پردازش علایم و داده ها
سال:1388 | دوره:- | شماره:1 (پیاپی 11) |تعداد مقالات:7

این تحقیق در چارچوب نظریه واج شناسی لایه ای (Autosegmental-metrical) به مطالعه تکیه در زبان فارسی می پردازد و می کوشد با تمایز میان دو مفهوم مجزای ذهنی و عینی از تکیه، جایگاه تکیه در کلمات زبان فارسی را مورد مطالعه قرار دهد. مفهوم ذهنی از تکیه اشاره به دانش زبانی اهل زبان از الگوی برجستگی واژه ها در ذهن گویشور زبان دارد که به آن تکیه واژگانی (stress) می گویند و مفهوم عینی از تکیه به الگوی برجستگی کلمه در گفتار اطلاق می شود که به آن تکیه زیروبمی (pitch accent) می گویند. تحقیق حاضر با استناد به اطلاعات موجود در واژگان ذهنی (mental lexicon) گویشور فارسی نشان می دهد (بر خلاف برخی تحقیقات پیشین) که انواع واژه های فارسی در ذهن اهل زبان دارای الگوی تکیه واحدی است. میان تکیه واژگانی و تکیه زیروبمی رابطه قابل پیش بینی و معناداری وجود دارد و از این رابطه علاوه بر مطالعات محض زبانی، در تولید خودکار آهنگ (intonation) و نوای گفتار (prosody) نیز می توان استفاده کرد. با توجه به یافته های این تحقیق، مباحثی مانند الگوی تکیه در صیغه های مختلف فعل یا در صورت های گوناگون تصریفی اسم و یا بی تکیه بودن برخی از واحدهای واژگانی مانند حروف اضافه و غیره موضوعیت خود را از دست می دهند. در اینجا تکیه بر بودن و یا نبودن انواع تکواژهای اشتقاقی، تصریفی و واژه بست ها مورد بررسی قرار گرفته است که حضور آن ها در ساختمان کلمه، جایگاه تکیه کلمه را قابل پیش بینی می کند.

استخراج نقش های معنایی یکی از گام های اصلی در بازنمایی معنی متن است. نقش های معنایی، ارتباط معنایی بین فعل و آرگومان های آن در جمله را مشخص می کنند. در این مقاله یک سیستم برچسب زنی خودکار نقش معنایی برای متون فارسی با رویکرد یادگیری ماشین ارایه شده است. مجموعه داده های مورد نیاز سیستم بخشی از پیکره متنی زبان فارسی است که توسط پژوهشکده پردازش هوشمند علایم تهیه و برچسب گذاری شده است. سیستم پیشنهادی از دو مرحله تشکیل شده؛ در مرحله اول با تجزیه نحوی جمله، حد و مرز سازه و همچنین نوع گروه نحوی این اجزا در جمله مشخص می شود. این اطلاعات به عنوان ورودی در مرحله دوم مورد استفاده قرار می گیرد. مرحله دوم سیستم مربوط به تخصیص نقش های معنایی مناسب به سازه های مشخص شده در مرحله قبل می باشد. برای این منظور از ویژگی های نحوی و ساختاری هر سازه، بهره گرفته می شود. نتایج به دست آمده نشان دهنده F1=%81.6 برای زیر سیستم تجزیه نحوی، و F1=%87.4 برای زیرسیستم برچسب زنی معنایی در حالتی که ورودی های سیستم به صورت دستی تصحیح شده باشند. همچنین کارآیی کل سیستم F1=%73.8 را برای سیستم کامل برچسب زنی معنایی، یعنی تجزیه نحوی و تخصیص نقش نشان می دهد. نتایج به دست آمده حاکی از آن است که می توان از یک پیکره آموزشی کوچک 1300 کلمه ای نتایج قابل قبولی به دست آورد.

روش های موجود تشخیص دروغ که بر اساس پلی گرافی کلاسیک عمل می کنند، سعی می کنند با استفاده از مشخصات چندین سیگنال فیزیولوژیک، به تفکیک فرد راستگو یا دروغ گو بپردازند. رویکرد دیگری که در کنار روش کلاسیک مطرح گردیده است، استفاده از مولفه شناختی P300 سیگنال های مغزی برای کشف دانش فرد خطاکار است؛ در ادامه توسعه این روش ها، موضوعی که در این تحقیق به آن پرداخته شده است، بحث ارزیابی تشخیص دانش فرد خطاکار از تحلیل زمان پاسخ فرد و تلفیق تحلیل زمان پاسخ و مولفه شناختی P300 مغز است. به همین منظور چندین روش قبلی، تحلیل مغزی و تحلیل زمان پاسخ پیاده سازی و توسعه داده شد و ترکیب حالات مختلفی از روش ها مورد بررسی قرار گرفت. نتیجه روش تحلیل زمان پاسخ توسعه یافته در این تحقیق، به صحت 81% و سطح زیر منحنی 0.85 رسیده است که با بهترین نتیجه تحلیل مغزی در کارهای قبل (استفاده از طبقه بندی کننده با ویژگی های مبتنی بر تبدیل موجک که صحت 80% و سطح زیر منحنی 0.86 داشت به طورکامل قابل مقایسه است. از بین حالات مختلف تلفیق روش های تحلیل مغزی و زمان پاسخ، بهترین نتیجه، مربوط به روش تحلیل زمان پاسخ بوت استرپ شده و تشخیص P300 به روش اختلاف دامنه بوت استرپ شده بود. این تلفیق صحت تفکیک بین افراد خطاکار و بی گناه را تا 88% بهبود داد که این بهبود با استفاده از آزمون مک نمار در مقایسه با نتیجه روش اختلاف دامنه بوت استرپ شده به عنوان بهترین نتیجه تحقیقات قبل به طور کامل معنی دار (0.01) بود.

تحقیقات نشان می دهد که احساس، یک فرآیند ذهنی و متوجه مغز انسان می باشد و روی فرآیند های مهمی چون حافظه، تمرکز، تفکر و تصمیم گیری اثر دارد. به همین، دلیل مطاله مکانیزم و عملکرد آن مورد توجه محققان علوم شناختی قرار گرفته است. مطالعه احساس از طریق پردازش سیگنال های بیولوژیکی، علاوه بر کاربردهای کلینیکی که در زمینه تشخیص و درمان به موقع ناهنجاری های روانی می تواند داشته باشد، در علوم مبتنی بر تعاملات انسان و رایانه نیز نقش مهمی بازی می کند و باعث پیشرفت های زیادی در این زمینه می گردد. هدف اصلی در این تحقیق، طبقه بندی احساس افراد با استفاده از سیگنال های مغزی و محیطی است. دادگان مورد استفاده، از مجموعه دادگان eNTERFACE است که در سال 2006 جمع آوری شده، سه حالت احساسی برانگیختگی مثبت، برانگیختگی منفی و حالت آرام یا استراحت را مورد مطالعه قرار داده است. سیگنال مغزی به صورت همزمان با چهار سیگنال محیطی: تنفس، میزان هدایت پوست، فشار خون و دما از پنج نفر ثبت شده است.ویژگی های مرتبط با حالات مختلف احساسی از سیگنال ها استخراج شده، که در مورد سیگنال های محیطی ویژگی های حوزه زمان و حوزه فرکانس مورد نظر می باشد و در مورد سیگنال مغزی، علاوه بر ویژگی های حوزه زمان و فرکانس، ویژگی های غیرخطی بعد همبستگی، نمای لیاپانوف و بعد فرکتال نیز استفاده شده است و در مورد سیگنال های مغزی از روش Synchronization Likelihood به منظور انتخاب الکترود استفاده شده است. ساختارهای چهارطبقه بندی کننده KNN,QDA,LDA,SVM مورد استفاده قرار گرفته است و نتایج سیگنال های مغزی و محیطی به صورت جداگانه و نیز در ترکیب با یکدیگر مقایسه شده اند. بیشترین میزان صحت، 63.3% در طبقه بندی سیگنال های مغزی، 61.67% در طبقه بندی سیگنال های محیطی و 61.67% در طبقه بندی ترکیب سیگنال های مغزی و محیطی، به دست آمده است. نتایج نشان می دهد که استفاده از سیگنال مغزی نسبت به سیگنال محیطی و نیز ترکیب مغزی و محیطی در ایجاد تمایز بین حالات مختلف احساسی مورد مطالعه، موفق تر است؛ ولی نتایج به دست آمده از ترکیب سیگنال مغزی و محیطی، نتایج مقاوم تری نسبت به تغییر افراد و تغییر روش ها محسوب می شود.

در این مقاله روش جامعی برای نهان کاوی در تصاویر JPEG معرفی می شود. در این روش پس از بررسی دقیق اثر فرآیندهای پنهان نگاری گوناگون بر مشخصات آماری تصویر، ویژگی های بهینه ای از تصویر استخراج می شود که توانایی بالایی در ایجاد تمایز بین دو گروه تصاویر طبیعی و پنهان نگار دارند. علاوه بر استخراج ویژگی های بهینه، در یک تصمیم گیری سلسله مراتبی دقت تشخیص به شکل قابل توجهی افزایش یافته است. در این مقاله نشان می دهیم که آمارگان مرتبه اول ضرایب DCT (مانند هیستوگرام) بیشتر در حمله به روش های پنهان نگاری جای گذاری در LSB (مانند JSTEG، OUTGUESS،JPHide & Seek  وStegHide ) موفق تر از آمارگان مرتبه دوم (مانند انواع همبستگی ها) عمل می کنند. همچنین مشخصات آماری مرتبه دوم در تشخیص سایر روش های پنهان نگاری در حوزه ضرایب DCT (بالاخص روش های تطبیق LSB، روش MB1،SSIS  و روش مبتنی بر کوانتیزیشن) عملکرد بهتری از مشخصات آماری مرتبه اول دارند. علاوه بر آن، روش نهان کاوی معرفی شده با نگاه جامع به انواع روش های پنهان نگاری موجود، مشخص می کند که نقاط ضعف هر یک در مقابل حملات آماری گوناگون چیست و چگونه می توان به روش های جاسازی امن تر دست پیدا کرد. نتایج تجربی نشان می دهد که دقت این روش در مقایسه با روش های رقیب، بهتر بوده و در عین حال از جامعیت و تعمیم پذیری بالاتری برخوردار است. آزمایش ها روی مجموعه دوهزارتایی از تصاویر JPEG با ضرایب کیفیت متنوع انجام شده و روش معرفی شده، قادر بوده است که شش روش پنهان نگاری معمول (JSteg، OutGuess، F5، MB1،Sequential LSB matching  وRandom LSB Matching ) را با دقت بیش از 80% در نرخ های جاسازی بیش از 20% تشخیص دهد. طبقه بندی کننده های مورد استفاده برای طبقه بندی از نوع SVM هستند.

P300 را برجسته ترین مولفه در بین مولفه های شناختی مختلف موجود در سیگنال الکتریکی مغز می دانند. طبق تحقیقات انجام شده، هنگامی که مغز در حین پردازش یک سری از تحریکات معمول، به یک تحریک جدید (تحریک غیرمعمول) برمی خورد، در سیگنال مغزی ثبت شده، یک موج P300 ظاهر می شود که با تشخیص این مولفه می توان تحریکات جدید را از تحریکات معمول جداسازی کرد. دامنه مولفه P300 در هنگام اعمال تحریکات صوتی، پس از گذشت مدت زمانی از شروع آزمایش کاهش می یابد؛ به نحوی که در تشخیص دامنه این مولفه با مشکل روبرو می شویم. در این تحقیق با استفاده از پنج تحریک صوتی، به بررسی کاهش دامنه این مولفه و علل آن در سه بلوک ثبت مجزا و همچنین تشخیص این مولفه شناختی، به وسیله شبکه عصبی و الگوریتم ژنتیک پرداخته ایم. در نهایت با استفاده از ده ویژگی بهینه، به عنوان ورودی طبقه بندی کننده شبکه عصبی در کانال Pz با صحت 61.47% در دادگان آموزش و 60% در دادگان آزمون در بلوک اول، تک ثبت های حاوی موج P300 از تک ثبت های فاقد این موج جداسازی شده اند.

در محیط هایی که نمی توان از چشم غیر مسلح و دوربین های معمولی برای تشخیص انسان از غیر انسان استفاده کرد (مانند محیط های تاریک، مه و دود)، بهترین راه حل استفاده از تصاویر مادون قرمز است. این مقاله یک روش مقاوم برای تشخیص انسان در توالی تصاویر مادون قرمز ارایه می دهد. برای این منظور از ترکیب کلاس بند  SVMو کلاس بند مبتنی بر هیستوگرام استفاده شده است؛ به این ترتیب که الگوهایی از تصویر که احتمال حضور انسان در آن ها موجود می باشد، پس از فرآیند پیش پردازش استخراج شده و به کلاس بندهای هیستوگرام و SVM داده می شوند. برای یادگیری و تست الگوریتم ارایه شده از پایگاه داده گرمایی عابر پیاده OSU استفاده شده است. نتایج اجرای الگوریتم ارایه شده روی این پایگاه داده، کارآیی و دقت آن را نشان می دهد.