پردازش علایم و داده ها
سال:1397 | دوره:15 | شماره:1 (پیاپی 35) |تعداد مقالات:10

تاکنون برای پیش گویی وقوع حمله­ های صرعی تلاش های فراوانی انجام شده است و مؤثرترین این روش ها نیز بر پایه چگونگی ایجاد حمله صرعی، هم زمانی بین کانال های متفاوت، ثبت فعالیت مغز را موردتوجه قرار داده­ اند. این روش ها، برای رسیدن به دقت پیش گویی بالا، به تعداد زیادی از کانال های ثبت فعالیت مغز نیاز دارند و به همین دلیل در عمل مورداستفاده بیماران نخواهند بود. با توجه به این نکته که عامل ایجاد هم زمانی بین بخش های متفاوت مغز، میزان فعالیت مهاری و تحریکی در نورون­ هاست؛ انتظار می­ رود دقت پیش گویی وقوع حمله صرعی با توجه به میزان مهار و تحریک در نورون­ های مغز بهبود یابد. در این مقاله برای شبیه­ سازی تولید خودبه­ خودیِ حمله صرعی، یک الگو فیزیولوژیک با یک الگو آماری فضای حالت (SSM) ترکیب شده است. شاخصه های الگوی فیزیولوژیک، میزان فعالیت مهاری و تحریکی نورون­ ها و خروجی آن، سیگنال­ های depth-EEG است. در این الگو فیزیولوژیک، تغییر میزان مهار و تحریک، به بروز رفتارهای متفاوتی در سیگنال فعالیت مغز در خروجی الگو منجر می­ شود. الگوی SSM برای شبیه­ سازی رفتار شاخصه های مهار و تحریک در الگو فیزیولوژیک استفاده شده است. با توجه به این الگو و با استفاده از یک فیلتر کالمن توسعه­ یافته، می­ توان شاخصه های مهار و تحریک پنهان در سیگنال­ های مغزی نوفه ای را به صورت برخط استخراج کرد. با در دست داشتن دنباله شاخصه های مهار و تحریک (به جای سیگنال­ های depth-EEG)، رفتار شاخصه ها با استفاده از یک طبقه بندی کننده الگوی مارکوف مخفی پیوسته (CHMM) به دو گروه پیش­ ازحمله و میان­ حمله­ ای دسته بندی شده است. در انتها با روش پیشنهادی، دنباله شاخصه های مهار و تحریک سیگنال ثبت­ شده از یک کانال واقع در کانون صرع شش بیمار از پایگاه داده FSPEEG (که برای آن ها ثبت depth-EEG وجود دارد) استخراج شده است. کانون صرع این شش بیمار در هیپوکامپ و در بخش تمپورال قرار دارد. این سیگنال­ ها شامل 24 حمله و حدود 144 ساعت سیگنال میان­ حمله­ ای هستند. وقوع حمله صرعی در این بیماران در بدترین حالت ده دقیقه پیش از رخداد حمله صرعی پیش­ بینی شده است که برای انجام اقدامات درمانی مناسب است. میزان حساسیت و نرخ پیش گویی نادرست الگوریتم پیش گویی به طور میانگین به ترتیب برابر با 100% و 2/0 در ساعت است. در مقایسه با روش های پر محاسبه ای که برای رسیدن به دقت بالا به کانال های فراوانی نیاز دارند، پیش گویی مبتنی بر الگو با استفاده از یک کانال و به صورت کاملاً برخط از ویژگی­ های این روش است.

این مقاله به بررسی تخمین جهت منابع با استفاده آرایه خطی می­ پردازد. تاکنون الگوریتم­ های مختلفی برای شرایطی که در آن تعداد منابع بیشتر از تعداد آنتن­ ها باشد، ارائه شده است. از آن جمله به الگوریتم ختری­ رائو، آرایه تودرتو و آرایه پویا می­ توان اشاره کرد. روش های یاد شده تنها توانایی تخمین منابع ناهمبسته را دارند. الگوریتم تخمین جهت منابع با استفاده از زیرفضای کرونکر برای تخمین جهت منابع همبسته ای با تعداد بیشتر از تعداد عنصر آرایه در این مقاله ارائه شده است. شبیه­ سازی­ های ارائه شده در این مقاله تأییدی براین ادعا است. علاوه بر این، کران کرامررائو که معیار بسیار مهم در بحث تخمین است، بررسی شده است. این کران برای مسأله تخمین جهت منابع پیش از این ارائه شده بود؛ اما برای تعداد منابعِ بیشتر از تعدادِ عنصر آرایه قابل محاسبه نیست. این مقاله بر این مشکل چیره شده و کران کرامررائو را برای تعداد منابع بیشتر از تعداد عنصر آرایه نیز ارائه کرده است.

طبقه­ بندی دقیق اشیا (Fine-Grained Recognition) چالشی است که جامعه بینایی ماشین در حال حاضر با آن روبه­ رو شده است. در این نوع طبقه­ بندی گروه کلی شیء مشخص بوده و هدف تعیین زیرگروه دقیق آن است؛ شناسایی نوع و مدل وسیله نقلیه (VMMR) نیز در این حوزه قرار می­ گیرد. این مسئله به دلیل وجود تعداد طبقه های زیاد، تفاوت درون طبقه ای بسیار و تفاوت بین طبقه ای کم از مسائل طبقه­ بندی دشوار به شمار می­ رود. در این مقاله روشی مبتنی بر بخش برای شناسایی نوع و مدل خودرو پیشنهاد شده است. این روش برای طبقه­ بندی طبقه های مختلف خودرو، ابتدا بخش­ های متمایز کننده هر یک را به صورت خودکار می­ یابد؛ سپس با استخراج ویژگی از این بخش­ ها و رابطه هندسی بین آن­ ها، یک مدل می­ آموزد. وزن بخش­ های مختلف هر مدل به صورت پویا و با استفاده از مجموعه داده­ های آموزشی یاد گرفته می­ شود. سامانه پیشنهادی با ترکیب این مدل­ ها به شناسایی طبقه خودرو می­ پردازد. برای آزمایش سامانه پیشنهادی و به دلیل عدم وجود مجموعه داده به اشتراک گذاشته شده، یک مجموعه داده با بیش از 5000 خودرو از 28 طبقه مختلف تهیه و به صورت کامل علامت­ گذاری شده است. نتیجه آزمایش های انجام شده بر روی این تصاویر که دارای تغییرات روشنایی زیاد و تغییرات زاویه اندک هستند، نشان از دقت بالای روش پیشنهادی دارد.

یکی از شایع ترین آریتمی­ های قلبی که همواره مورد توجه پزشکان قرار گرفته است، آریتمی انقباضات زودرس بطنی ست که تشخیص آن با توجه به فراوانی اش در همه سنین، اهمیت ویژه­ ای دارد. ثبت سیگنال الکتروکاردیوگرام یک روش متداول و غیر­ تهاجمی برای بررسی نحوه عملکرد قلب است. توسعه روش های سریع و دقیق طبقه بندی خودکار الکتروکاردیوگرام برای تشخیص بالینی بیماری های قلبی بسیار ضروری است. هدف این پژوهش نیز، تحلیل سیگنال الکتریکی قلب به منظور طبقه ­ بندی آریتمی انقباضات زودرس بطنی ست. هیچ طبقه­ بندی وجود ندارد که برای تمامی مسائل و در تمامی زمان­ ها بهترین نتیجه را بدهد بنابراین؛ ترکیب طبقه ­ بند­ ها باعث می­ شود تا نتایج سامانه ترکیبی در مقایسه با تک تک این تکنیک­ ها بهبود یابد. در این پژوهش از پایگاه داده MIT-BIH arrhythmia database به عنوان منبع داده استفاده شده است. در این پژوهش برای تشخیص ضربان­ ­ های زودرس بطنی در بیماران از ویژگی­ های مورفولوژیکی الکتروکاردیوگرام و ویژگی­ های به دست آمده از تبدیل موجک استفاده شده است و پس از استخراج و انتخاب ویژگی ها، برای طبقه ­ بندی ضربان ­ هااز ترکیب متداول­ ترین روش ­ های طبقه ­ بندی، یعنی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و روش Kنزدیک ترین همسایه استفاده شده است. بهترین نتایج، در حالت ترکیب هر 3 طبقه بند و با استفاده از ویژگی­ های هنجارسازی شده به دست آمد. در این حالت سامانه ترکیبی طراحی شده موفق شد با صحت 2/0± 9/98، حساسیت 1/0± 0/99 و نرخ اختصاصی بودن 2/0± 8/98 درصد ضربان­ های زودرس بطنی را تشخیص دهد. همچنین، کارایی روش پیشنهادی در شرایط استفاده از نمونه­ های آموزشی محدود نشان داده شد. در مجموع، نتایج نشان دهنده موفقیت روش پیشنهادی به ویژه در مقایسه با سایر پژوهش ها مرتبط است.

وظیفه اصلی نظرکاوی استخراج و تشخیص حس مثبت یا منفی (رضایت مندی) افراد، از روی اطلاعات متنی است. نبود یک واژه نامه حسی فارسی عامل یکی از چالش های اصلی نظرکاوی در زبان فارسی است. در این مقاله روشی جدید برای تولید شبکه واژگان حسی فارسی (حس نگار) با استفاده از منابع زبانی فارسی و انگلیسی ارائه می شود. همچنین پیکره نظرات فارسی ایجاد شده برای انجام پژوهش های نظرکاوی، معرفی خواهند شد. برای تولید حس نگار ابتدا شبکه واژگان جامع زبان فارسی (فردوس نت) ساخته شده است. سپس میزان حس هر گروه هم معنی در شبکه واژگان حسی انگلیسی به کلمات متناظر آنها در حس نگار (شبکه واژگان حسی فارسی) نگاشت می شود. در آزمایش های انجام شده، مشخص شد که حس نگار دارای دقت 86/0 و نرخ بازیابی 75/0 است و می تواند به عنوان واژه نامه حسی مرجع برای زبان فارسی استفاده شود.

سامانه های پرسش و پاسخ، زیرشاخه ای از علوم پردازش زبان طبیعی و بازیابی اطلاعات محسوب می شوند که در چند دهه اخیر مورد علاقه زیاد پژوهش گران قرار گرفته اند. با توجه به رشد فزاینده علاقه مندی به این زمینه پژوهشی، نیاز به در اختیار داشتن منابع داده ای مناسب برای آن، به خوبی احساس می شود. تاکنون اغلب پژوهش های صورت گرفته در رابطه با توسعه پیکره پرسش و پاسخ در زبان انگلیسی بوده است؛ درصورتی که در زبان های دیگر مانند فارسی، نیاز شدیدی به وجود چنین پیکره هایی احساس می شود. در این مقاله، مراحل کامل توسعه یک پیکره متنی پرسش و پاسخ با نام رسائل و مسائل در زبان فارسی شرح داده خواهد شد. این پیکره شامل 2, 118 سؤال غیرحقیقت و 2, 051 سؤال حقیقت بوده که برای هر سؤال، متن سؤال، نوع سؤال، سختی سؤال از نظر پرسشگر و پاسخ دهنده، طبقه معنایی پاسخ در سطح درشت دانه و ریزدانه، پاسخ دقیق سؤال و شماره صفحه و پاراگراف پاسخ، نشانه گذاری شده است. پیکره پیشنهادی برای یادگیری کلیه مؤلفه های سامانه های پرسش و پاسخ شامل دسته بندی سؤال، بازیابی اطلاعات و استخراج پاسخ، مورد استفاده می تواند قرار گیرد و به صورت رایگان در دسترس پژوهش گران قرار دارد. در ادامه یک سامانه پرسش و پاسخ بر روی پیکره رسائل و مسائل معرفی می شود. نتایج نشان می دهد که سامانه پیشنهادی توانسته است به دقت 29/82 و میانگین معکوس رتبه 73/56 درصد دست یابد. می توان اظهار کرد که پیکره و سامانه پیشنهادی در نوع خود، نخستین پیکره و سامانه مربوط به پرسش و پاسخ با چنین ویژگی هایی برای زبان فارسی است.

فشارخون به عنوان یکی از علائم حیاتی بدن، نیاز به کنترل متناوب و پیوسته دارد. این ضرورت به خصوص در شرایط مراقبت ویژه برای بیماران بیشتر احساس می شود. در این پژوهش سعی شده است که روشی غیرتهاجمی، بدون استفاده از کاف و بدون نیاز به کالیبراسیون فردی پیشنهاد شود. به این منظور با استفاده از دو حس گر نوری بر روی انگشت و مچ دست، سیگنال فتوپلتیسموگرافی از بیست داوطلب سالم در شرائط فشارخون مختلف، ثبت شد و سپس به منظور افزایش دقت تخمین و نیز عدم نیاز به کالیبراسیون فردی، علاوه بر زمان گذار نبض، 16 ویژگی زمانی از سیگنال فتوپلتیسموگرافی مچ استخراج شد. در نهایت با بررسی تخمین گرهای مختلف، از شبکه عصبی رگرسیون عمومی برای تخمین فشارخون استفاده شد. خطای فشارخون تخمین زده شده توسط این تخمین گر، در فشار سیستول 11/0 ± 18/1 و در فشار دیاستول 3/2 ± 15/0 میلی متر جیوه است.

مدل عبارت-مرزی برای ترجمه ماشینی آماری، قواعد را با طبقه کلمات مرزی عبارات پیکره مقصد برچسب می­ زند. در این مقاله مدل عبارت-مرزی را با استفاده از برچسب­ های کم عمق نحوی شامل برچسب POS و برچسب قطعات توسعه می­ دهیم. با اولویت برچسب قطعات، مدل پیشنهادی، غیرپایانه­ ها را با برچسب­ های کم عمق نحوی در مرز عبارات مقصد نام­ گذاری می­ کند. در قیاس با مدل SAMT که قواعد را با درخت تجزیه نحوی جملات مقصد برچسب می­ زند، مدل پیشنهادی به تجزیه عمیق نحوی نیاز ندارد. همچنین، هرچه تفاوت ترتیب کلمات زبان مبداء و مقصد ترجمه بیشتر باشد، عبارات تراز شده قابل انطباق با درخت تجزیه نحوی، کمتر خواهد بود. تعدادی آزمایش در ترجمه از فارسی و آلمانی به انگلیسی به عنوان جفت زبان­ هایی با تفاوت زیاد در ترتیب کلمات انجام شد. در این آزمایش ها، مدل عبارت-مرزی پیشنهادی نسبت به مدل SAMT در حدود 5/0 واحد BLEU کیفیت ترجمه بهتری به دست آورد.

یکی از مهم­ ترین عملیات پردازنده­ های سیگنال دیجیتال فیلتر کردن است که معادل عملیات جمع و ضرب متوالی است. ادغام دو واحد ضرب­ کننده و جمع­ کننده موجود در ساختار این پردازنده­ ­ ها منجر به ایجاد یک واحد جدید به نام ضرب جمع­ کننده می­ شود. جهت بهبود کارایی واحد ضرب جمع­ کننده، از سامانه های اعداد مانده­ ای می­ توان بهره گرفت. این سامانه به دلیل انجام عملیات به صورت موازی روی پیمانه­ ها و محدود کردن انتشار رقم نقلی به داخل هر پیمانه، سرعت و توان مصرفی مدارهای محاسباتی مانند ضرب­ کننده و ضرب جمع­ کننده را بهبود می­ بخشند. از میان مجموعه پیمانه {2n+1, 2n, 2n-1}، مدارهای پیمانه 2n+1 به دلیل نیاز به مسیر داده (n+1) بیتی، مسیر بحرانی خواهند بود. در این مقاله، ابتدا یک واحد ضرب جمع­ کننده برای پیمانه 2n+1 ارائه شده و سپس، برای بهبود بیشتر کارایی از روش خط لوله و چند ولتاژی استفاده می­ شود. نتایج شبیه­ سازی بیان گر بهبود تأخیر، توان مصرفی و PDP مدارهای پیشنهادی بدون کاهش کارایی نسبت به مدارهای موجود است.

سامانه های پایگاه داده استنتاجی بر اساس یک مدل داده منطقی طراحی می شوند. داده ها در یک سامانه پایگاه داده استنتاجی (برخلاف سامانه پایگاه داده های رابطه ای که داده ها به صورت جداول ذخیره می شوند) به صورت حقایق ذخیره می شوند. سامانه آموزشی دیتالوگ (DES) یک سامانه پایگاه داده استنتاجی است که حالت دیتالوگ، حالت پیش فرض آن است. در حالت دیتالوگ برای استفاده از فرا پیوندها با سه زبان پرس وجو (دیتالوگ، SQL و RA) داده ها را می توان استخراج کرد. در پژوهش های قبلی انتخاب مناسب ترین زبان پرس وجو برای استفاده از فرا پیوندها جهت استخراج داده ها در حالت دیتالوگ در سامانه DES بررسی نشده است. در این پژوهش با در نظر گرفتن دو مشخصه (هزینه نوشتن پرس وجو و حافظه مصرفی پرس وجو) انتخاب مناسب ترین زبان پرس وجو برای استفاده از فرا پیوندها جهت استخراج داده ها در حالت دیتالوگ در DES بررسی می شود. نتایج پژوهش نشان می دهد که برای همه پرس وجوها استفاده از یک زبان می تواند مناسب نباشد و لذا برای پرس وجوهای مختلف مناسب ترین زبان پرس وجو برای استفاده از فرا پیوندها باید انتخاب شود. در پژوهش جاری، مناسب ترین زبان پرس وجو زبانی است که کاربر نسبت به دو زبان دیگر جهت پیاده سازی پرس وجو به کلید کمتری از صفحه کلید نیاز داشته باشد. کاهش تعداد کلیدهایی که توسط کاربر فشار داده می شود، موجب کاهش زمان در پیاده سازی پرس وجو توسط کاربر و در نتیجه منجر به افزایش سرعت دسترسی کاربر به داده ها خواهد شد.