پردازش علایم و داده ها
سال:1387 | دوره:- | شماره:2 (پیاپی 10) |تعداد مقالات:7

در این مقاله مدلی برای درک و بازشناسی کلمات زبان فارسی ارایه شده است. مدل پیشنهادی مبتنی بر نظریه صوت شناختی درک گفتار است. اساس این نظریه، در بازنمود آوایی هر واحد زبانی، مجموعه ای از الگوهای صوت شناختی به عنوان الگوهای آوایی مرجع، ذخیره می شوند و درک آن واحد از طریق انطباق الگوهای صوت شناختی درون داد با الگوهای آوایی مرجع در بازنمایی آوایی صورت می گیرد. انگاره پیشنهادی برای درک و بازشناسی بازنمود آوایی و واجی کلمات از ترکیب مدل المان و مک کللند (1988) تحت عنوان "اثر" و مدل بورسما (1999) تحت عنوان "دستور ادراکی و دستور بازشناسی" است.

هدف از این تحقیق طراحی یک سیستم ارزیاب حافظه با استفاده از پتانسیل های وابسته به رخداد مغزی است. به این منظور، از دادگان پتانسیل های وابسته به رخداد ثبت شده روی سه کانال Pz، Cz و Fz استفاده شده است که در آن طی آزمایشی از افراد خواسته شده، تصاویر بی معنایی را که در فاز آموزش مشاهده کرده اند، از تصاویری که تاکنون ندیده اند تفکیک نمایند. جهت تحقق این امر، از ویژگی های مرتبط با فعالیت حافظه در حوزه زمان - فرکانس استفاده گردید. ضرایب تبدیل موجک گسسته پتانسیل های وابسته به رخداد، محاسبه شد و سپس با استفاده از میانگین، واریانس و انرژی ضرایب برخی باندها، مجموعا 36 ویژگی روی سه کانال به دست آمد. پس از انتخاب ویژگی های مناسب روی تک کانال ها و مجموع سه کانال، آنالیز تفکیک خطی، جهت به دست آوردن درصد تفکیک دو گروه توسط ویژگی های منتخب انجام گرفت. سرانجام با ترکیب ویژگی های سه کانال، دادگان دو گروه با درصد درستی 89.3% در مرحله آزمون تفکیک شدند.

سیستم اعصاب خودکار توسط دو شاخه سمپاتیک و پاراسمپاتیک، سیستم قلبی - عروقی را در شرایط مختلف کنترل می کند. دینامیک این سیستم متناسب با حالات روانی مختلف از جمله استرس دستخوش تغییرات شده و از این رو می توان به وسیله تحلیل سیگنال های خروجی آن، فعالیت سیستم اعصاب خودکار را آشکار کرد. در این تحقیق با طراحی آزمایشی مطمئن و ایجاد سطوح مختلف استرس در فرد به دنبال کمی سازی سطح استرس با استفاده از سیگنال HRV بوده ایم. با توجه به اینکه سیستم قلب ماهیت آشوبگونه دارد، لذا در این تحقیق دیدگاه غیرخطی نیز برای تحلیل این سیگنال به کار گرفته شده است. به این ترتیب علاوه بر ویژگی های معمول در حوزه زمان، فرکانس و زمان - فرکانس، ویژگی های غیرخطی نظیر آنتروپی، معیار پوآنکاره و بعد فرکتال از سیگنال  HRV استخراج شده است. سپس با استفاده از ترکیب الگوریتم تکاملی و شبکه عصبی، ویژگی های بهینه که بیشترین درصد تفکیک بین سطوح مختلف استرس را مهیا می سازند، مشخص شده است و در نهایت با استفاده از شبکه عصبی و ویژگی های بهینه، تفکیک بین سطوح انجام شد. همچنین مقایسه ویژگی های خطی و غیرخطی سیگنالHRV  انجام شد. نتایج بدست آمده نشان می دهد که با استفاده از ترکیب ویژگی های خطی و غیرخطی می توان به درصد تفکیک بیشتری دست یافت، در حالی که ویژگی های غیرخطی نسبت به تغییرات نمونه های ورودی مقاوم تر می باشند.

دسته مهمی از روشهای بهبود کیفیت گفتار، طیف فرکانسی دوره کوتاه سیگنال نویزی را تغییر داده و اصلاح می نمایند. اصلاحات طیفی این روشها به صورت یک فیلتر در حوزه فرکانسی بیان میشود و بهره فیلتر میتواند به صورت تابعی از سیگنال به نویز نمایش داده شود. در این مقاله روش های حذف نویر از سیگنال گفتار مورد بررسی و ارزیابی قرار میگیرد و بهره فیلتر برای برخی از روش های حذف نویز شناخته شده به صورت تابعی از سیگنال به نویز نمایش داده میشود. روشهای تخمین سیگنال به نویز بررسی میشود و یک تکنیک جدید برای تخمین سیگنال به نویز پیشنهاد شده و ارزیابی میگردد و برتری آن بر روش های قبلی نشان داده میشود. در این مقاله اصلاح روشهای حذف نویز به منظور کم کردن اعوجاج سیگنال گفتار مطرح شده است. در این روشها اثرات اصلاح فرکانسی، طوری تنظیم می گردد که با باقی گذاشتن مقداری از نویز اولیه، بهبود مشخصی در نسبت سیگنال به نویز به دست آید و در عوض اعوجاج سیگنال گفتار حداقل گردد. برای این کار با اعمال یک پارامتر، بهره چند روش حذف نویز برای دستیابی به سطح مشخصی از حذف نویز تنظیم می گردد. همچنین برای خوشایندکردن نویز باقیمانده از شکل دادن نویز باقیمانده استفاده شده است. به منظور ارزیابی این روشها تستهای شنوایی برای بررسی جنبه های مختلف گفتار، از جمله نویز موسیقی، نویز باقیمانده، پژواک و آثار غیر طبیعی نویز باقیمانده، طراحی و اجرا شده است. نتایج این تستها در مقاله حاضر برای چند روش حذف نویز گزارش شده است و روش های حذف نویز با یکدیگر مقایسه شده اند.

در این مطالعه، به بررسی ضرایب استخراج شده توسط تبدیل موجک Quadratic B-Spline، به عنوان یک تحلیل زمان - فرکانس در مقایسه با دسته ویژگی های حوزه زمان (ضرایب AR و ویژگی های شکلی - زمانی) و فرکانس (فرکانس های میانگین، نما و میانه) بر روی پتانسیل وابسته به رخداد مغزی پرداخته شده است. بررسی ها روی دادگان II مسابقه  BCI 2005 انجام شده است. مجموعه ویژگی ها با سه معیار مقایسه شده اند: معیار تفکیک پذیری دیویس بولدین، روش مبتنی برهمبستگی و معیار درصد صحت طبقه بندی. با هر سه معیار بهترین نتیجه مربوط به مجموعه ضرایب تبدیل موجک بود. سپس با طبقه بندی با یک ماشین همیار مبتنی برLDA-SVM-MLP  و ضرایب تبدیل موجک در مورد سوژه A در تشخیص سیگنال هدف و غیرهدف به طور میانگین برای دادگان آموزش، درصد صحت تشخیص 97.6% و برای آزمون 94.2% به دست آمد. هم چنین در مورد سوژه B نیز نتایج عبارتند از: 98.2% در آموزش و 92.8% در آزمون.

آمبولی، توده های مجتمع از گلبول های قرمز، چربی و یا حباب های گاز می باشند که آزادانه در سیستم گردش خون در جریان هستند و وجود آن ها نشانه خطر اسکیمی می باشد. در بررسی جریان خون در زمان واقعی به روش داپلر ترانس کرانیال (TCD) با عبور میکرو آمبولی جامد و یا گاز از منطقه تحت بررسی با داپلر، سیگنالی کوتاه مدت با دامنه زیاد ایجاد می گردد. در هنگام ثبت، عواملی مانند حرکت پروب و یا سرفه، باعث ایجاد آرتیفکت با دامنه زیاد در سیگنال داپلر می شود که شناسایی آن را از آمبولی را دشوار می کند. صرف وقت زیاد و همچنین احتمال خطای فرد متخصص در تشخیص آمبولی از آرتیفکت، انگیزه اصلی طراحی سیستم های تشخیص خودکار می باشد. پیاده سازی این گونه سیستم ها همواره با دو چالش عمده استخراج ویژگی های مناسب و طراحی دسته بند مطلوب روبرو می باشد. در این تحقیق هر دو موضوع مورد مطالعه قرار گرفت. در بخش ویژگی، ضرایب موجک، آنتروپی موجک، بعد فرکتالی و ویژگی Besov از سیگنال استخراج شد و به کمک تحلیل آماری ویژگی های با بالاترین میزان تفکیک معرفی شد. در بخش دسته بند، شیوه جدیدی برای شناسایی آمبولی و تفکیک آن از آرتیفکت به وسیله مدل مارکف پنهان (HMM) ارایه شد و نتایج آن با نتایج دسته بند شبکه عصبی فازی تطبیقی (ANFIS)  مقایسه شد. در مجموع با استفاده از ضرایب موجک و مدل مارکف پنهان طراحی شده، توانستیم به صحت 95.3% و وضوح 92.7% در شناسایی آمبولی برسیم.

در این مقاله، روش مدل آمیزهی گوسی ساختار یافته (SGMM) که به منظور سرعت بخشی الگوریتم GMM-UBM در سیستم تصدیق هویت گوینده، پیشنهاد شده است، مورد بررسی قرار می گیرد. تاثیر برخی پارامترها در ساخت مدل پس زمینه ساختاری (SBM) به تفصیل مورد بررسی و مقادیر بهینه در ساخت مدل مورد استفاده قرار می گیرد. همچنین برای پردازش امتیازهای خروجی ساختار SBM-SGMM ساختاری با عنوان شناسایی کننده GMM پیشنهاد می شود. شبیه سازی های انجام یافته نشان می دهد ساختار بهینه  SBM در ترکیب با پردازنده امتیازهای پیشنهاد شده، عملکرد بهتری نسبت به سیستم پایه در ترکیب با شبکه عصبی دارد و این در حالتی است که پیچیدگی سیستم پیشنهاد شده، پایین تر از شبکه عصبی می باشد. با استفاده از سیستم پیشنهادی، نرخ سرعت بخشی برابر با 2.7 حاصل گردید و در عین حال عملکرد سیستم نیز نسبت به سیستم  GMM-UBM بهبود نشان می دهد. در بهترین حالت می توان به نرخ خطای برابر معادل 0.35% دست یافت که نسبت به عملکرد سیستم GMM-UBM با نرخ خطای برابر 1.71% بهبود قابل ملاحظه ای حاصل می شود.