هوش محاسباتی در مهندسی برق

مکان یابی کانون صرع با استفاده از داده های همزمان ثبت شده EEG-FMRI

الیاس ابراهیم زاده؛ حمید سلطانیان زاده؛ بابک نجار اعرابی

دوره 9، شماره 2 ، شهریور 1397، ، صفحه 15-28

http://dx.doi.org/10.22108/isee.2018.111024.1123

چکیده

صرع اختلال سیستم عصبی مرکزی (اختلال نورولوژیکی) است که در آن فعالیت سلول‌های عصبی در مغز، مختل و به تشنج منجر می‌شود. بیشتر افراد مبتلا با استفاده از داروهای مناسب حملات خود را کنترل می‌کنند؛ اما متأسفانه ... بیشتر صرع اختلال سیستم عصبی مرکزی (اختلال نورولوژیکی) است که در آن فعالیت سلول‌های عصبی در مغز، مختل و به تشنج منجر می‌شود. بیشتر افراد مبتلا با استفاده از داروهای مناسب حملات خود را کنترل می‌کنند؛ اما متأسفانه همیشه درمان دارویی پاسخگو نیست و عده‌ای از این افراد به‌ناچار درمان جراحی را می‌پذیرند. مسئلۀ اصلی در این نوع جراحی و یا هر نوع جراحی دیگر مغز که در آن لازم باشد جراح بخش‌هایی از بافت مغز را تخریب و یا خارج کند، خودداری از تخریب بافت‌های سالم و حیاتی نزدیک محل جراحی است. درواقع شناسایی محل دقیق کانون‌های صرع موجود در کورتکس بسیار مهم است؛ بنابراین نظر به اینکه عامل موفقیت در درمان این بیماری تعیین دقیق کانون مولد صرع است، الگوریتم‌های مختلفی برای مکان‌یابی منابع مغزی و درنتیجه تعیین دقیق کانون مولد صرع ارائه شده است؛ ولی تا کنون هیچ‌یک نتوانسته‌اند راه‌حل مناسبی برای حل این مشکل در دنیای پزشکی ارائه دهند. با توجه به اینکه سیگنال EEG، اطلاعات زمانی مناسب و fMRI، اطلاعات مکانی دقیق‌تری دارند، امید است با ترکیب دو مدالیته عملکرد بهتری به دست آید. در این مقاله در ابتدا سعی شده است آرتیفکت‌های موجود حاصل از گرادیان روی EEG، حذف و با مکان‌یابی منابع مغزی، سیگنال درون اسکنر و خارج آن مقایسه و ارزیابی شود. سپس با پردازش همزمان EEG-fMRI و استفاده از قیودی مستخرج از اطلاعات زمانی EEG به تحلیل fMRI و مکان‌یابی کانون‌ها با مدل GLM پرداخته شده است. مطالعه بر 10 بیمار صرعی موضعی مقاوم به دارو انجام شد که در مرکز نقشه‌برداری مغز ایران از آنها ثبت داده شده‌اند. نتایج روش پیشنهادی نسبت به روش‌های ارائه‌شده تا کنون حاکی از بهبود چشمگیر درستی مکان‌یابی است.

ارائه یک روش نوین به‌منظور پیش‌بینی مرگ ناگهانی قلبی (SCD) با استفاده از روش انتخاب ویژگی و طبقه‌بندی‌کنندة تجمیع خبرگان

الیاس ابراهیم زاده؛ بابک نجار اعرابی

دوره 7، شماره 3 ، آبان 1395، ، صفحه 15-32

http://dx.doi.org/10.22108/isee.2016.20732

چکیده

مرگ ناگهانی قلبی (SCD) نتیجه تخریب شدید عملکرد قلبی است که سبب ازبین‌رفتن سیستم قلبی در افراد می‌شود. وقتی این اتفاق رخ میدهد، خون دیگر نمیتواند برای مدتی به قسمت‌های مختلف بدن پمپ شود. این واقعه ... بیشتر مرگ ناگهانی قلبی (SCD) نتیجه تخریب شدید عملکرد قلبی است که سبب ازبین‌رفتن سیستم قلبی در افراد می‌شود. وقتی این اتفاق رخ میدهد، خون دیگر نمیتواند برای مدتی به قسمت‌های مختلف بدن پمپ شود. این واقعه به قدری جدی است که میتواند در عرض چند دقیقه، بیمار را از زندگی محروم سازد. درصورت علم به وقوع این حادثه میتوان ازطریق تجهیزاتی همچون دفیبریلاتور و استفاده از دیگر راهکارهای درمانی تعداد این نوع مرگ‌ها را به شدت کاهش داد. با وجود این، همچنان راه‌های مناسبی برای پیشبینی مرگ ناگهانی قلبی وجود ندارد تا پزشکان بتوانند ازطریق آن، تصمیمات مناسبی برای بیماران در معرض خطر بگیرند. در این مطالعه با استفاده از بهترین روش‌های استخراج ویژگی از پردازش‌های غیرِخطی، زمان - فرکانس و کلاسیک که فراهم‌آمدة مطالعات قبلی و تجربیات کارهای گذشته خود ما است، از یک روش نوین جهت انتخاب فضای ویژگی بهینه به‌صورت محلی استفاده شده است. همچنین در ادامه با توجه به وجود ویژگی‌های متفاوت از حوزه‌های مختلف، طبقه‌بندی‌کنندة تجمیع خبرگان پیشنهاد شده است. روش‌های پیشنهادی این امکان را فراهم میکنند که با انتخاب بهینه ویژگی‌ها در هر بازه 1 دقیقه‌ای از سیگنال، انتخاب ویژگی‌های متفاوتی در هر دقیقه قبل از واقعه انجام شود که با هم متفاوت باشند. این موضوع نه‌تنها باعث افزایش چشمگیر زمان پیشبینی از 4 دقیقه به 12 دقیقه با صحت بالا می‌شود، بلکه امکان تفسیر علائم بالینی با توجه به تکثر وجود ویژگی‌ها در هر دقیقه را نیز فراهم می‌سازد. ازطرفی وجود شبکه تجمیع خبرگان، تصمیم مناسب‌تری به‌عنوان خروجی درمورد پردازش حوزه‌های مختلف خواهد گرفت. نتایج مطالعه نشان‌دهندة توانمندی درخور توجه روش‌های پیشنهادی نسبت به دیگر روش‌های ارئه‌شده در مطالعات مشابه است.

مدیریت نیروی محرکه الکتریکی و بهینه سازی مصرف در حضور منابع تغذیه هیبریدی

علیرضا پاکخصال؛ حبیب اله اعلمی؛ الیاس ابراهیم زاده

دوره 5، شماره 4 ، اسفند 1393، ، صفحه 1-14

چکیده

بهره‌برداری از منابع تولید پراکنده و تجدید پذیر اگرچه پتانسیل بالایی دارند، اما ممکن است به علت طبیعت متغیرشان مشکل آفرین باشند. علاوه بر این، نوسان‌های باد و یا تغییرات شدید آب و هوایی می‌تواند به ... بیشتر بهره‌برداری از منابع تولید پراکنده و تجدید پذیر اگرچه پتانسیل بالایی دارند، اما ممکن است به علت طبیعت متغیرشان مشکل آفرین باشند. علاوه بر این، نوسان‌های باد و یا تغییرات شدید آب و هوایی می‌تواند به نوسان‌های موقتی در ولتاژ منجر شود. تحقیقات نشان می‌دهد که ذخیره سازی انرژی می‌تواند این طبیعت تصادفی را جبران کند و در بازه زمانی کوتاه بدون نیاز به قطع بار و یا به مدار آوردن منابع انرژی جدید مؤثر باشد. همچنین، بهره‌گیری از ذخیره‌سازهای انرژی برای یکنواخت کردن پروفیل توان و تنظیم ولتاژ در نقاط اتصال، امکان استفاده بهتر از توان تولیدی را فراهم می‌آورد و می‌تواند راه حلّ اقتصادی تلقی شود. در این راستا، در این مقاله یک سیستم مدیریت انرژی هوشمند به منظور بهینه کردن بهره‌برداری از سیستم الکتریکی نمونه و برنامه‌ریزی تولید و ذخیره انرژی طراحی شده است. روش پیشنهاد شده قادر است بسته به اهداف کاری مختلف و درجه اهمیت متناظرشان با استفاده از روش بهینه سازی پارتو نقاط کار بهینه را تعیین نماید. در این روش، ساعات استفاده و میزان استفاده از منابع مختلف انرژی به‌گونه‌ای که کمترین هزینه و پایین ترین آلودگی زیست- محیطی را به‌دست دهد، تعیین شده است. در نهایت، به منظور اعتبار سنجی الگوریتم پیشنهادی، روش با استفاده از نرم افزارهای MATLAB و GAMS بر روی یک سیستم پیشرانه الکتریکی نمونه پیاده و نتایج بحث و بررسی شده است.

استفاده از شبکه های تجمیع خبرگان(Mixture of Experts)به منظور طبقه بندی سیگنال مغزی افراد سالم و بیماران صرعی

سنا آموزگار؛ محمد پویان؛ الیاس ابراهیم زاده

دوره 4، شماره 1 ، خرداد 1392، ، صفحه 1-8

چکیده

چکیده: EEGیکی از مهمترین و رایجترین مراجع برای مطالعه عملکرد مغز واختلالات نورولوژیک است. به همین دلیل، تشخیص تغییرات EEG توسط سیستم‌های خودکار، موضوعی است که برای سال‌های متوالی تحت مطالعه است.از آنجا ... بیشتر چکیده: EEGیکی از مهمترین و رایجترین مراجع برای مطالعه عملکرد مغز واختلالات نورولوژیک است. به همین دلیل، تشخیص تغییرات EEG توسط سیستم‌های خودکار، موضوعی است که برای سال‌های متوالی تحت مطالعه است.از آنجا که در هر سیستم دسته بندی، صحت تصمیم گیری از اهمیت ویژه ای برخوردار است، لذا نیازمند وجود روش های طبقه بندی بهتر برای سیگنال مغزی هستیم. در این تحقیق، به دنبال ارائه یک سیستم هوشمند مرکب برای بهبود صحت طبقه بندی سیگنال مغزی(EEG) به گروه های مختلف هستیم. این مقاله استفاده از روش تجمیع خبرگان (Mixture of Experts (ME))برای بهبود تفکیک سیگنال هایEEG افراد سالم و بیماران صرعی را نشان داده وصحت طبقه بندی آن را ارزیابی کرده است. تصمیم گیری در دو مرحله انجام شد: 1) استخراج ویژگی به وسیله روش های مختلف بردار ویژه و2) طبقه بندی با استفاده از طبقه بندی کننده های آموزش دیده شده توسط ویژگی های استخراج شده. ورودی های این سیستم هوشمند از ویژگی های مرکب، که متناسب با ساختار شبکه انتخاب شده، تشکیل شده اند. در این مطالعه سه روش مبتنی بر بردارهای ویژه (PISARENKO ,MUSIC ,MINIMUM NORM) برای تولید تخمین طیف چگالی توان (PSD) انتخاب شدند. پس از پیاده سازی MEو آموزش آن روی ویژگی های مرکب، نشان داده که این روش می‌تواند به صحت طبقه بندی بالایی برسد. از این جهت، جداسازی سیگنال های مغزی بیماران صرعی در حالات مختلف و افراد سالم با صحت بالایی امکان پذیر است. از طرفی، از آنجا که مناسب بودن عملکرد شبکه عصبی به اندازه دسته‌های آموزش و تست بستگی دارد، در این مطالعه با تقسیم مشاهدات به سه گروه آموزش (70%) ، آزمون (20%) و اعتبار سنجی (10%) موجبات بهتر آموزش دیدن شبکه فراهم شده و در نهایت صحت طبقه بندی تا 99.50 % افزایش یافته است .

پیش بینی مرگ ناگهانی قلبی (SCD) با استفاده از تحلیل های زمان – فرکانس و آنالیز غیر خطی سیگنال الکتروکاردیوگرام

الیاس ابراهیم زاده؛ محمد پویان

دوره 3، شماره 4 ، بهمن 1391، ، صفحه 15-26

چکیده

مرگ ناگهانی قلبی (SCD) همه ساله جان میلیون‌ها انسان را می‌گیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگ‌ها را کاهش داد، با وجود این راه‌های مناسبی برای پیش بینی مرگ ... بیشتر مرگ ناگهانی قلبی (SCD) همه ساله جان میلیون‌ها انسان را می‌گیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگ‌ها را کاهش داد، با وجود این راه‌های مناسبی برای پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را برای بیماران در معرض خطر بگیرند، وجود ندارد. در این مقاله با استفاده از پردازش سیگنال الکتروکاردیوگرام مرگ ناگهانی قلبی پیش بینی شده است. برای این کار پس از استخراج سیگنال HRV از سیگنال ECG به استخراج ویژگی‌های خطی، زمان – فرکانس و غیر خطی پرداخته شده است. در مرحله بعد، بهترین ویژگی‌های ترکیبی منتجه برای ایجاد بیشترین تمایز بین دو کلاس را انتخاب کرده، سپس با اعمال PCA به بردار ویژگی ترکیبی، ابعاد ویژگی کاهش یافته و در نهایت، از طریق شبکه عصبی MLP افراد سالم و افراد ریسک پذیر، دسته بندی می‌شوند .به منظور ارزیابی توانمندی هر یک از روش‌های تحلیلی در تفکیک افراد، آنها را به صورت مجزا و ترکیبی با هم مقایسه کرده ایم .نتایج به دست آمده نشان می‌دهند که در سیگنال HRV مربوط به افراد ریسک پذیر، در نزدیکی وقوع SCD ویژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمایز می کند. روش بردار ترکیبی از توانایی بمراتب بیشتری برای آشکار کردن این اختلاف برخوردار است. در نهایت صحت تفکیک پذیری برای دقایق اول، دوم ،سوم و چهارم قبل از واقعه به ترتیب 99.43%؛ 97.86% ؛ 90.49% ؛73.35 % است که نسبت به کارهای قبلی انجام شده از صحت بمراتب بالاتری برخوردار است. از طرفی، نشان داده ایم که از 4 دقیقه قبل از رخ دادن مرگ قلبی، این افزایش احتمال خطر کاملا مشهود است؛ به طوری که هرچه به وقوع حادثه نزدیکترمی شویم، احتمال وقوع نیز افزایش می یابد و این زمان برای اتخاذ راهکارهایی برای جلوگیری از این واقعه کافی است.

هوش محاسباتی در مهندسی برق

مقالات آماده انتشار

شماره جاری

دوره 13 (1401)

دوره 12 (1400)

دوره 11 (1399)

دوره 10 (1398)

دوره 9 (1397)

دوره 8 (1396)

دوره 7 (1395)

دوره 6 (1394)

دوره 5 (1393)

دوره 4 (1392)

دوره 3 (1391)

دوره 2 (1390)

دوره 1 (1389)

نویسنده = ��

مکان یابی کانون صرع با استفاده از داده های همزمان ثبت شده EEG-FMRI

چکیده

ارائه یک روش نوین به‌منظور پیش‌بینی مرگ ناگهانی قلبی (SCD) با استفاده از روش انتخاب ویژگی و طبقه‌بندی‌کنندة تجمیع خبرگان

چکیده

مدیریت نیروی محرکه الکتریکی و بهینه سازی مصرف در حضور منابع تغذیه هیبریدی

چکیده

استفاده از شبکه های تجمیع خبرگان(Mixture of Experts)به منظور طبقه بندی سیگنال مغزی افراد سالم و بیماران صرعی

چکیده

پیش بینی مرگ ناگهانی قلبی (SCD) با استفاده از تحلیل های زمان – فرکانس و آنالیز غیر خطی سیگنال الکتروکاردیوگرام

چکیده

مقالات آماده انتشار

شماره جاری

دوره 13 (1401)

دوره 12 (1400)

دوره 11 (1399)

دوره 10 (1398)

دوره 9 (1397)

دوره 8 (1396)

دوره 7 (1395)

دوره 6 (1394)

دوره 5 (1393)

دوره 4 (1392)

دوره 3 (1391)

دوره 2 (1390)

دوره 1 (1389)

نویسنده = �������������� ���������� ����������

مکان یابی کانون صرع با استفاده از داده های همزمان ثبت شده EEG-FMRI

چکیده

ارائه یک روش نوین به‌منظور پیش‌بینی مرگ ناگهانی قلبی (SCD) با استفاده از روش انتخاب ویژگی و طبقه‌بندی‌کنندة تجمیع خبرگان

چکیده

مدیریت نیروی محرکه الکتریکی و بهینه سازی مصرف در حضور منابع تغذیه هیبریدی

چکیده

استفاده از شبکه های تجمیع خبرگان(Mixture of Experts)به منظور طبقه بندی سیگنال مغزی افراد سالم و بیماران صرعی

چکیده

پیش بینی مرگ ناگهانی قلبی (SCD) با استفاده از تحلیل های زمان – فرکانس و آنالیز غیر خطی سیگنال الکتروکاردیوگرام

چکیده

نویسنده = ��