مهندسی پزشکی زیستی
سال:1398 | دوره:13 | شماره:3 |تعداد مقالات:7

قرارگرفتن در وضعیت های مختلف ادراکی، شناختی و احساسی با نوعی انتشار اطلاعات از طریق نوسانات نورون های مغزی همراه است. بررسی این نوسانات و به طور مشخص ارتباطات و تعاملات میان بخش های مختلف مغز، می تواند اطلاعات مفیدی درباره ی نحوه ی واکنش مغز در برابر وضعیت های مختلف بدست دهد. در ادبیات موضوع، ارتباطات بین نواحی مختلف مغز به سه دسته ی ساختاری، موثر، و کارکردی تقسیم بندی می شوند که دسته ی اول به ارتباط بین نورون های نواحی مجاور می پردازد، در حالی که دسته ی دوم و سوم بر همسانی زمانی بین نوسانات بخش های نه لزوما مجاور متمرکز هستند. اگرچه سیگنال های EEG به دلیل دقت مکانی نسبتا پایین مناسب ترین معیار برای سنجش ارتباطات کارکردی و موثر بین بخش های مختلف مغز نیستند، اما بررسی آماری این سیگنال ها می تواند در تشخیص هم زمانی بین نوسانات نواحی مختلف مغز کمک قابل توجهی نماید. در این مقاله، چارچوبی نوین برای پیش بینی وقوع تشنج با استفاده از سیگنال های EEG ارائه می گردد که از معیار علیت گرنجر در حوزه ی فرکانس برای اندازه گیری میزان هم زمانی نوسانات سیگنال های EEG در مدت زمان های Inter-ictal و Pre-ictal استفاده می نماید. در ادامه، با بکارگیری یک طبقه بند Logistic Regression با عبارت تنظیم کننده درجه اول اقدام به تفکیک نمونه های استخراج شده از این دو بازه ی زمانی از یکدیگر می شود. در گام آخر، با در نظر گرفتن بازه های زمانی متوالی، در صورتی که به تعداد مشخصی بازه مربوط به Pre-ictal شناخته شوند، اعلام وقوع تشنج می گردد. شبیه سازی های انجام شده روی مجموعه داده ی CHB-MIT به ازای افق پیش بینی 10 دقیقه به نرخ حساسیت %95. 03 و نرخ پیش بینی نادرست 0. 14 بر ساعت منتج شده است که نشان دهنده ی عملکرد قابل قبول روش پیشنهادی در مقایسه با بهترین نتایج گزارش شده در سایر مقالات می باشد.

طبقه بندی کردن خودکار مراحل خواب به منظور تشخیص دادن به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و نیز شبکه عصبی مبتنی بر طبقه بند RUSBoost ارائه می شود. سیگنال با استفاده از تبدیل موجک گسسته به 4 سطح تجزیه شده و ویژگی های آماری از هر یک از سطوح تجزیه شده، استخراج می شود. جهت بهینه سازی کردن و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم کلونی مورچگان و نیز یک شبکه عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون ANOVA برای تائید صحت ویژگی های بهینه استفاده می شود. طبقه بندی نهایی بر روی این ویژگی های بهینه شده توسط طبقه بند RUSBoost انجام می شود و به طور میانگین برای طبقه بندی 2-کلاس تا 6-کلاس مراحل مختلف خواب صحت بالای 90% را فراهم می کند. نتایج نشان می دهد که روش پیشنهادی، درصد موفقیت بالاتری در طبقه بندی مراحل خواب نسبت به پژوهش های پیشین دارد.

داده های میکرو-آرایه ای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می کنند. داده های میکرو-آرایه ای، به طور معمول شامل تعداد زیادی از ویژگی ها و تعداد کمی نمونه می باشند. همچنین، اینگونه داده ها به دلیل داشتن برخی ویژگی های نامرتبط می توانند موجب بیش برازش و دقت پیش بینی پایین طبقه بند کننده ها شوند. بنابراین، آنالیز داده های میکرو-آرایه ای امری مهم و پرچالش در یادگیری ماشین و فناوری ژنتیک مولکولی محسوب می شوند. راه مستقیم برای مقابله با این چالش، کاهش بعد داده می باشد. در این راستا، روش انتخاب ویژگی به عنوان یک راه کار مهم برای کاهش ابعاد و افزایش کارآیی الگوریتم های یادگیری عمل می کند. در این مقاله، با استفاده از مفهوم پایه برای مجموعه داده های میکرو-آرایه ای، یک روش جدید انتخاب ویژگی معرفی می شود. به عبارت دیگر، یک پایه که شامل یک زیرمجموعه بسیار کوچک از ژن ها است، بجای کل مجموعه داده های میکرو-آرایه ای در تعریف مسئله انتخاب ویژگی استفاده می شود. در این روش، مسئله انتخاب ویژگی براساس دیدگاه یادگیری زیرفضا و تجزیه ماتریس پایه فرمول بندی می شود. در نهایت، با استفاده از مجموعه داده های میکرو-آرایه ای DNA، کارایی روش پیشنهادی بررسی می شود و نتایج بدست آمده با چند روش انتخاب ویژگی مشهور با نظارت مقایسه می شوند.

بیماری های مرتبط با شبکیه و ماکولای چشم، باعث از دست دادن همیشگی بینایی یا کاهش بسیار زیاد دید در افراد و موجب پایین آمدن کیفیت زندگی و ایجاد مشکلات فراوان در زندگی روزمره می شوند. به این دلیل، شناسایی به هنگام و درست این بیماری ها و اختلالات، اهمیّت پیدا کرده است. روش تصویربرداری مقطع نگاری همدوسی اپتیکی، دقّت بالایی در تصویربرداری و همچنین اطلاعات عمقی نسبت به شبکیه، ارایه می دهد. این روش تصویربرداری کمک بسیار زیادی به شناسایی دقیق بیماری های مرتبط با ماکولا کرده است. یکی از شایع ترین بیماری های شبکیه چشم، بیماری دژنراسیون وابسته به سن ماکولا است. هدف از انجام این پژوهش این است که سیستمی طراحی و پیاده سازی شود که قابل اعتماد و سریع باشد و بتواند بیماری دژنراسیون وابسته به سن ماکولا را با استفاده از پردازش تصاویر مقطع نگاری همدوسی اپتیکی، به خوبی و با دقّت و سرعت بالا شناسایی کند. در این مطالعات از روش های هیستوگرام گرادیان های جهت دار و تحلیل مولفه اصلی برای استخراج ویژگی ها و از روش طبقه بندی گروهی AdaBoost جهت طبقه بندی داده ها بهره گرفته شده است. پایگاه داده مورد استفاده شامل 269 شخص بیمار و 115 نفر سالم است. هر سه شاخص دقّت، حساسیت و خاصّیّت سیستم پیاده سازی شده، 100 درصد، اندازه گیری شد.

پیش بینی درست مسیر مطلوب حرکتی در سیستم های کنترل و بازتوانی حرکت مانند تحریک الکتریکی عملکردی و ربات درمانی بسیار ضروری می باشد. این طور به نظر می آید که حرکات دست رسانی انسان، متشکل از مجموعه ای از زیرحرکات می باشد که هر زیرحرکت تصحیحی از مسیر کلی حرکت می باشد. با استفاده از زیرحرکات می توان، انجام حرکات پیچیده، یادگیری، تطبیق پذیری و دیگر ویژگی های سیستم کنترل حرکت را تفسیر نمود. در این راستا، هدف این پژوهش پیش بینی و تولید حرکات دست رسانی دوجزیی در صفحه با استفاده از مدلی شبیه به مکانیزم واقعی تولید حرکات انسان و بر مبنای زیرحرکت بوده است. دادگان مورد استفاده شامل تکرارهای مختلف چهار نوع حرکت دست رسانی در صفحه از سه سوژه بوده است. بعد از پیش پردازش و فازبندی حرکات، تجزیه حرکات به زیرحرکات کمینه جرک انجام گردید. در مرحله بعد آموزش سه شبکه عصبی مجزا برای یادگیری پارامترهای زیرحرکات شامل دامنه، دوره و زمان شروع زیرحرکات انجام گردید و در آخر شبکه های عصبی در ترکیب یک مدل حلقه بسته قرار گرفتند و پیش بینی حرکات بر اساس مدل تصحیح خطا با استفاده از زیرحرکات توسط این مدل صورت گرفت. نرخ دسترسی به هدف برای تمام حرکات پیش بینی شده توسط مدل زیرحرکت برابر با 100% به دست آمد. همچنین مقادیر میانگین فاصله از هدف، درصد VAF و میانگین خطای MSE بین مسیرهای حرکتی اصلی و پیش بینی شده نشان داد که حرکات پیش بینی شده با تقریب بسیار خوبی نسبت به حرکات اصلی تشکیل شده اند. نتایج نشان می دهد که وقتی شبکه های عصبی آموزش داده شده با زیرحرکات در یک مدل حلقه بسته قرار گرفتند به دلیل جبران سازی خطاهای منتشر شده از مراحل قبل، به خوبی توانستند زیرحرکات مناسبی را برای دسترسی کامل به اهداف حرکتی پیش بینی نمایند. از نتایج این مطالعه می توان برای بهبود روش های بازتوانی حرکتی استفاده نمود.

کمی سازی و مدل سازی ماهیچه های اسکلتی می تواند به بررسی بیماری های مربوط به ماهیچه، مشکلات حرکتی خاص و شبیه سازی-های موردنیاز برای انجام جراحی های مربوطه کمک نماید. بدین منظور نیاز به بخش بندی ماهیچه ها در تصاویر پزشکی است. با توجه به اهمیت ماهیچه های مقطع ران در حفظ تعادل بدن و راه رفتن، در این پژوهش، بخش بندی این ماهیچه ها در تصاویر سی تی اسکن انجام گرفته است. بدین منظور، از روش چند-اطلس استفاده شده است که بهبود یافته روش چند اطلس سلسله مراتبی در مطالعه گذشته است. در این روش پس از پیش پردازش تصویر، ناحیه مربوط به ماهیچه از سایر بافت ها با استفاده از روش FRFCM به صورت اتوماتیک استخراج شده است. از ماسک باینری ماهیچه و ماسک ماهیچه بهبودیافته در روش چنداطلس به منظور بخش بندی مجزای ماهیچه ها استفاده شده است. روش پیشنهادی با استفاده از 20 سری داده سی تی اسکن شامل 12 نمونه زن و 8 نمونه مرد پیاده سازی شده است. این روش در مقایسه با روش چنداطلس سلسله مراتبی هزینه محاسباتی بسیار کمتری دارد. به طور میانگین، زمان مورد نیاز برای بخش بندی ماهیچه ها با استفاده از روش پیشنهادی 24 ثانیه و در روش چند اطلس سلسله مراتبی 71 ثانیه برای یک اسلایس هر نمونه بوده است. بنابراین، روش پیشنهادی زمان پیاده سازی را تقریبا تا یک-سوم روش قبل کاهش داده است. میانگین ضریب شباهت دایس برای روش پیشنهادی با ماسک ماهیچه بهبودیافته و روش چند-اطلس سلسله مراتبی به ترتیب برابر با 7/69 ± 86/58 و 8/26 ± 83/07 است. میانگین دقت و حساسیت برای روش پیشنهادی برابر با 9/6± 89/78 و 9/25 ± 84/63 و برای روش چنداطلس سلسله مراتبی برابر با 12/04 ± 88/85 و 10/88± 78/04 بوده است. بنابراین، این روش نتایج کمی بهتری نسبت به روش پیشین براساس معیارهای ضریب شباهت دایس، دقت و حساسیت داشته است.

بیماری صرع یکی از مهمترین اختلالات عصبی در جهان به شمار می آید. برای مهار حملات صرعی، از الگوریتم های کنترلی گوناگون استفاده شده است. در کنترل حملات صرعی، زمان کنترل و کاهش حملات و مقاوم بودن کنترل کننده در برابر تغییرات پارامترهای پاتولوژیکی و نوسانات ناخواسته از اهمیت زیادی برخوردار است. برای لحاظ این الزامات و از آنجا که یکی از روش های سرکوب امواج صرعی، تغییر در میانگین پتانسیل الکتریکی نورون های محرک است، در این مقاله کنترل کننده مدلغزشی انتگرالی فراپیچشی زمان معین به مدل ترکیبی قشر مغز و اپتوژنتیک اعمال شده است. ابتدا جریان یونی تولید شده در کانال های یونی در روش اپتوژنتیک، به متغیر حالت مربوط به میانگین پتانسیل الکتریکی نورون های محرک در مدل قشر مغز اعمال شده و دو مدل اپتوژنتیک و قشر مغز با یکدیگر ترکیب می شوند تا ولتاژ کنترلی اعمال شده به سیستم، از طریق مدل اپتوژنتیک به صورت فوتون های نور به نورون های ناحیه صرعی در مغز اعمال می شود. سپس کنترل کننده مذکور به این مدل ترکیبی اعمال می شود با این هدف که مدل صرعی، مدل سالم را در مدت زمان معین دنبال کند. در نهایت با استفاده کنترل کننده مدلغزشی انتگرالی زمان معین فراپیچشی دیده می شود که در مدت زمان معین، خطای همگرایی وضعیت صرعی به وضعیت سالم کاملا صفر شده است، دامنه سیگنال کنترل نسبت به حالت مدلغزشی کلاسیک کاهش یافته و همچنین مشکلات تکینگی و نوسانات ناخواسته که از محدودیت های کنترل کننده مدلغزشی کلاسیک هستند، برطرف شده است.