این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۵، شماره ۲، صفحات ۷۱-۸۵
عنوان فارسی شناسایی میکرو آمبولی مغزی در سیگنال داپلر از روی ویژگی های غیر خطی
چکیده فارسی مقاله آمبولی، توده‌های مجتمع از گلبول های قرمز، چربی و یا حباب های گاز می‌باشند که آزادانه در سیستم گردش خون در جریان هستند و وجود آن ها نشانه ی خطر اسکیمی می‌باشد. در بررسی جریان خون در زمان واقعی به روش داپلر ترانس کرانیال (TCD) با عبور میکرو آمبولی جامد و یا گاز از منطقه ی تحت بررسی با داپلر، سیگنالی کوتاه¬مدت با دامنه ی زیاد ایجاد می‌گردد. در هنگام ثبت، عواملی مانند حرکت پروب و یا سرفه، باعث ایجاد آرتیفکت با دامنه ی زیاد در سیگنال داپلر می‌شود که شناسائی آن را از آمبولی را دشوار می‌کند. صرف وقت زیاد و همچنین احتمال خطای فرد متخصص در تشخیص آمبولی از آرتیفکت، انگیزه ی اصلی طراحی سیستم های تشخیص خودکار می‌باشد. پیاده‌سازی این‌گونه سیستم ها همواره با دو چالش عمده¬ی استخراج ویژگی های مناسب و طراحی دسته‌بند مطلوب روبرو می باشد. در این تحقیق هر دو موضوع مورد مطالعه قرار گرفت. در بخش ویژگی، ضرایب موجک، آنتروپی موجک، بُعد فرکتالی و ویژگی Besov از سیگنال استخراج شد و به کمک تحلیل آماری ویژگی های با بالاترین میزان تفکیک معرفی شد. در بخش دسته‌بند، شیوه¬ی جدیدی برای شناسایی آمبولی و تفکیک آن از آرتیفکت به وسیله مدل مارکف پنهان (HMM) ارائه شد و نتایج آن با نتایج دسته‌بند شبکه¬ی عصبی فازی تطبیقی (ANFIS) مقایسه شد. در مجموع با استفاده از ضرایب موجک و مدل مارکف پنهان طراحی شده، توانستیم به صحت 3/95% و وضوح 7/92% در شناسایی آمبولی برسیم.
کلیدواژه‌های فارسی مقاله MES، شبکه عصبی فازی تطبیقی، مدل مارکف پنهان، آنتروپی، ضرایب موجک.
عنوان انگلیسی Detection of cerebral micro emboli in Doppler Signal using nonlinear features
چکیده انگلیسی مقاله Abstract: An embolus is a blood clot, a fat globule or gas bubbles that may be freely circulating in bloodstream can stop the blood flow and lead to ischemia. In real time assessment of blood flow by Trans Cranial Doppler (TCD) method, travelling solid or gaseous micro emboli in the bloodstream by passing across the assessment area, causes a short time signal with high intensity. While TCD recording including movement of the probe, coughing, sneezing, and head rotation generate high intensity artifacts that make it difficult to make differentiate from embolus. Time consuming and also human mistakes in differentiating emboli from artifact are the main motivations of design of the automatic detection systems. Implementing such systems is nowadays faced with two main challengeous problems: extracting suitable features and designing the proper classifier. In this research, we studied two issues together. In feature extraction part, wavelet coeffiecient, wavelet entropy, fractal dimention and Besov property of signal is extracted, and using by statistical methods we introduced the feature with highest separability rate. In classifier part, a novel method based on hidden markov models for detecting emboli from artifact is proposed, and the results is compared with the results of Adaptive Neuro Fuzzy Inference System classifier. In total, using wavelet coefficients and hidden markov model, we achieved an accuracy rate of 95.3% and specificity of 92.7%.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سعید راحتی قوچانی |
دانشگاه ازاد اسلامی مشهد

محمودرضا آذرپژوه |
دانشگاه ازاد اسلامی مشهد

آزاده معلمی‌دمنه |
دانشگاه ازاد اسلامی مشهد

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-43-3&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-600174.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات