جستجوی مقالات مرتبط با کلیدواژه « سیگنال مغزی » در نشریات گروه « پزشکی »

انتخاب همه

استخراج دینامیک سیگنال مغزی در حالت های مختلف بیهوشی به کمک تحلیل طرح پوآنکاره

سیدعابد حسینی*

فصلنامه بیهوشی و درد، سال هشتم شماره 4 (زمستان 1396)، صص 23 -36

زمینه و هدف
طرح پوآنکاره، طول و عرض آن به عنوان معیاری از تغییرات کوتاه مدت سیگنال مغزی ( پژوهش به ارزیابی اثر تاخیر بر تغییرات عرض طرح پوآنکاره در سیگنال مغزی در حالت های مختلف بیهوشی می پردازد.
مواد و روش ها
طرح های پوآنکاره با تاخیرهای یک تا شش در سه مجموعه داده در حالت های بیداری، بیهوشی سبک و بیهوشی محاسبه شده است. SD2 و SD1 عمومی رسم شده است و برای هر داده عرض طرح پوآنکاره به کمک مشخصه های
یافته ها
نتایج نشان می دهد در هنگام بیهوشی عمومی عرض طرح های پوآنکاره با افزایش تاخیر زیاد می شود. در هنگام بیهوشی حاصل شده است. همچنین در هنگام بیهوشی طرح 15/9±0/8 و با تاخیر شش 8/1±1/2 عرض طرح پوآنکاره با اعمال تاخیر واحد نسبت SD1 پوآنکاره به مقادیر پایین تر شیفت می یابد. همچنین نشان داده شد در حالت بیهوشی عمومی با افزایش تاخیر، نرخ افزایش به حالت های قبلی نظیر بیهوشی سبک و بیداری بالاتر است.
نتیجه گیری
سادگی محاسبه عرض طرح پوآنکاره و انطباق آن با ماهیت آشوبناک سیگنال های حیاتی می تواند در ارزیابی سیگنال مغزی در حالت های مختلف بیهوشی مفید فایده باشد.

کلید واژگان: بازنمایی فضای فاز, سیگنال مغزی, طرح پوآنکاره, بیهوشی}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Extraction of Dynamic in Brain Signal at Different Anesthesia States using Poincare Plot Analysis

Seyyed Abed Hosseini*

Journal of Anesthesiology and Pain, Volume:8 Issue: 4, 2018, PP 23 -36

Aims and
Background
Poincare plot and its length and width are known as a criterion for short-term variations of electroencephalogram signals )EEGs(. This study evaluates the effect of time delay on changes in the width of the Poincare plot in brain signal during different anesthesia states.
Materials And Methods
Poincare plots are drawn with one to six delay in three sets, including awake state, light anesthesia, and general anesthesia, and also for each data, the width of the Poincare plot is calculated using the SD1 and SD2characteristics. Findings: The results show that during general anesthesia, the width of the Poincare plot increases with increasing latency. During anesthesia, the width of the Poincare plot is achieved by applying a unit delay of 8.1 ± 1.2 and a six-unit delay of 15.9 ± 0.8. Also, the Poincare plot is shifted to lower values during anesthesia. It is also shown that with increasing delay in general anesthesia, the SD1 value increase rate is higher than the previous ones, such as light anesthesia and awake state.
Conclusion
Simplicity of calculating the width of the Poincare plot and its adaptation to the chaotic nature of vital signals can be useful in evaluating the brain signal in different states of anesthesia.

Keywords: Phase space representation, EEG signal, Poincare plot, Anesthesia}

Abstract View Paper Research/Original Article Original: Persian
تشخیص آپنه بر اساس آنالیز تغییر پذیری فرکتالی سیگنال الکتروانسفالوگرافی مغز در بیماران مبتلا به آپنه حین خواب

پیمان نظری، محسن فروغی فر، تارا غفاری، شراره داریانی، محمدرضا رئوفی*

فصلنامه نفس، سال یکم شماره 4 (زمستان 1393)، ص 8

بیماری آپنه درحین خواب یکی از اختلالات شایع خواب به شمار می آید که موجب عدم امکان تنفس مناسب در حین خواب می شود و اثرات مخرب مستقیم و همچنین جانبی بر روی بدن انسان دارد. در حال حاضر آزمون پلی سمنوگرافی روش استاندارد تشخیص آپنه انسدادی خواب است. پلی سمنوگرافی یک آزمون تشخیصی گران قیمت است زیرا نیاز به بستری شدن بیمار به مدت یک شب در آزمایشگاه خواب و حضور افراد متخصص برای تشخیص دارد. با توجه به پیچیدگی و هزینه بالای این آزمون، تاکنون تلاش هایی برای توصیف وقفه های تنفسی از طریق تغییرات ضربان قلب و الکتروانسفالوگرام که در ثبت های معمول سیگنال قابل مشاهده می باشد انجام شده است. از آنجاییکه ریتم های بدن انسان الگویی آشوب گونه و رفتاری غیر خطی و ناپایدار دارند، خواص آن ها در طول زمان تغییر می کند. آنالیز غیرخطی پارامترهای بدن اطلاعات ارزشمندی را درباره رفتار بدن به هنگام بیماری و مقایسه آن با حالت نرمال جهت بررسی دقیق تر ماهیت و علل پاتوفیزیولوژیک بیماری ها در اختیار محققان قرار می دهد. هدف از انجام این تحقیق، تشخیص زمان های رخداد آپنه از طریق سیگنال الکتروانسفالوگراف (EEG) می باشد. در این مطالعه، تحلیل نوسانات بی رونده شده (DFA) که یک روش آنالیز غیرخطی است، جهت بررسی EEG در زمان آپنه بر روی مغز به کار گرفته شد. پس از انجام مرحله پیش پردازش جهت حذف نویز و آرتیفکت، بازه های خواب سالم و آپنه از یکدیگر تفکیک و میزان تغییرپذیری فرکتالی محاسبه شد. مشاهدات نشان میدهند که بین ساختارهای فرکتالی در هنگام وقوع آپنه و خواب سالم در مراحل یک و دو خواب non-REM و همچنین در خواب REM، تفاوت معناداری وجود دارد (P<0/05). بنابراین میتوان نتیجه گرفت که آپنه بر روی فعالیتهای قشر مغز اثرگذار بوده و با استفاده از تغییرپذیری فرکتالی ایجاد شده در EEG، میتوان زمان آپنه را تشخیص داد. همچنین با توجه به اینکه تغییرات ساختار فرکتالی قبل از وقوع آپنه نمایان میشوند، میتوان با استفاده از آنالیز نوسانات بیرونده شده سیگنال EEG، آپنه را پیش از وقوع آن پیش بینی کرد.

کلید واژگان: آپنه, تحلیل نوسانات بی رونده شده, سیگنال مغزی, آنالیز غیرخطی}

چکیده مشاهده متن زبان: فارسی

Diagnosis of Sleep Apnea Based on Fractal Variability Analysis of EEG Signals in Patients with Obstructive Sleep Apnea

Peyman Nazari, Mohsen Foroughifar, Tara Ghafari, Sharareh Dariani, Mohammad Reza Raoufy*

Nafas Journal, Volume:1 Issue: 4, 2015, P 8

Sleep apnea is a common sleep disorder which is characterized by pauses or instances of infrequent breathing during sleep. Several efforts have been made to detect breathing pauses using HRV (Heart Rate Variability) and EEG (Electroencephalography) signals. As physiological rhythms have chaotic patterns with nonlinear behavior, nonlinear analysis of these characteristics in healthy and diseased conditions provides important information about the pathophysiology of diseases. The aim of this paper is to diagnose sleep apnea using Detrended Fluctuation Analysis (DFA) of EEG signals. After noise and artifact elimination, we separated healthy sleep periods from apnea and calculated DFA for each of them. They were significantly different in stages 1 and 2 of non-REM sleep as well as REM sleep (P<0.05). Since fractal alterations of EEG happen before breathing pauses, apnea is predictable with DFA analysis of EEG signals before it actually happens.

Keywords: Apnea, Detrended Fluctuation Analysis, Electroencephalography, Non, linear analysis}

Abstract View Paper Original: Persian
تشخیص تشنج در کودکان مبتنی بر مدل سازی الکتروانسفاگرافی با مدل فرآیند گوسی

زهرا امینی، حسین ربانی *

مجله دانشکده پزشکی اصفهان، پیاپی 243 (هفته اول شهریور 1392)، صص 985 -996

مقدمه

تشنج یکی از علل شایع بستری شدن کودکان در بیمارستان ها می باشد و چون به علل مختلفی عارض می شود، می تواند عوارض متفاوتی را در میان بیماران نشان دهد. با توجه به اهمیت تشخیص صحیح تشنج، هدف این مقاله یافتن روشی قابل اعتماد برای تشخیص تشنج بود.

روش ها

بدین منظور از مدل سازی فرآیند گوسی (Gaussian process یا GP) استفاده گردید و با آموزش مدل با استفاده از سیگنال های EEG (Electroencephalography) ثبت شده از چند کودک 5/1 تا 16 ساله ی بیمار، به تشخیص رخداد تشنج پرداخته شد. در این روش پس از مدل کردن سیگنال با مدل GP، دو معیار واریانس پیش گویی و نسبت دامنه ی دو پارامتر از مدل به عنوان معیارهای کارا برای تشخیص تشنج استخراج گردیدند و با استفاده از این فرض که سیگنال EEG تشنجی، سیگنالی ریتمیک و تا حدودی معین است، با بررسی تغییرات این دو معیار در دو حالت بدون تشنج و با تشنج تشخیص تشنج داده شد.

یافته ها

پس از مدل کردن سیگنال با مدل GP، دو معیار واریانس پیش گویی شده و نسبت دامنه ی برای هر خروجی مدل استخراج گردید. نتایج نشان داد که در زمان رخداد تشنج، واریانس پیش گویی به شدت کاهش یافت و نسبت دامنه ی افزایش یافت.

نتیجه گیری

نتایج این مطالعه نشان داد که دو معیار استفاده شده، برای تشخیص تشنج مناسب هستند. هر چند میزان موفقیت معیار دوم در تشخیص تشنج نسبت به روش واریانس پیش گویی کمتر است، اما حسن این روش در مواردی مثل پایدار بودن در مقابل تغییرات انتخاب مرتبه ی مدل است.

کلید واژگان: تشخیص تشنج, مدل فرآیند گوسی, سیگنال مغزی, الکتروانسفالوگرافی}

چکیده مشاهده متن زبان: فارسی

Seizure Diagnosis in Children based on the Electroencephalogram Modellind by Gaussian Process Model

Zahra Amini, Hossein Rabbani

Journal Of Isfahan Medical School, Volume:31 Issue: 243, 2013, PP 985 -996

Background

A seizure is the physical findings or changes in behavior occur after an episode of abnormal electrical activity in the brain. Seizures may interfere with cardiorespiratory function and with nutrition and may have detrimental long-term effects on cerebral development. Electroencephalogram (EEG) is essential in diagnosis and management of seizures. Automatic seizure detection is very important in clinical practice and has to be achieved by analyzing the EEG.

Methods

For automatic seizure detection، we used Gaussian process (GP) model and train it on the EEG signals recorded from some children between the ages of 1. 5 to 16 years. After modeling EEG signal by GP model، two measures of output signal were derived: the variance of the predicted signal and the hyperparameter ratio. It was based on the hypotheses that because the EEG signal during seizure events is more deterministic and rhythmic، we can use the changing of these two criteria for seizure detection.

Findings

During seizure events، the variance of the model output signal reduced and the hayperparameter ratio increased. The second measure was less successful but it had other advantages like robustness to model order selection.

Conclusion

The GP modeling is a good method for seizure detection. Important objectives are to perform this detection as quickly، efficiently and accurately as possible. In this method، decisions are made accurate and with negligible delay. Keywords: Seizure detection، Gaussian process (GP) model، Electroencephalogram (EEG) signal

Abstract View Paper Original: Persian
طراحی و پیاده سازی سیستم دروغ سنجی مبتنی بر سیگنال الکتروانسفالوگرافی (EEG)

الیاس ابراهیم زاده، سید محمد علوی، فرشید صمصامی خداداد

مجله پژوهش علوم سلامت و نظامی، سال یازدهم شماره 1 (پیاپی 41، بهار 1392)، صص 20 -26

سابقه و هدف
در روش های دروغ سنجی مغزی که در سال های اخیر به عنوان یک جایگزین برای سیستم های دروغ سنجی کلاسیک مطرح شده اند، کارتشخیص بین افراد راستگو و دروغگو با بررسی سیگنال های مغزی ثبت شده در طی آزمون خاص دروغ سنجی انجام می شود. این مقاله با هدف بالا بردن کارایی و ارائه روشی توانمند به منظور تشخیص فرد گناه کار در سیستم های دروغ سنجی با استفاده از سیگنال های مغزی ارائه شده است.
مواد و روش ها
روش استفاده شده مبتنی براستخراج مولفه شناختی P300 از سیگنال مغزی است. بدین منظور ابتدا پروتکل آزمون بر اساس روش Odd-ball (باز شناسی چهره مخفی شده) طراحی گردید. این آزمون بر روی 16 فرد اجرا شد و سیگنال های مغزی آنها ثبت گردید. سپس، بعد از پیش پردازش به استخراج دامنه P300 از سیگنال مغزی هریک از افراد و در نهایت از طریق روش مقایسه دامنه Bootstrapped Amplitude Difference (BAD) به جدا سازی افراد گناه کار و بی گناه پرداخته شده است.

یافته ها
نتایج نشان می دهند که روش پیشنهادی 7 فرد از میان 8 فرد گناه کار و 8 فرد از میان 8 فرد بی گناه را به طور صحیح تشخیص داده است وصحت 75/93 % را گزارش می کنند بنا بر این روش پیشنهادی توانمندی لازم جهت تمایز بین افراد خطا کار و بی گناه را داراست.
بحث و نتیجه گیری
غنای اطلاعاتی بالای سیگنالهای مغزی و ارتباط مستقیم آنها با فعالیتهای شناختی مغز، و همچنین توانمندی روش پیشنهادی با توجه به نتایج بدست آمده، دلایل کافی جهت استفاده از چنین روشی برای تشخیص فرد گناه کار از بی گناه را فراهم می آورد. علاوه بر این، میزان توانایی فرد برایکنترل پارامترهای سیگنال مغزی و ایجاد حالات دروغین نیزدر این روش کمتر از روش های قبلی است.

کلید واژگان: سیستم دروغ سنجی, سیگنال مغزی, مولفه شناختی P300}

چکیده مشاهده متن زبان: فارسی

Implementation and Designing of Line-Detection System Based on Electroencephalography (EEG)

E. Ebrahimzadeh, S.M. Alavi, F. Samsami Khodadad

Annals of Military and Health Sciences Research, Volume:11 Issue: 1, 2013, PP 20 -26

Background
In Brain-based lie detection systems which have been recently introduced as substitutes for classic lie detection systems، the procedure for recognition of guilty and innocent subjects is done by inspection of brain signals which are acquired during the specific Polygraph test. With the aim of increasing the performance، this paper presents a powerful method for detection of Guilty persons in lie detection systems using brain signals.
Materials And Methods
It was an experimental study. The employed method is based on the extraction of P300 components from brain signals. In this way، the test protocol was designed based on Odd-ball method، firstly. This test was done on 16 people and their brain signals were acquired. After preprocessing، P300 amplitude was extracted for each person from brain signals، and finally Guilty and Innocent persons were classified by comparing amplitude through Bootstrapped Amplitude Difference (BAD) method.
Results
The obtained results show that the proposed method has detected correctly 7 out of 8 guilty persons and 8 out of 8 innocent persons. Also، the validated results show the promise of the proposed approach in discrimination of guilty subjects from innocent subjects by the accuracy of 93. 75%.
Conclusions
Knowing the existence of precious information in brain signals and their relation with brain''s cognitive activities and also considering the performance of the proposed method، there are enough reasons to use the proposed approach for detection of guilty persons from innocent ones. Further، in comparison with previous methods، the impact of man ability to control brain signal parametersand creating incorrect feelings has been reduced through the proposed method.

Keywords: Lie Detection, Electroencephalography, Event, Related Potentials, P300}

Abstract View Paper Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « سیگنال مغزی » در نشریات گروه « پزشکی »