازپانسمان، پنبه هیدروفیل، گوش پاک کن ، و تی شرت سفید به عنوان چهار ماده مختلف سفید مورد مطالعه قرار گرفتند. برش هایی از شش تی شرت در رنگ های مختلف (یکی تهیه شده از 100% پلی استر و 5 مورد تهیه شده از 100% پنبه) برای مطالعه تمایز پنبه-پلی استر و همچنین تمایز بین پنج پارچه پنبه ای با رنگ های مختلف انتخاب شدند. این مواد (پنبه و پلی استر) دو ماده نساجی مرتبط و غالب در پوشاک در سراسر جهان محسوب می شوند (3،5). در نهایت، پنج الیاف نساجی مختلف که بر روی نوار چسب پلیس بازیابی شده بود نیز مورد مطالعه قرار گرفتند. این الیاف بین دو لایه نوار چسب محکم چسبانده شدند و مستقیما مورد تجزیه و تحلیل قرار گرفتند. نوار چسب و همچنین الیاف نساجی (اکریلیک، پنبه، نایلون، پلی استر و ابریشم) توسط Guardia Civil (نیروی پلیس اسپانیا) فراهم شدند. این الیاف نساجی، بخشی از مجموعه الیافی بودند که طی سال‌ها توسط نیروهای پلیس جمع‌آوری شده بودند. گازپانسمان، پنبه هیدروفیل، گوش پاک کن، و تی شرت از یک سوپر مارکت محلی در اسپانیا خریداری شده است.

     برشهای گاز پانسمان، پنبه هیدروفیل و تی شرت در اندازه تقریبا کمتر از 5×5 mm2 ، با ضخامت 800 μm بودند. قطر الیاف نساجی بین 10 تا 25 μm بود، هرچندکه الیاف برخی از مواد، به ویژه پنبه، نایلون و ابریشم، در هم آمیخته شده بودند و رشته هایی با قطر بین 300 تا 600 μm را ایجاد کرده بودند.

ابزارهای تجزیه و تحلیل تصویربرداری رامان
     اندازه گیری های تصویربرداری رامان بر روی میکروسکوپ تصویربرداری Thermo DXRxi Raman (Thermo Fisher Scientific, Waltham, USA) مجهز به یک دستگاه جفت شده با بار الکترون افزا (EMCCD)، یک لیزر با طول موج تحریک 455 nm، و یک گریتینگ با 1200 خط mm-1 انجام شد. این تجهیزات با استفاده از نرم افزار تصویربرداری OMNICxi Raman کنترل می شد (1.0.0.2427; Thermo Fisher Scientific ، والتهام، ایالات متحده آمریکا). نمونه ها در آزمایشات 1، 2 و 4 با تنظیم 5 mW به عنوان توان لیزر و 50 μm به عنوان اندازه شکاف دیافراگم طیف‌نگار مورد تجزیه و تحلیل قرار گرفتند. نمونه های آزمایش 3 با استفاده از 3 mW ، به عنوان توان لیزر و با اندازه شکاف دیافراگم 25 μm طیف‌نگار آنالیز شدند. توان لیزر و دیافراگم طیف‌نگار در آزمایش 3 به منظور کاهش فلورسانس پارچه‌های تیره، به‌ویژه پارچه‌های نخی سیاه، کاهش یافت. در همه آزمایشات، محدوده طیفی اندازه گیری شده، از 3000 تا 200 cm-1 شیفت رامان با فاصله گذاری داده ها در حدود 1.93 mm-1 می باشد. با توجه به اهداف میکروسکوپ، نمونه های آزمایش 1، 2 و 3 (برش پارچه) با استفاده از هدف بزرگنمایی 4 برابر تجسم شد، در حالی که نمونه های آزمایش 4 (الیاف) با هدف بزرگنمایی 10 برابر تجسم شدند. از آنجایی که در نمونه های آزمایش 4 به جای برش پارچه از الیاف استفاده شده بود، بزرگنمایی بیشتر برای تجسم درست آنها ضروری بود.

دستگاه هشدار و پیش بینی افتادن مبنی بر اینترنت اشیا (IoT)

Internet of Things based Fall Prediction and Alerting Device

چکیده

مقدمه

روش شناسی

1- سامانه ی پیشنهادی

2- Twilio و اینترنت اشیاء

3- بستر اینترنت اشیای Thingspeak

نتایج و بحث

نتیجه گیری

منابع

چکیده

     بیش تر اوقات افراد کهنسال تنها زندگی می کنند یا به دلایل بسیار، از افراد جوان تر جدا هستند. از آنجا که آنان تنها زندگی می کنند، معمولاً بر زمین می افتند. این زمین خوردن منجر به مسائل گوناگونی مرتبط با سلامت می-شود و حتی به مرگ می انجامد. در این مقاله، یک دستگاه پیش بینی و هشداردهنده ی افتادن مبتنی بر اینترنت اشیاء نقش عمده ای در کمک کردن به این افراد کهنسال ایفا می کند، چرا که مراقبت و پرستاری مستمر و پیوسته از آنان دشوار است. افزون بر این، دستگاه پیشنهادی به شکلی طراحی شده است که هرگاه بیمار در آستانه ی افتادن باشد، با حس کردن مقدار مربوط به حسگرهای شتاب سنج و چرخش سنج و مقایسه ی آن ها با مقدار آستانه، زنگ مربوط صدای هشداردهنده ای تولید می کند تا موضوع را به بیمار منتقل کند. همچنین، این دستگاه پس از به زمین افتادن بیمار، پیام های هشداردهنده ای برای سرپرست می فرستد. نتیجه نشان می دهد که پیام به سرپرست بیمار هشدار می دهد و باعث می شود که بیمار کمک را به موقع دریافت کند. بدین ترتیب، مراقبت ویژه تضمین می شود تا از آن افراد مراقبت شود و می توان مانع از رخ دادن مسائل مربوط شد.

سامانه ی پیشنهادی

مدل های کنونی فاقد یک دکمه ی چُرت (خاموشی موقت) برای جلوگیری از هشدار کاذب هستند و هیچ گزینه ای برای هشدار دادن به افراد ناشنوا وجود ندارد. محدودیت زمانی برای دریافت پیام هشدار زمان می برد. بیش تر مدل-های کنونی به صورت دستگاه های پوشیدنی طراحی می شوند که می تواند باعث ناراحتی برای کاربر (استفاده کننده) شود. مدل های کنونی عمدتاً با بوردهای آروئینو طراحی می شوند که نسبت به رزبری پای نسبتاً کندتر هستند.

سامانه ی پیشنهادی در مقایسه با مدل های موجود دارای ارتقاهای زیر است:

• مدل پیشنهادی با دکمه ی چُرت برای جلوگیری از هشدار کاذب طراحی می شود.
• این مدل در هشدار دادن به افراد ناشنوا سودمند است چون با LED طراحی می شود.
• کاربرد Twilio تضمین می کند که پیام هشدار به موقع تحویل داده می شود.
• مدل پیشنهادی یک دستگاه تعبیه شده در ویلچر است که نمی تواند هیچ ناراحتی برای کاربر در پی داشته باشد.
• این سامانه با رزبری پای 3 مدل B+ طراحی می شود که سریع تر و دقیق تر است.

شکل 1 نمودار بلوکی این مدل پیشنهادی را نشان می دهد که هم شامل پیش بینی افتادن و هم سامانه ی هشداردهنده است.

     چند بخش وجود دارد که در این اثر مورد استفاده قرار می گیرند، مانند رزبری پای 3 مدل B+، حسگر شتاب-سنج و چرخش سنج (MPU6050)، زنگ فعال، دکمه ی فشار، پایداری کننده و غیره. این دستگاه بر پایه ی مقادیر ثبت شده توسط حسگر شتاب سنج و چرخش سنج که به سرپرست هشدار می دهند، عمل می کند. سامانه ی هشداردهنده در این دستگاه پیام افتادن را به نزدیکان بیمار منتقل می کند. دستگاه زمانی هشدار خود را فعال می کند که تشخیص دهنده ی افتادن سیگنال های دریافتی از حسگر شتاب سنج و چرخش سنج را بلادرنگ رصد کند و بدین وسیله هشداری مبنی بر این که او در حال افتادن است، برای بیمار فراهم می کند. این هشدار زمانی تولید خواهد شد که مقادیر حسگر از مقدار آستانه ی مشخصی فراتر روند یا زمانی که مقادیر با یک نرخ مشخصی در حال افزایش باشند. افزون بر این، دستگاه پیشنهادی شامل یک دکمه ی فشار است که بیمار می تواند آن را فعال کند تا هشدار را در صورت تولید یک هشدار کاذب قطع کند. چنانچه دکمه ی فشار ظرف 10 ثانیه فعال-سازی نشود، پیام به سرپرست بیمار فرستاده خواهد شد. کل این الگوریتم با استفاده از نرم افزار پایتون در درون محیط رزبری پای کدنویسی می شود.

Twilio و اینترنت اشیاء

     Twilio یک اَبَرتارنما از اتصالات میان ارتباطات راه دور و شبکه است که به متصل شدن بی وقفه ی مشتریان در هر نقطه ای و در هر زمانی کمک می کند. این فعال سازی با ایجاد یک حساب کاربری با استفاده از شناسه ی ایمیل سرپرست بیمار آغاز می شود و شماره ی تلفن سرپرست در این حساب لحاظ می شود. افزون بر این، SID حساب (Accounts SID)، توکن احراز هویت (Auth token) و شماره تلفن Twilio (Twilio phone number) در Twilio تولید خواهند شد. این موضوع را می توان در بخش کنسول این صفحه ی وب Twilio مشاهده کرد. شکل 2 صفحه ی وب کنسول در حساب Twilio را نشان می دهد. Twilio دارای کتابخانه هایی برای NodeJS است که با استفاده از آن می توان قابلیت کنترل با متن را برای رزبری پای خود فراهم کرد.

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

چکیده
1 مقدمه
2 مواد و روش ها
1-2 طرح تحقیق و مطالعه
2-2 مجموعه داده ها
3-2 پیشرفت و بسط طبقه بندی کننده
4-2 روش هایی برای کاهش شکنندگی و عدم انعطاف
5-2 آنالیز و تحلیل
3 نتایج
1-3 عملکرد پایه و مبنا و شکنندگی (عدم انعطاف)
2-3 اثربخشی روش های امتحان شده روی تغییرات مصنوعی
3-3 اثربخشی روش های تست و امتحان شده روی تغییرات طبیعی
4 بحث و گفتگو
1-4 کاربردها و مفاهیم عملی
2-4 محدودیت ها
5 نتیجه گیری
منابع

چکیده
پیش زمینه: نیاز پایه و اساسی برای سیستم های آنالیز تصویر مبتنی بر هوش مصنوعی (AI)، که می بایست در طب بالینی ادغام شوند، از استواری و قابلیت اطمینان بالایی برخوردار است. تغییرات جزئی و اندک در نحوه ی بدست آوردن آن تصاویر، برای مثال، در طول غربالگری روتین سرطان پوست، نباید تشخیص چنین سیستم های کمکی (سیستم های کمک یار پزشک) را تغییر دهد.
هدف: هدف کمی سازی و سنجش این است که درهم ریختگی ها و تغییرات جزئی تصویر تا چه میزان طبقه بندی ضایعه ی پوستی به واسطه ی شبکه ی عصبی پیچشی (کانولوشن) (CNN) را تحت تأثیر قرار می دهند و همچنین بررسی سه راه حل ممکن و عملی برای این مشکل است (داده افزایی اضافی، افزایش زمان تست، خوشنماسازی).
روش ها: ما سه معماری رایج و متداول CNN را برای ایجاد تمایز بین تصاویر درموسکوپی ملانوما یا خال سرطانی و خال های مادرزادی تمرین کرده و به کار بردیم. متعاقبا، عملکرد و حساسیت آنها نسبت به تغییرات جزئی (شکنندگی و عدم انعطاف) بر روی دو مجموعه ی امتحانی متمایز با تصاویر متعدد برای هر ضایعه تست و امتحان شد. برای مجموعه ی نخست، تغییرات تصاویر، مثل چرخش یا بزرگنمایی (زوم)، به صورت مصنوعی ایجاد شدند. مجموعه ی دوم تغییرات طبیعی را دربرمیگرفت که از چندین عکس گرفته شده از همان ضایعات ناشی می شدند.
نتایج: تمامی معماری ها شکنندگی و عدم انعطاف در مجموعه امتحانی مصنوعی و طبیعی را نشان دادند. سه روش بررسی شده قادر به کاهش شکنندگی و عدم انعطاف تا درجات مختلف بودند درحالیکه همچنان عملکرد را حفظ می کردند. ارتقا و بهبود دیده شده برای مجموعه امتحانی مصنوعی بیشتر از طبیعی بود، جایی که پیشرفت ها جزئی و اندک بودند.
نتیجه گیری: تغییرات جزئی تصاویر، نسبتا نامشخص برای انسان ها، می توانند روی استواری و قابلیت اطمینان شبکه های عصبی پیچشی (CNNs) متمایز کننده ی ضایعات پوستی تأثیرگذار باشند. این تأثیر را می توان از طریق روش هایی که در اینجا تست و امتحان شده اند کاهش داد، اما نمی توان آن را کاملا حذف و برطرف کرد. لذا، تحقیقات بیشتر به منظور حفظ و تقویت عملکرد طبقه بندی کننده های (جداکننده های) هوش مصنوعی (AI) در جهت تسهیل انتقال چنین سیستم هایی به کلینیک و درمانگاه مورد نیاز می باشد.

5- نتیجه گیری

تغییرات جزئی و اندک تصویر، که برای انسان ها تاحدودی نامعلوم و نامشخص هستند، می توانند روی سطح اطمینان و تشخیص شبکه های عصبی پیچشی متمایزکننده ی ضایعات پوستی تأثیر بگذارند. این تأثیر با استفاده از روش هایی که در اینجا تست و امتحان شدند کاهش یافت اما کاملا برطرف نشد. بنابراین، ما می خواهیم به متخصصان و دست اندرکاران یادگیری عمیق و پزشکان حوزه ی درماتولوژی بلکه پزشکان به طور کلی یادآوری کنیم که شکنندگی و عدم انعطاف می بایست صراحتا در رأس کار قرار گرفته و به عنوان هدف مد نظر قرار بگیرد و به منظر تسهیل انتقال از آزمایشگاه به کلینیک باید بر آن غلبه کرد.

Abstract

Background A basic requirement for artificial intelligence (AI)–based image analysis systems, which are to be integrated into clinical practice, is a high robustness. Minor changes in how those images are acquired, for example, during routine skin cancer screening, should not change the diagnosis of such assistance systems.

Objective To quantify to what extent minor image perturbations affect the convolutional neural network (CNN)–mediated skin lesion classification and to evaluate three possible solutions for this problem (additional data augmentation, test-time augmentation, anti-aliasing).

Methods We trained three commonly used CNN architectures to differentiate between dermoscopic melanoma and nevus images. Subsequently, their performance and susceptibility to minor changes (‘brittleness’) was tested on two distinct test sets with multiple images per lesion. For the first set, image changes, such as rotations or zooms, were generated artificially. The second set contained natural changes that stemmed from multiple photographs taken of the same lesions.

Results All architectures exhibited brittleness on the artificial and natural test set. The three reviewed methods were able to decrease brittleness to varying degrees while still maintaining performance. The observed improvement was greater for the artificial than for the natural test set, where enhancements were minor.

Conclusions Minor image changes, relatively inconspicuous for humans, can have an effect on the robustness of CNNs differentiating skin lesions. By the methods tested here, this effect can be reduced, but not fully eliminated. Thus, further research to sustain the performance of AI classifiers is needed to facilitate the translation of such systems into the clinic.

5. Conclusions

Minor image changes, relatively inconspicuous for humans, can have an effect on the confidence and diagnosis of CNNs differentiating skin lesions. Using the methods tested here, this effect was reduced but not fully eliminated. Therefore, we would like to remind deep learning practitioners and physicians in dermatology but also in medicine in general, that brittleness needs to be explicitly targeted and overcome to facilitate translation from bench-to-bedside.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

اجرای یک راه حل حسابداری هزینه هوش تجاری در یک محیط مراقبت های بهداشتی

Implementing a business intelligence cost accounting solution in a healthcare setting

چکیده

1 مقدمه

2 پیش زمینه

3 روش شناسی و ابزارها

4 توسعه راه حل هوش تجاری

5 داشبورد ها

6 بحث

7 نتیجه گیری و کار های آتی

منابع

چکیده

     محیط نظام بهداشت و درمان پرتغال یک نگرانی همیشگی برای جامعه ما محسوب می ­شود. بر این اساس، همانند بخش­ های دیگر، محیط بیمارستانی دارای ساختاری پیچیده همراه با حجم زیادی از اطلاعات می­ باشد، که این مسئله فرایند تصمیم ­گیری را دشوار می ­کند. از این رو، احساس نیاز به بهبود مدیریت خدمات و منابع سازمان ­های حوزه سلامت وجود دارد. با در نظر گرفتن این مسئله، راه ­حل شامل ایجاد تغییر و تحول در سیستم فعلی با کمک سیستم ­های اطلاعاتی است که قرار است پیاده­ سازی شوند. بنابراین، ایده پیاده­ سازی سیستم ­های اطلاعاتی که از هوش تجاری در محیط­ های بیمارستانی استفاده می ­کنند، مطرح می­ شود، تمرکز و هدف این پروژه، کمک به مدیران در تجزیه و تحلیل­ های حسابداری و حسابرسی می­باشد. در همکاری با Centro Hospitalar Universitário do Porto ، تصمیم بر این شد که استفاده از هوش تجاری، با هدف پیاده ­سازی یک راه­ حل عمومی برای طرح حسابرسی هزینه تمام شده موجود بررسی شود، هدف از این راه ­حل بهبود بازدهی و ارائه ابزار های جدید به مدیران به منظور مدیریت منابع خود و در صورت نیاز برنامه­ریزی برای آینده می ­باشد.

پیش زمینه
     بخش بیمارستانی در پرتغال، سیستم¬های اطلاعاتی خود را به منظور افزایش بازدهی و تاثیرگذاری کار های انجام شده، توسعه داده است. با این حال، اگرچه پروژه¬ های متعددی در ارتباط با استفاده از فناوری به منظور بهبود خدمات وجود دارد، اما تعداد اندکی از آن ¬ها از فناوری هوش تجاری بهره¬ گرفته¬ اند[6]. با آگاهی از این مسئله که بیمارستان¬ ها سیستم¬ های حسابرسی پیچیده ای دارند، عملاً هیچ گونه زیرساختی برای حمایت از مدیران در تصمیم¬ گیری بر اساس اطلاعات حسابرسی هزینه تمام شده، وجود ندارد. همانند هر بخش دیگری، بخش بیمارستانی نیز به مدیریت منابع خود نیاز دارد.

     حسابرسی تحلیلی یا حسابرسی هزینه تمام شده، اطلاعات هزینه ¬ها را با جزئیات ارائه کرده و مدیریت برای کنترل عملیات¬ های جاری و اجرای برنامه ¬های عملیاتی آتی به این اطلاعات نیاز دارد. در گام بعدی مدیریت از این اطلاعات به منظور تصمیم ¬گیری به منظور نحوه اختصاص منابع مالی به شیوه ¬ای موثرتر و سودآور تر به حوزه -های تجاری، استفاده می¬کند [7].

     با توسعه سیستم های که راه ¬حل هوش تجاری را با برنامه ¬های فعلی سازمان ¬ها ادغام می ¬کنند، امکان بهبود فرایند تصمیم¬¬ گیری به شیوه ¬ای با ثبات ¬تر برای سازمان¬ ها ایجاد می ¬شود. به وسیله این ابزار ها، جمع¬ آوری، پردازش، ذخیره¬ سازی و توزیع اطلاعات به منظور پشتیبانی از فرایند های تصمیم¬گیری و کمک به کنترل کردن شرایط امکان ¬پذیر خواهد بود. تحقق این امر، مستلزم ادغام انواعی از سیستم¬ های اطلاعاتی¬ است که برای انجام عملیات¬ های روزانه سازمان مهم و ارزشمند هستند. با این حال، این کار مشکلات متعددی نیز ایجاد می ¬کند مانند، تداخل سیستم ¬های مختلف درون سازمان. از آن¬جایی که هر یک از خدمات، یا حیطه کاری سازمان¬ ها یک سیستم بسته است، این مسئله ممکن است تبادل اطلاعات را سخت و پیچیده کند. در مسئله مورد بحث، به دلیل وسعت زیاد واحد های بیمارستانی، و نحوه ساختار یافتن آن¬ ها در واحد ها و بخش¬ های مختلف با استفاده از یک سیستم بسته، مدیریت این حجم از داده¬ های پیچیده به طور چشمگیری دشوار شده است. بنابراین نیاز است تا از وجود و ناهمگونی سیستم ¬های اطلاعاتی توزیع شده اطمینان حاصل شود تا سیستم ¬های مختلف با یکدیگر ارتباط برقرار کرده و تبادل اطلاعات را انجام دهند. برای تحقق این امر، لازم است تا از قابلیت تعامل¬ و همکاری میان اجزای مختلف سیستم اطمینان حاصل شود. قابلیت تعامل و همکاری به عنوان ظرفیت سیستم¬ های اطلاعاتی، دستگاه¬ها و اپلیکیشن ¬ها برای تعامل و برقراری ارتباط در استفاده از اطلاعات به طور هماهنگ در سطوح سازمانی، منطقه¬ ای، و ملی به منظور فراهم آوردن اطلاعات صحیح و به موقع، تعریف می ¬شود[8,9].

چگونگی کار با تجزیه الکترومیوگرافی در کلاس های عملی بیومکانیک و فیزیولوژی ورزشی

How to Work with Electromyography Decomposition in Practical Classes of Exercise Physiology and Biomechanics

چکیده

1 مقدمه

2 تاکید بکارگیری واحد حرکتی و ارزیابی آن

3 تجزیه الکترومایوگرافی سطحی و جنبه‌های روش‌شناسی برای درس‌های عملی

4 مثال‌هایی از درس‌های عملی با استفاده از تجزیه الکترومایوگرافی سطحی برای آموزش بکارگیری واحدهای حرکتی “

5 جمع‌بندی

مراجع

چکیده
     مفاهیم مربوط به بکارگیری واحد حرکتی ، مفاهیم مهم یادگیری در کلاس‌های فیزیولوژی ورزش و بیومکانیک هستند که معمولا به صورت نظری آموزش داده می‌شوند. در چند سال اخیر پیشرفت‌های زیادی در تجزیه الکترومایوگرافی سطحی رخ داده‌است که یادگیری مطالب نظری را به روش تجربی امکان پذیر می‌سازد. در این مقاله آموزشی ، ما تجزیه جنبه‌های روش‌شناختی الکترومیوگرافی سطحی و مثال‌هایی برای آموزش مفاهیم بکارگیری واحدهای حرکتی در درس‌های عملی فیزیولوژی ورزش و بیومکانیک را شرح داده‌ایم. این کار با هدف تسهیل فیزیولوژی و بیومکانیک دانشگاهی برای معرفی این تکنیک در کلاس‌های عملی انجام شده‌است.

تاکید بکارگیری واحد حرکتی و ارزیابی آن
     از این مفهوم که تولید حرکت با یک سیگنال عصبی منتقل‌شده از طریق پتانسیل‌های عمل محوری به یک یا چند واحد حرکتی آغاز می‌شود [۶، ۷]‏ تعاریف و محتوای نظری مختلف باید در طول کلاس‌های فیزیولوژیکی و بیومکانیکی ارائه شود. یک نورون حرکتی به نورون در سیستم عصبی مرکزی اشاره می‌کند که آکسون خود را به ماهیچه یا غده گسترش می‌دهد و یک واحد حرکتی تعداد فیبرهای ماهیچه‌ای است که توسط همان نورون‌های حرکتی عصب دار می‌شوند. تعداد واحدهای حرکتی فعال شده و نرخ اخراج متناظر آن‌ها نیروی عضله تولید شده و تعامل آن با محیط را تعیین می‌کند و اطلاعاتی در مورد کنترل فردی سیستم عصبی – عضلانی فراهم می‌کند [۶، ۹، ۱۰]‏. از سال ۱۹۵۷، هنگامی که آزمایش‌ها با گربه‌های بی‌هوش انجام شد [۱۱]‏ عموما پذیرفته شده‌است که واحدهای حرکتی به ترتیب با افزایش اندازه به کار گرفته می‌شوند [۹]‏. با این حال دانش خاص در مورد انواع واحد حرکتی و نرخ‌های اخراج مربوطه در طول دهه‌های اخیر ، تا حدی به دلیل محدودیت‌های روش‌شناختی ، دست‌خوش تغییرات زیادی شده‌است. تا دهه ۱۹۹۰ ، نظریه فرآیند سلسله مراتبی تحلیلی به طور معمول پذیرفته شد که بیان می‌کند که نورون‌های حرکتی کوچک‌تر نرخ‌های اخراج کمتری تولید می‌کنند ، با یک آستانه پایین‌تر و نیروی دامنه بزرگ‌تر و کوچک‌تر نسبت به نورون‌های بزرگ‌تر بکارگرفته می‌شوند[۹]‏.

     با این حال مطالعات خلفی از نظریه طرح Onion – Skin پشتیبانی می‌کنند که در آن واحدهای حرکتی که برای اولین بار به کار گرفته شده‌اند ، نرخ اخراج بالاتری نسبت به واحدهای حرکتی که بعدا به کار گرفته شده‌اند ، دارند [۹، ۱۲]‏. بنابراین واحدهای حرکتی با آستانه پایین‌تر قادر به حفظ تولید نیرو برای دوره‌های زمانی نسبتا طولانی‌تر (‏با نرخ اخراج بالاتر)‏ هستند در حالی که واحدهای حرکتی با آستانه بالاتر و تولید نیروی بالاتر در سطوح نیروی پایین فعال نمی‌شوند و برای کمک به سطوح نیروی بالا ، علی‌رغم سطوح نرخ اخراج پایین ، در دسترس می‌مانند [۹]‏.

     ارزیابی بکارگیری واحد حرکتی در طول ورزش و در جمعیت‌های مختلف بسیار مورد توجه است زیرا می‌تواند اطلاعات مربوط به ظرفیت فیزیکی ، ترکیب و یا عملکرد ماهیچه‌های مختلف و اثر یک مداخله بالینی را فراهم کند [۱۰، ۱۳، ۱۸]‏. علاوه بر این ارزیابی آن در ارائه اطلاعات در مورد تعادل ایستاده [۱۹]‏ ، سطوح نیرو در طول انقباضات دردناک [۲۰]‏ و تحرک و قدرت اندام تحتانی [۲۱]‏ مفید است. پتانسیل عمل واحد حرکتی منجر به سیگنال‌های الکتریکی می‌شود. اگرچه آن‌ها را می توان با استفاده از الکترودهای عضلانی ارزیابی کرد ، ماهیت تهاجمی آن‌ها و کشف حجم کم آن‌ها منجر به مطالعات مرتبط با الکترومیوگرافی سطحی (‏SEMG) ‏و حذف آن‌ها در تدریس درس‌های عملی شده‌است. استخدام واحدهای حرکتی با استفاده از الکترومایوگرافی سطحی با تحلیل فرکانس و طیفی ارزیابی شده‌است [۱۳ – ۱۵]‏، اما این نوع تحلیل به دلیل ارتباط دشوار بین نوع فیبر و سرعت هدایت مورد انتقاد قرار گرفته‌است [۲۳]‏. ظهور و پیشرفت تجزیه الکترومایوگرافی سطحی یک روش جالب برای ارزیابی بکارگیری واحدهای حرکتی و انتقال کاربرد آن‌ها به درس‌های عملی فیزیولوژی و بیومکانیک فراهم کرده‌است.

ابزار هوشمند پزشکی مبنی بر IoT

IoT based smart medicine kit

چکیده
1 مقدمه
2 مروری بر منابع
3 سیستم پیشنهادی
4 اجزای لازم
4-1 آردوینو
4-2 اینترنت اشیاء
4-3 اندازه‌گیری ضربان نبض
4-4 گلوکزسنج
4-5 حسگر دما
4-6 یادآور جعبه قرص
4-7 ریز CPR
5 پیاده‌سازی
6 نتیجه‌گیری
منابع

چکیده

این مقاله راه حلی بهینه، ابزار هوشمند پزشکی برای بیماران معمولی با استفاده از حسگرهای مبنی بر IoT که ویژگی‌های تشحیصی را مهیا می‌سازند را ارائه می‌دهد. مصرف دارو توسط بیماران به عنوان داده‌هایی تهیه شده و درون درایو یا ابر ذخیره می‌شوند. این ابزار دارویی به عنوان یادآوری برای مصرف دارو با مداری زمانی عمل می‌کند. با این ابزار با استفاده از حسگرهای بررسی دمای مادون قرمز و بسته کوچک CPR می‌توان بر ضربان قلب انسان‌ها و نیز سطح گلوکز خون نظارت داشت. IoT مبنی بر سلامت، تشخیص پزشکی را تسهیل می‌بخشد.

1 مقدمه

در جهان پر مشغله زمانی برای همه افراد، بخصوص افراد کهنسال، برای مراقبت از سلامتشان توسط خود وجود ندارد چرا که ما همیشه نمی‌توانیم که هر بار میزان مصرف داروی‌شان را به آن‌ها یادآوری کنیم. انتقال سیستم نظارت مراقبت بهداشتی به داخل خانه می‌تواند به بسیاری از افراد در نجان جان خود کمک کند. این مدل پیشنهادی برای تحت نظر گرفتن شرایط سلامت افراد کهنسال بسیار مفید خواهد بود.

6 نتیجه‌گیری

این مقاله یک ابزار هوشمند پزشکی مبتنی بر IoT که ویژگی تشخیصی را مهیا می‌سازد، داده‌های مربوطه بیمار را در فضای ابری برای ارجاع بعدی پزشک ذخیره می‌کند را ارائه می‌کند. از این ایزار برای نظارت پیوسته و مداوم بر مراقبت های بهداشتی بیمار با کمک حسگرهای زیستی استفاده می‌شود. این حسگرهای زیستی برای تشخیص وضعیت سلامتی با آردوینو در متصل می‌شوند. یادآور جعبه قرص به بیماران در مدیریت نسخه‌های پزشکی خود از طریق ویژگی یادآور و زنگ هشدار کمک می کند.

Abstract

This paper presents an optimal solution, the smart medicine kit for regular patients using an IoT based sensors which provides diagnostic feature. The intake of medicine by the patients are prepared as a data and stored in drive or cloud. The medication kit acts as a remainder to take medicines with timer circuit. The heart rate of humans, glucose level in blood can also be monitored with the kit, with IR temperature check and mini CPR patch sensors. Health based IoT ease the medical diagnosis.

1 Introduction

In the busy world, there is no time for everyone, mainly elders, to take care of their health by it is not always possible for us to remind them of their medicine’s dosages every time. Shifting health care monitoring system to home can help many people to save their life. In order to track the health condition of the elderly people, the proposed model will be helpful.

6 Conclusion

This paper presents an IoT based Smart Medicine Kit which provides diagnostic feature, stores the respective data of the patient in the cloud for the later reference of the doctor. It is used for the continuous and consistent monitoring of healthcare of the patient with the help of bio sensors. Those Bio sensors is interfaced with Arduino to detect health condition. The pillbox reminder help patients in managing their medical prescriptions through a reminder feature and an alarm.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ابزار هوشمند پزشکی مبنی بر IoT

IoT based smart medicine kit

کاربرد الگوریتم های داده کاوی برای زوال عقل در افراد مبتلا به HIV/AIDS

Application of Data Mining Algorithms for Dementia in People with HIV/AIDS

1 مقدمه
2 روش شناسی
3 نتایج و بحث
4 نتیجه گیری و پژوهش های آینده
منابع

زوال عقل باعث اختلال در کارکردهای حرکتی، رفتاری، و هوشی فرد می شود به طوری که او را از انجام فعالیت های مؤثر روزمره بازمی دارد. پژوهش کنونی بر آن بود که بهترین الگوریتم عمل کننده و مرتبط ترین خصوصیات را با استفاده از داده کاوی شناسایی کند تا بدین وسیله افراد مبتلا به ایدزی که در خطر جدی زوال عقل هستند را طبقه-بندی نماید. در این راستا، الگوریتم تحلیل مؤلفه های اصلی (PCA) مورد استفاده قرار گرفت و آزمایش هایی به شکل مقایسه ای میان الگوریتم های یادگیری ماشینی زیر انجام شد: رگرسیون لجستیک، درخت تصمیم، شبکه ی عصبی، KNN (k همسایه ی نزدیک تر) و جنگل تصادفی. پایگاه داده ی مورد استفاده در این مطالعه بر پایه ی گردآوری داده ی 270 انسان مبتلا به ایدز تدوین گردید و ادامه ی کار در درمانگاه یک بیمارستان مرجع بیماری های واگیردار و انگلی در ایالت سیرا برزیل از ژانویه تا آوریل 2019 پیگیری شد. همچنین، عملکرد الگوریتم ها به ازای 14 ویژگی و خصوصیت موجود در پایگاه داده تجزیه و تحلیل شدند؛ آنگاه با کاهش ابعاد، در کیفیت الگوریتم های یادگیری ماشینی بهبودی حاصل شد و مشخص گردید که در جریان آزمون ها، حتی حدود 30 درصد تنوع از میان رفت. افزون بر این، هنگام در نظر گرفتن تنها 23 ویژگی و خصوصیت، دقت الگوریتم ها در جنگل تصادفی برابر 86 درصد، در رگرسیون لجستیک برابر 56 درصد، در درخت تصمیم برابر 68 درصد، در KNN برابر 60 درصد، و در شبکه ی عصبی برابر 59 درصد بود. معلوم گردید که الگوریتم جنگل تصادفی نسبت به بقیه کارامدتر است به طوری که به دقت 84 درصدی و صحت 86 درصدی دست یافت.

1 مقدمه

داده کاوی (MD) یکی از فرایندهای واکاوی داده ها است که با استفاده از راهبردهایی همچون الگوریتم های یادگیری، هوش مصنوعی (AI) یا طبقه بندی ها آماری، که می توانند روابط پنهان و داده های صحیح را آشکار کنند، قادر به پیش بینی و استخراج الگوهای منسجم است [1 و 2].

کاربرد داده کاوی در سامانه های اطلاعات سلامت، خواه حوزه های عمومی و خواه خصوصی، است که از طریق فرایند انتخاب، پیش پردازش و تبدیل داده ها می توان الگوها را یافت و با تفسیر آن ها دانش تولید کرد. با استفاده از این روش و بر پایه ی الگوهای مسائل سلامت و درمان های مراقبتی برای بیماری های گوناگون، متخصص بهداشت بیمار را شناسایی، توصیف، و راهنمایی خواهد کرد.

Dementia interferes with the individual’s motor, behavioural, and intellectual functions, causing him to be unable to perform instrumental activities of daily living. This study is aimed at identifying the best performing algorithm and the most relevant characteristics to categorise individuals with HIV/AIDS at high risk of dementia from the application of data mining. Principal component analysis (PCA) algorithm was used and tested comparatively between the following machine learning algorithms: logistic regression, decision tree, neural network, KNN, and random forest. The database used for this study was built from the data collection of 270 individuals infected with HIV/AIDS and followed up at the outpatient clinic of a reference hospital for infectious and parasitic diseases in the State of Ceará, Brazil, from January to April 2019. Also, the performance of the algorithms was analysed for the 104 characteristics available in the database; then, with the reduction of dimensionality, there was an improvement in the quality of the machine learning algorithms and identified that during the tests, even losing about 30% of the variation. Besides, when considering only 23 characteristics, the precision of the algorithms was 86% in random forest, 56% logistic regression, 68% decision tree, 60% KNN, and 59% neural network. The random forest algorithm proved to be more effective than the others, obtaining 84% precision and 86% accuracy.

1 Introduction

Data mining (MD) is one of the data exploration processes capable of predicting and extracting consistent patterns by using strategies such as learning algorithms, such as artificial intelligence (AI), or classification in statistics, which can reveal hidden relationships and accurate data [1, 2].

The application of MD is in health information systems, in the public and private spheres, which, through a process of selection, preprocessing, and data transformation, one can discover patterns and generate knowledge through their interpretations. With this method, the health professional will identify, characterise, and guide the patient based on patterns of health problems and care therapies for different diseases [2].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد الگوریتم های داده کاوی برای زوال عقل در افراد مبتلا به HIV/AIDS

Application of Data Mining Algorithms for Dementia in People with HIV/AIDS

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays

چکیده
مقدمه
مواد و روش‌ها
جمع‌آوری داده‌ها
شبکه عصبی کانولوشن کم عمق
آزمایشات
نتایج در مجموعه داده متعادل
نتایج در مجموعه داده نامتعادل
بحث‌ و گفتگو
نتیجه‌گیری و کارهای آینده
منابع

چکیده

در میان داده‌های تصویربرداری رادیولوژی، عکسبرداری اشعه ایکس قفسه سینه (CXR) در مشاهده بروز کووید 19 بسیار استفاده می‌شود. برای غربالگری انبوه، استفاده از CXR، یک ابزار مبتنی بر هوش مصنوعی محاسباتی کارآمد، برای تشخیص موارد مثبت کووید 19 از موارد غیر کووید ضروری است. به این منظور، یک شبکه عصبی کانولوشن سبک وزن (CNN) با معماری کم عمق متناسب ارائه داده ایم که با استفاده از CXR موارد مثبت کووید 19 را بدون منفی کاذب بطور خودکار تشخیص می‌دهد. معماری کم عمق CNN در مقایسه با سایر مدل‌های یادگیری عمیق با پارامترهای کمتری طراحی شده است. معماری متناسب با CNN کم عمق با استفاده از CXRهای 321 مورد مثبت کووید تأیید شد. علاوه بر موارد مثبت کووید 19، مجموعه دیگری از 5856 مورد غیرکووید 19 (در دسترس عموم، منبع: کاگل) در نظر گرفته شد که شامل موارد ذات الریه عادی، ویروسی و باکتریایی است. در آزمونهای آزمایشی ما، برای جلوگیری از جهت‌گیری احتمالی، اعتبارسنجی 5 برابر دنبال شد و از هر دو مجموعه داده متعادل و نامتعادل استفاده شد. مدل پیشنهادی بالاترین دقت ممکن 99.69٪، را با حساسیت 1.0 به دست آورد، جایی که AUC، 9995/0 بود. بعلاوه، میزان مثبت کاذب گزارش شده برای 5856 مورد منفی کووید19 فقط 0015/0 بود. نتایج ما اظهار داشت که CNN پیشنهادی می‌تواند برای غربالگری انبوه استفاده شود. با استفاده از مجموعه دقیقاً مشابه مجموعه CXR، نتایج فعلی بهتر از سایر مدل‌های یادگیری عمیق و کارهای پیشرفته اصلی بود.

مقدمه

در دسامبر سال 2019، بیماری جدید ویروس کرونا (COVID – 19) در استان ووهان چین یافت شد https://www.who.int/docs/default-source/coronaviruse/who – china-joint-mission-on-covid-19-final-report.pdf [1]. برخلاف سرماخوردگی و آنفولانزا، کووید19 بسیار مسری تر است و برای سیستم ایمنی بدن انسان کاملاً ناشناخته است. به بیان دقیق‌تر، سندرم تنفسی بسیار حاد (SARS) و سندرم تنفسی خاورمیانه (MERS) دو بیماری شناخته شده ویروس کرونا هستند که به ترتیب 10 و 37 درصد مرگ و میر زیادی دارند [2، 3]. هم اکنون، کووید 19 بیش از 6،057،853 نفر را مبتلا کرده است که بیش از 371،166 مورد مرگ در سراسر جهان دارند (تاریخ، 01 ژوئن، 2020) [8]. نرخ شیوع کووید19 نمایی است و سریعتر از سایر بیماریهای مربوط به تنفس است. امروزه محققان برای پیش بینی عواقب احتمالی با استفاده از ابزارهایی که توسط هوش مصنوعی هدایت می‌شوند، به داده‌های کمی محدود شده‌اند.

نتیجه‌گیری و کارهای آینده

به طور کلی، در این مقاله، یک معماری کم عمق متناسب با CNN کم وزن را برای تشخیص موارد مثبت کووید 19 با استفاده از CXR‌ها در برابر موارد غیر کووید 19 پیشنهاد شده است. این آزمایشات بر روی مجموعه داده CXR‌های کویید 19 مثبت، ذات‌الریه – مثبت و سالم انجام شد. برای تأیید دقت، از پروتکل اعتبار سنجی 5 برابر در هر دو سناریوی مجموعه داده متعادل و نامتعادل استفاده شد که در آن 321 مورد مثبت کووید 19 استفاده شده است. با استفاده از (الف) ابزارهای محبوب DL، مانند MobileNet، InceptionV3 و ResNet50، معماری متناسب CNN پیشنهادی را مقایسه کرده ایم. و (ب) کارهای پیشرفته تشخیص COVID – 19 با استفاده از CXR‌ها، در نظر گرفته شود. مدل پیشنهادی بهتر از همه بوده و از نظر محاسباتی کارآمد است زیرا به تعداد پارامترهای کمتری نیاز دارد. چون معماری CNN کم عمق پیشنهادی منفی کاذب ندارد، می‌توان از آن برای غربالگری موارد مثبت کووید 19 در اشعه X قفسه سینه استفاده کرد.

در آینده، معماری شبکه با هدف به حداقل رساندن موارد مثبت کاذب، بررسی می‌شود. همچنین قصد داریم داده‌ها را اضافه کنیم که به ما کمک می‌کند تا از مشکلی که در حال حاضر با آن روبرو هستیم، یعنی کمبود داده کافی، جلوگیری کنیم.

Abstract

Among radiological imaging data, Chest X-rays (CXRs) are of great use in observing COVID-19 manifestations. For mass screening, using CXRs, a computationally efficient AI-driven tool is the must to detect COVID-19-positive cases from non-COVID ones. For this purpose, we proposed a light-weight Convolutional Neural Network (CNN)-tailored shallow architecture that can automatically detect COVID-19-positive cases using CXRs, with no false negatives. The shallow CNN-tailored architecture was designed with fewer parameters as compared to other deep learning models. The shallow CNN-tailored architecture was validated using 321 COVID-19-positive CXRs. In addition to COVID-19-positive cases, another set of non-COVID-19 5856 cases (publicly available, source: Kaggle) was taken into account, consisting of normal, viral, and bacterial pneumonia cases. In our experimental tests, to avoid possible bias, 5-fold cross-validation was followed, and both balanced and imbalanced datasets were used. The proposed model achieved the highest possible accuracy of 99.69%, sensitivity of 1.0, where AUC was 0.9995. Furthermore, the reported false positive rate was only 0.0015 for 5856 COVID-19-negative cases. Our results stated that the proposed CNN could possibly be used for mass screening. Using the exact same set of CXR collection, the current results were better than other deep learning models and major state-of-the-art works.

Introduction

In December 2019, the novel coronavirus disease (COVID-19) was found in Wuhan Province of China https://www.who.int/docs/default-source/coronaviruse/who -china-joint-mission-on-covid-19-final-report.pdf [1].Unlike the common cold and flu, COVID-19 is much more contagious, and for human’s immune system, it is an absolute unknown. To be more specific, severe acute respiratory syndrome (SARS) and Middle East respiratory syndrome (MERS) are two well-known coronavirus diseases, which have huge mortality rates of 10% and 37%, respectively [2, 3]. As of now, COVID-19 affected more than 6,057,853 people with more than 371,166 death cases across the world (dated, June 01, 2020) [8]. The COVID-19 outbreak spread rate is exponential and is faster than other respiratory-related diseases. Researchers are now limited to small amount of data to predict possible consequences using AI-driven tools.

Conclusion and Future Works

On the whole, in this paper, a light-weight CNN-tailored shallow architecture was proposed to detect COVID-19- positive cases using CXRs against non-COVID-19 ones. The experiments were performed on dataset collection of COVID19-positive, pneumonia-positive, and healthy CXRs. To validate its robustness, 5-fold cross-validation protocol was used on both balanced and imbalanced dataset scenarios, where 321 COVID-19-positive cases were used. We have compared the proposed shallow CNN-tailored architecture by taking (a) popular DL tools, such as MobileNet, InceptionV3, and ResNet50; and (b) state-of-the-art works for COVID-19 detection using CXRs, into account. The proposed model outperformed all and is computationally efficient as it requires less number of parameters. As the proposed shallow CNNtailored architecture has no false negatives, it could be used to screen COVID-19-positive cases in chest X-rays.

In future, the network architecture will be explored, aiming to minimize false positive cases. We also plan to augment data that helps avoid an issue we currently face, i.e., lack of sufficient data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays