گوگل پلاس انجمن مکاریتم پایان نامه وبلاگ پایان-نامه-کارشناسی-ارشد-دکتری-مهندسی-پزشکی
  • کارشناس انجمن مکاریتم
  • 1972 بازدید
  • 5 نظر
  • دپارتمان مهندسی

1- مقدمه
هرگاه روند تغییرات یک پدیده یا یک کمیت را در طول زمان مورد مطالعه قرار دهیم، در واقع با یک سیگنال روبرو هستیم. در علم پردازش سیگنال های حیاتی با سيگنال هايي كه توسط ارگان هاي بدن توليد مي شوند و در واقع منشا بیولوژیکی سر و کار خواهیم داشت. این سیگنال ها می توانند نظیر سیگنال الکتروکاردیوگرافی (ECG) نتيجة دپلاريزاسيون سلول هاي ماهيچة قلب باشند و منشا الکتروشیمیایی داشته باشند و یا همچون صداي توليد شده توسط دريچه هاي قلب که به Auscultation Signal یا Heart Sound  شهرت دارد، منشا مكانيكي داشته باشند. امروزه در علم پزشکی و زیست-پزشکی، روند استفاده از این سيگنال هاي حياتي براي تشخيص و تحقيقات بالینی به شدت نرخ صعودی دارد، بطوریکه در سالیان اخیر مجله های علمی پژوهشی متعددی با موضوعیت تاثیرات پردازش سیگنال و محاسبات کامپیوتری بر رشد دانش پزشکی به چاپ می رسد. 

انجام پایان نامه کارشناسی ارشد و دکتری مهندسی پزشکی

برای ثبت سیگنال های پزشکی و انجام پایان نامه کارشناسی ارشد و دکتری ECG، EEG، EMG از لینک پایین صفحه ثبت درخواست نمایید

2- مراحل پردازش سیگنال های بیولوژیک
مسلما اولین و شاید مهمترین گام در این زمینه همان ثبت داده های حیاتی یا بالینی می باشد که در اصطلاح data acquisition گفته می شود. امروزه با وجود پیشرفت های شگرف در ساختار تجهیزات پزشکی و همچنین استفاده از توانایی هایی که به یمن پردازش های سریع به کمک کامپیوتر امکان پذیر شده اند، ثبت سیگنال های بیولوژیک با بالاترین کیفیت صورت می پذیرد. در اين مرحله سيگنال هاي مكانيكي يا اکتروشيميايي به  سيگنال هاي  الكتريكي  تبديل  مي شوند و  پس از تقویت معمولا به صورت فایل های با پسوندهای dat، txt، csv، xls و ... بسته به نرم افزار ثبت داده ها قابل تغییر می باشد. در قدم بعد پیش پردازش سیگنال صورت می پذیرد، که در ادامه توضیح داده خواهد شد. 

data acquisition ثبت داده های حیاتی یا بالینی


3- پیش پردازش سیگنال های حیاتی
این مرحله به طور متداول می تواند شامل مراحل زیر باشد:
1- خواندن داده های ثبت شده و آماده سازی آنها برای مراحل بعدی، 
2- کاهش و یا افزایش فرکانس نمونه برداری (Down-sampling/Over-sampling) در صورت نیاز 
3- حذف نویز از سیگنال که از اهمیت ویژه ای برخوردار است. 
روش های متعددی برای تغییر فرکانس نمونه برداری وجود دارد که در اینجا از آنها عبور می کنیم. اما در مورد روش های حذف/کاهش نویز چند روش را مرور خواهیم کرد. به عنوان مثال در هنگام ثبت سیگنال ECG نویزهای متفاوتی بر روی آن اثر می گذارند و یا آن را آلوده می سازند که شامل موارد زیر می باشند. 
    1) تغییرات در پایه سیگنال (Baseline Wandering) که معمولا به صورت نویزهایی با فرکانس پایین مدل می شود.
    2) آرتیفکت یا تداخل نویز با فرکانس 50-60 هرتز ناشی از خطوط انتقال برق شهری.
    3) تداخل با سیگنال الکترومایوگرافی (EMG) که سیگنالی الکتریکی است و از فعالیت عضلات دیگر اطراف قلب و نزدیک به الکترودها ناشی می شود.
    4) نویز ایجاد شده به خاطر تکان خوردن های الکترود روی پوست و در نتیجه تغییر امپدانس اتصال الکترود که در زمان ثبت سیگنال معمولا اجتناب ناپذیر است. 

موسسه انجام پایان نامه کارشناسی ارشد و دکتری

از جمله نویزهایی که بر روی سیگنال EEG که دیگر سیگنال مهم درمیان سیگنال های حیاتی است نیز می-توان به آرتیفکت های ناشی از پلک زدن فرد اشاره نمود. ساده ترین روش برای حذف/کاهش نویز از سیگنال های حیاتی استفاده از فیلترها است که می توان آنها را به فیلترهای پایین گذر، بالاگذر، میان گذر و میان نگذر تقسیم بندی نمود. اما روش های پیشرفته تر دیگری نیز وجود دارد. در این بین به دلیل غیرایستا (non-stationary) بودن سیگنال های حیاتی، استفاده از موجک‌ها (Wavelets) برای حذف نویز و تحلیل این دسته از سیگنال‌ها در سالیان اخیر محبوبیت یافته است. با استفاده از تبدیل موجک گسسته، سیگنال به یک سیگنال تقریب (Approximation) و یک سیگنال جزییات (Detail) تجزیه می‌شود و می‌توان سیگنال تقریب را مجدد با استفاده از تبدیل موجک به دو بخش تجزیه کرد و این روند را برای تعداد مراحل موردنظر ادامه داد، در انتها مجموعه‌ای از سیگنال‌های جزییات و سیگنال‌های تقریب بدست می‌آید. حال برای حذف نویز از سیگنال اصلی، با آستانه گذاری برای سیگنال جزییات در مراحل مختلف، می‌توان جزییات ناخواسته سیگنال را که حذف کرد. این پدیده خود می تواند با استفاده از روش های بهینه سازی کلاسیک و یا روش های تکاملی نظیر الگوریتم ژنتیک (GA)، الگوریتم ازدحام ذرات (PSO)، شبیه سازی تبرید (SA)، جستجوی هارمونی (HS)، جهش قورباغه (SFLA)، زنبور عسل (ABC)، کلونی مورچگان (ACO) و ... بصورت یک مساله بهینه سازی در آمده و تابع هدف در آن بصورت مقدار نویز باقیمانده در سیگنال تعریف شود. پس از این آستانه‌گذاری، با تبدیل موجک معکوس سیگنال‌های جزییات و تقریب را مرحله به مرحله ترکیب کرد و در نهایت به سیگنال بدون نویز دست یافت.

4- استخراج ویژگی از سیگنال
در این مرحله پس از ثبت داده  ها و انجام پیش پردازش، پارامترهاي مناسب معنادار كه ويژگيهاي سيگنال ناميده مي شوند استخراج مي شوند. نتايج حاصل از اين مرحله براي فرايند تصميم گيري در مرحلة بعد مورد استفاده قرار مي  گيرد. اهمیت این مرحله به قدری زیاد است که شاید بتوان آن را به جرات مهم  ترین مرحله در پردازش سیگنال  ها بخصوص در مورد سیگنال  های حیاتی دانست. به طور کلی هدف این مرحله استخراج ویژگی  هایی است که به خوبی تمایز در میان بیماری  های مختلف، ناهنجاری  ها، نارسایی  ها و ... را هم در میان خود آنها و هم در مقایسه با افراد سالم را برجسته نمایند. روش  های گوناگونی در زمینه استخراج ویژگی وجود دارد و هر روز نیز با توجه به پیشرفته روش  های داده  کاوی بر تعداد آنها افزوده می  شود. در ادامه برخی از این روش  ها را مرور می  نماییم. 

- استخراج ویژگی  های آماری
علم آمار، علم فراهم کردن داده‌های کمّی و تحلیل آن‌ها به منظور به دست آورن نتایجی که اگرچه احتمالی است، اما در خور اعتماد است. از جمله مهم‌ترین اهداف آمار، می‌توان تولید بهترین اطّلاعات از داده  های موجود و سپس استخراج دانش از آن اطّلاعات را ذکر کرد. به همین سبب است که برخی از منابع، آمار را شاخه‌ای از نظریه تصمیم‌ها به شمار می‌آورند. در مباحث پردازش سیگنال نیز از دیرباز استفاده از روش  های مبتنی بر آمار برای استخراج ویژگی کاربرد فراوان داشته است. ویژگی  هایی همچون بیشینه، کمینه، میانگین، انحراف معیار، چولگی (ممان سوم)، میانه و سایر ویژگی  های برگرفته از نمودار هیستوگرام (فراوانی) را می  توان از جمله این ویژگی  ها دانست. در برخی موارد از این ویژگی  ها به عنوان ویژگی  های حوزه زمان (Time Domain) نیز نام برده می  شود. در برخی موارد می  توان خصوصا در مورد سیگنال EEG ویژگی  هایی نظیر تعداد دفعات قطع کردن محور صفر (Zero Crossing) را نیز به ویژگی  های قبلی افزود.

موسسه انجام پایان نامه کارشناسی ارشد و دکتری مهندسی مکاترونیک و پزشکی

- استخراج ویژگی  های فرکانسی
هرچند استفاده از ویژگی  های آماری می  تواند در برخی اوقات مفید واقع شود، ولی نقص بزرگ این ویژگی  ها که تابع زمان بودن سیگنال را هرگز در نظر نمی  گیرند. این دلیل، باعث شده که اقبال برای استفاده از ویژگی-های مبتنی بر تحلیل فرکانسی که برخی اوقات تحلیل طیفی نیز خوانده می  شود، روز افزون شود. این ویژگی-ها عموما برای سیگنال  های دیجیتال که امروزه اکثر قریب به اتفاق سیگنال  های حیاتی را شامل می  شوند، بر اساس تبدیل فوریه سریع (FFT) بدست می  آیند. ویژگی  هایی نذیر دامنه بیشینه، فرکانس دارای دامنه بیشینه، توان سیگنال در بازه فرکانسی مشخص و ... همگی برگرفته از تحلیل فرکانسی می  باشند. 

موسسه ثبت سیگنال الکتروکاردیاگرام ecg و الکترومایوگرافی emg و الکتروانسفالوگرام eeg

- استخراج ویژگی با استفاده از تبدیل ویولت
هنگاميكه به تبديل فوريه يك سيگنال نگاه مي  كنيم، غير ممكن است تشخيص دهيم يك اتفاق خاص در چه زماني رخ داده است. در كوششي براي رفع اين نقیصه، دنيس گابور تبديل فوريه را براي تحليل بخش كوچكي از يك سيگنال (در زمان محدودي) تنظيم كرد. تكنيكي كه پنجره سيگنال ناميده مي  شود. تنظيم گابور كه تبديل فوريه زمان – كوتاه (STFT) ناميده مي شود، سيگنال را به صورت تابعي دوبعدي از زمان و فركانس رسم مي  كند. مصالحه STFT مابين اطلاعات زمان و فركانس، هميشه كارا نيست چرا كه هنگام انتخاب اندازه ي مشخص براي زمان پنجره، آن پنجره براي تمام فركانسها مشابه مي باشد و اين موضوع عيب عمده روش STFT  مي  باشد. اما تبدیل موجک با رزولوشن همزمان فرکانسی – زمانی این مشکل را حل می نماید. اهمیت تبدیل ویولت در آن است که فضای سه بعدی كه اين تبديل از سيگنال ارائه می‌دهد باعث آشكار شدن ويژگيهای خاصی از سيگنال می شود كه با ديگر ابزارهای پردازش سيگنال قابل دسترسی نيستند. از طرفی در بسياری از پديده‌های قدرت كه ماهيتی گذرا دارند، ناپيوستگی ها، تغييرات ناگهانی و موضعی، تمركز انرژی در قسمت كوچكی از سيگنال و بسياری از خصوصيات ديگر ديده می‌شوند كه در حال حاضر یکی از بهترين راه های پردازش آنها استفاده از تبديل Wavelet می‌باشد. 

تبدیل موجک یا وولیت Wavelet  استخراج ویژگی سیگنال های حیاطی پزشکی

تبدیل ویولت گسسته همانگونه که پیش از این در مبحث نویززدایی از سیگنال به آن اشاره شد، با در اختیار داشتن سیگنال و انتخاب یک ویولت مادر که عمدتا از توابع Haar، Symlets و یا Daubechies انتخاب می  شود، در هر مرحله یک سیگنال حاوی فرکانس  های بالا (جزئیات/اطلاعات سیگنال) و یک سیگنال حاوی فرکانس  های پایین (تقریب سیگنال اولیه) تحویل می  دهد. تحلیل درخت ویولت (Wavelet Tree) اجازه می-دهد از هر کدام از سیگنال  های جزئیات یا تقریب مجددا سیگنال  های جزئیات یا تقریب مرحله بعد را استخراج کرد ولی معمولا در تبدیل ویولت گسسته این سیگنال تقریب است که در هر مرحله برای بوجود آوردن سیگنال  های Detail و Approximate مرحله بعد مورد استفاده قرار می  گیرد. 
حال فراموش نکنیم که در اینجا، مراد استفاده از تبدیل ویولت استخراج ویژگی  های مناسب از سیگنال است. پس از در اختیار داشتن تجزیه  های Detail و Approximate سیگنال اصلی، یکی از راه  کارهای استخراج ویژگی در اینجا، بدست آوردن ویژگی  های آماری و فرکانسی هر یک از این مولفه  ها است. یعنی در واقع ویژگی  های سیگنال به جای آنکه از سیگنال اصلی استخراج شوند از سیگنال  های خروجی تبدیل ویولت استخراج خواهند شد. در کنار مزیت  هایی که این روش دارد که می  توان پررنگ کردن تفاوت  های جزئی و یا کلی میان سیگنال  های استخراج شده از بیماری  های مختلف یا به طور کلی کلاس  های مختلف در طبقه بندی نهایی است، نقیصه این روش بالا رفتن بیش از حد تعداد ویژگی  ها و یا ابعاد سیستم تشخیص است. عمدتا پس از طی این مراحل، به منظور کاهش تعداد ویژگی  ها و انتخاب ویژگی  های برتر از روش  های کاهش ابعاد نظیر PCA، ICA، LDA، FDA، Mutual Information و ... استفاده می  شود که توضیحات هر یک از این  ها در این مبحث نمی  گنجد.
- استخراج ویژگی با استفاده از روش تجزیه به مودهای تجربی
در ریاضیات، تبدیل هیلبرت، عملگری خطی است که بر تابعی همچون (u(t عمل کرده و [(H[u(t را نتیجه می‌دهد. این تبدیل به افتخار دیوید هیلبرت تبدیل هیلبرت نامیده شد. هیلبرت برای اولین از این تبدیل برای حل حالت خاصی از مسأله ریمن−هیلبرت استفاده کرد. اما آنچه که این روش را در سالیان اخیر بیش از پیش در صدر تحقیقات این حوزه قرار داده است، استفاده از ویژگی  های این تبدیل در روش تجزیه به مودهای تجربی یا (Empirical Mode Decomposition (EMD است. این الگوریتم، روشی تجربی برای تجزیه یک سیگنال به تعدادی متناهی از توابع نوسانی دارای تبدیل هیلبرت خوش رفتار است که به آنها Intrinsic Mode Functions یا توابع مد ذاتی (IMF) گفته می  شود. IMF های یک سیگنال طی فرآیندی به نام فرآیند غربال در روش EMD استخراج می  شوند که توضیحات آن به صورت تکمیلی  تر در منابع متعددی آمده است. در واقع IMF تابعی است که باید دو شرط زیر را ارضا کند:
1- در تمام مجموعه داده، تعداد اکسترمم  ها و تعداد عبور از صفر باید با هم برابر و یا حداکثر یک واحد اختلاف داشته باشند.
2- در هر نقطه، مقدار میانگین پوش تعریف شده توسط ماکزیمم  های محلی و پوش تعریف شده توسط مینیمم  های محلی باید صفر باشد. به عبارت دیگر یک IMF باید تابعی متقارن حول صفر باشد.
کلیه روندی که در انتها برای استخراج ویژگی از خروجی  های تبدیل ویولت در مرحله قبل به آن اشاره شد، با استفاده از تبدیل EMD نیز قابل پیاده شازی اند. البته ورژن اولیه روش EMD نقایصی خصوصا در زمینه   مقاوم بودن به نویز و شرایط ناپایا در خود دارد که در ورژن  های بعدی این تبدیل که تحت عنوان EMD تجمعی یا EEMD و EMD تجمعی تکامل یافته CEEMD مطرح شده اند برطرف شده است.

استخراج ویژگی با تبدیل هیلبرت


- استخراج ویژگی با استفاده از روش  های مدلسازی 
یکی از روش  های مهم در زمینه استخراج ویژگی از سیگنال  ها مربوط است به روشی که در آن ابتدا با استفاده از مدل  های ریاضی (که بیشتر در مبحث شناسایی سیستم از آنها یاد می  شود نظیر AR، ARMA، ARMAX در حالت  های خطی و غیرخطی (Nonlinear)) و یا مدل  های آماری نظیر مدل مخفی مارکوف (Hidden Markov Model) سیگنال را مدلسازی می  کنند و در آخر ضرایب این مدل  ها را به عنوان ویژگی  های استخراج شده از سیگنال مد نظر قرار می  دهند. استفاده از این روش خصوصا در زمینه  های پردازش صوت و گفتار، پردازش سیگنال EEG، پردازش سیگنال تغييرات نرخ ضربان قلب معروف به HRV، و پردازش سیگنال  های مربوط به تعادل افراد بر روی صفحه نیرو (Force Plate) در سالیان اخیر در مقالات زیادی به چشم می  خورد و مزایای زیادی از جمله مقاومت بالا به داده  های پرت و نویز را می  توان از جمله مشخصه های آن دانست. در برخی موارد به این ویژگی  ها، ویژگی  های مبتنی بر تحلیل سری زمانی نیز اتلاق می  شود.

سمینار ارتباط انسان و کامپیوتر bci


نوع خاصی از روش  های مدلسازی که در تئوری غیرخطی یا آشوب (Chaos) مورد بررسی قرار می  گیرند و در ادبیات موضوع عمدتا با نام مدلسازی و یا دینامیک غیرخطی خوانده می  شوند را در این مبحث به طور جداگانه مرور می  کنیم. این ویژگی ها که شاید پرکاربردترین آنها ویژگی آنتروپی سیگنال باشد نیز به کرات در سالیان اخیر در حوزه پردازش سیگنال مهندسی پزشکی مورد استفاده قرار گرفته  اند. پیچیده بودن، غیرقابل پیش بینی بودن آنها و ویژگی غیرایستا بودن همگی در مورد سیگنال  های حیاتی صدق می  کند و به همین دلیل بسیاری از محققین به دنبال این ویزگی  ها برای تشخیص  های پزشکی بوده اند. 
محققین از حوزه‌های مختلف علوم و مهندسی روش جدیدی برای توصیف پیچیدگی در طبیعت‌ گسترش داده‌اند. این روش با عنوان نظریه آشوب مطرح شده است. امروزه نظریه آشوب به عنوان یک روش قوی و مفید جهت بررسی سیستم  های پیچیده مطرح است و افق  های جدیدی را در فهم رفتار سیستم  های مکانیکی، سیستم  های صوتی، سیال  ها، سیستم  های شیمیائی، سیستم  های نوری، اکو سیستم  ها و سیستم  های زیستی باز کرده است، بطوریکه بسیاری آن را مهمترین کشف قرن بیستم بعد از نظریه نسبیت و مکانیک کوانتم می‌دانند. کاربرد نظریه آشوب در سیستم قلبی-عروقی، تنظیم حرارت بافت بیضه، سرطان سینه، نورولوژی، فیزیولوژی بالینی و ... از جمله مواردی است که با یک جستجوی ساده می  توان حجم کثیری از مطالعات اخیر در حوزه پردازش سیگنال پزشکی را مربوط به آنها دانست. از جمله ویژگی  های مطرح در این زمینه به غیر از میزان آنتروپی سیگنال که به آن اشاره شد، می  توان به بعد فراکتال، بعد اطلاعات، بعد همبستگی (Correlation Dimension)، نمای لیاپانوف، معیار پوآنکاره، تحلیل کمی بازگشت یا (RQA (Recurrence Quantification Analysis و تحلیل نوسان دترند شده یا (DFA (Detrended Fluctuation Analysis) اشاره نمود. 

استخراج ویژگی با استفاده از تئوری آشوب و دینامیک غیرخطی


5- طبقه بندی سیگنال  ها یا تشخیص 
پس از استخراج ویژگی مرحله آخر استفاده از مباحث یادگیری ماشین به منظور تکمیل نمودن چرخه تشخیص در پردازش سیگنال مطرح خواهد شد. این طبقه بندی (Classification) بر اساس ویژگی  های استخراج شده و شکاره کلاس مربوط به داده  ها انجام می  پذیرد و البته برحسب اینکه کلاس داده  ها به عنوان خروجی در دسترس باشد یا نباشد معمولا با نام  های کلاسه بندی و خوشه بندی تفکیک می  شود. روش  های شبکه عصبی MLP، شبکه عصبی خودسازمانده SOM، ماشین بردار پشتیبان SVM، شبکه فازی عصبی ANFIS، درخت تصمیم  گیری و ... همه و همه می  توانند در این قسمت بسته به نوع کار مورد استفاده قرار گیرند. مباحث تکمیلی در این زمینه را می  توانید در اینجا ملاحظه کنید. 


شبیه سازی مقاله svm و mlp


واریز وجه آنلاین

کلیک بر روی آیکون درگاه پرداخت (آیکون ATM زیر)
خرید آنلاین پروژه دانشجویی از درگاه آنلاین انجمن مکاریتم
میزان وجه پرداختی:  ريال
جهت ثبت درخواست پایان نامه، پروپوزال و ... بر روی موس کلیک نمائید 
ثبت درخواست پایان نامه پروپوزال مقاله ترجمه

از سری مطالب آموزشی مکاریتم به شماره 


شماره تلگرام موسسه مشاوره انجام پایان نامه انجمن مکاریتم
 ( مخصوص تلگرام ) 09198212843

شماره تماس موسسه مشاوره انجام پایان نامه انجمن مکاریتم
    02128421197

ایام و ساعات پاسخگویی تلفن

شنبه تا چهارشنبه 09:00 الی 18:00
پنج شنبه 09:00 الی 14:00
جمعه و تعطیلات رسمی پاسخگو نمی باشیم

ملاقات حضوری
از سامانه ثبت درخواست پروژه، تعیین وقت نمائید

جهت آشنایی با رویکرد مکاریتم به شرافت کاری مکاریتم مراجعه فرمائید



نظرات کاربران
  1. یک شنبه 3 مرداد 1395 پاسخ

    با سلام.من یه پایان نامه کیفی دارم که باید مصاحبه انجام بدم و از طریق نرم افزار maxqda تحلیل و کد گذاری کنم.که مصاحبه ها و متون فصل اول و دوم نوشته شده است.فقط از این به بعد که کدگذاری مصاحبه ها و خروجی ها و ادامه ان است نیاز به کمک دارم.میخواستم بدونم میتونین کمکم کنید؟

  2. چهارشنبه 17 شهریور 1395 پاسخ

    سلام یه پروژه می خواستم با موضوع : بررسی انواع الگوریتم مربوط به سیگنال قلب (ecg) و پردازش آنها

  3. چهارشنبه 28 مهر 1395 پاسخ

    سلام پایان نامه میخواستم در مورد تجزیه و تحلیل مدهای کاری اینورتورهای دلتا

نظر خود را درباره این مطلب ارسال کنید
 
 
 
 





فیسبوک موسسه انجام پایان نامه مکاریتم View Association of Mecharithm's LinkedIn profile لینکدین موسسه انجام پایان نامه مکاریتم View Mecharithm Associatoion's LinkedIn profile موسسه انجام پایان نامه و رساله دکتری Instagram Instagram