فهرست مطالب

فصلنامه مهندسی پزشکی زیستی
سال سیزدهم شماره 3 (پاییز 1398)

  • تاریخ انتشار: 1398/07/01
  • تعداد عناوین: 7
|
  • سعید قدسی، هدی محمدزاده*، حمید آقاجان صفحات 193-212

    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.

    کلیدواژگان: علوم اعصاب محاسباتی، پیش بینی تشنج، اتصالات کارکردی و موثر، یادگیری ماشین
  • سبحان شیخی وند، سحرانه قائمی* صفحات 213-226

    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

    کلیدواژگان: تبدیل موجک گسسته، شناسایی خودکار مراحل خواب، الگوریتم بهینه سازی کلونی مورچگان، RUSBoost
  • فرید صابری *، مهدی افتخاری، مهلا ده تقی زاده صفحات 227-239

    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.

    کلیدواژگان: انتخاب ویژگی، یادگیری زیرفضا، تجزیه ماتریسی، داده های میکرو-آرایه ای DNA
  • هادی سلطانی زاده*، امیر بابااوغلی صفحات 241-254

    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، اهمیت پیدا کرده است. روش تصویربرداری مقطع نگاری همدوسی اپتیکی، دقت 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 دقت 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 دقت، حساسیت و خاصیت سیستم پیاده سازی شده، 100 درصد، اندازه گیری شد.

    کلیدواژگان: پردازش تصویر، مقطع نگاری همدوسی اپتیکی، دژنراسیون وابسته به سن ماکولا، هیستوگرام گرادیان های جهت دار، تحلیل مولفه اصلی، طبقه بندی گروهی
  • سیده سمیه نقیبی، علی فلاح*، علی مالکی، فرناز قاسمی صفحات 255-267

    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.

    کلیدواژگان: زیرحرکت، دست رسانی، شبکه عصبی، کمینه جرک، جبران خطا، بازتوانی
  • ملیحه مولایی*، رضا آقایی زاده صفحات 269-282

    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.

    کلیدواژگان: بخش بندی همزمان، ماهیچه های ران، روش چند-اطلس، FRFCM، تصاویر سی تی اسکن
  • سمیرا رضوانی، سجاد محمدعلی نژاد*، رضا قاسمی صفحات 283-300

    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.

    کلیدواژگان: صرع، قشر مخ، اپتوژنتیک، کنترل کننده مدلغزشی انتگرالی فراپیچشی زمان معین
|
  • Saeed Ghodsi, Hoda Mohammadzade *, Hamid Aghajan Pages 193-212

    Different perceptual, cognitive, and emotional situations results in a kind of information flow in the brain by means of coordinated neuronal oscillations. Analysing these oscillations, especially synchronizations of different brain regions, can illustrate the brains response in the aforementioned situations. In the literature, connectivity between brain regions is divided into the three groups of structural, effective, and functional, s.t. the first one refers to the connectivity between nearby regions, while the second and third ones focus on the synchronization of oscillations of arbitrary located regions. Although EEG is not the best choice for analyzing functional and effective connectivity between brain regions due to its relatively poor spatial resolution, extracting its statistical features may be helpful in the analysis of synchronization of brain oscillations. In this paper, a novel framework for the prediction of seizure occurrence using EEG signals is proposed which utilizes the Granger causality approach in frequency domain to measure synchronization of EEG signals in the Inter-ictal and Pre-ictal time periods. Afterwards, a Logistic Regression classifier with Lasso regularization is used to discriminate the samples extracted from these two periods. At last, if a predefined number of consecutive samples are labled as Pre-ictals, a seizure occurrence alarm is issued. Experimental simulations on the CHB-MIT dataset resulted in 95.03% sensitivity and 0.14/hour false prediction rate, for 10min prediction horizon, which demonstrates effectiveness of our proposed method compared to the state-of-the-arts.

    Keywords: Computational Neuroscience, Seizure Prediction, Functional, Effective Connectivity, Machine Learning
  • Sobhan Sheykhivand, Sehraneh Ghaemi * Pages 213-226

    The automatic classification of sleep stages is essential for the timely detection of disorders and the sleep-related studires. In this paper, a single-channel EEG-based algorithm is used to automatically identify the sleep stages using discrete wavelet transform and the hybrid model of ant colony optimiser and the neural network based on RUSBoost. The signal is decomposed using a discrete wavelet transform into four levels and statistical properties of each level is calculated. To optimize and reduce the dimensions of feature vectors, the hybrid model of ant colony optimizer algorithm and the multi-layered neural network are used. Then ANOVA test is applied to validate the selected features. Finally the classification is performed on RUSBoost, which provides an average of 90% classification accuracy for 2 to 6-class classification of different steps of sleep EEG. Suggesting that the proposed method has higher degree of success in classifying sleep stages compared to the existing methods.

    Keywords: Discrete wavelet transform, Automatic Sleep Stage Detection, Ant colony optimization algorithm, RUSBoost
  • Farid Saberi *, Mahdi Eftekhari, Mahla Dehtaghi Zadeh Pages 227-239

    DNA micro-array datasets play crucial role in machine learning and recognition of various kinds of cancer structures. Micro-array datasets are typically characterized by the high number of features and the small number of samples. Such problems may result in overfitting and low prediction accuracy of classifiers due to the irrelevant features, and therefore, they are considered as a challenging task in machine learning. The direct way to deal with such challenges is dimensionality reduction of data. In this regard, feature selection method acts as an effective solution for dimensinality reduction and increasing efficiency of learning algorithms. In this paper, by using the concept of “the basis for the DNA micro-array datasets”, a new feature selection method is introduced. To be more specific, rather than utilizing the entire micro-array dataset for tackling the problem of feature selection, a basis that is a much more smaller subset of the micro-array dataset is used. This method is based on subspace learning and matrix factorization. Finally, by making use of the DNA micro-array datasets, the effectiveness of the proposed method is evaluated, and the obtained results are compared with some state-of-the-art supervised feature selection methods.

    Keywords: feature selection, Subspace learning, Matrix factorization, DNA micro-array datasets
  • Hadi Soltanizadeh *, Amir Babaoghli Pages 241-254

    Diseases associated with the retina and macula of the eye, causing permanent loss of vision or a great deal of loss of vision in people, leads to a decrease in the quality of life and a lot of problems in daily life. For this reason, the timely and correct identification of these diseases and disorders has become important. The optical coherence tomography imaging method provides high precision in imaging and good information about the depth of the retina. This imaging technique is a great help in the accurate identification of macular-related diseases. Age-related macular degeneration is one of the most common retinal diseases. The purpose of this study is to design and implement a system that is reliable and fast and can detect the age-related macular degeneration by using optical coherence tomography image processing accurately and accurately and quickly. In these studies, histograms of orientational gradients and principal component analysis for extraction of features and AdaBoost ensemble classification method have been used to classify the data. The database used includes 269 patients and 115 healthy people. All three indicators of accuracy, sensitivity and specificity of the implemented system were measured at 100%.

    Keywords: image processing, Optical coherence tomography, Age related macular degeneration, Histogram of oriented gradients, Principal Component Analysis, Ensemble Classification, AdaBoost
  • Seyedeh Somayeh Naghibi, Ali Fallah *, Ali Maleki, Farnaz Ghassemi Pages 255-267

    The correct prediction of the optimal motor trajectory is necessary for movement rehabilitation and control systems such as functional electrical stimulation and robotic therapy. It seems that human reaching movements are composed of a set of submovements, each of which is a correction of the overall movement trajectory. Therefore, it is possible to interpret complex movements, learning, adaptability and other features of the motion control system using submovements. The purpose of this study was to predict and generate planar reaching movements using a realistic model similar to the actual mechanism of human movement and based on the submovement.The data used consists of different replications of four types of planar movement Performed by three healthy subjects. After the preprocessing and phasing, the movements decomposed to minimum-jerk submovement. In the next step, the training of three distinct neural networks was carried out to learn the submovement parameters including the amplitude, duration, and initiation time. Finally, the ANNs were combined to form a closed-loop model that generated accurate reaching movements based on the error correction. The target access rate for all predicted movements by the closed-loop model was 100%. Also, the mean distance to the target, the VAF, and the mean MSE error between the predicted and main movement trajectory showed that the predicted movements are a good approximation of the main movements. The results showed that when trained neural networks with submovements, were placed in a closed-loop model, they were able to predict proper submovements for complete access to targets due to the compensation of propagated errors from the previous steps. The results of this study can be used to improve motor rehabilitation methods.

    Keywords: Submovement, Reaching, Neural network, Minimum Jerk, Error Correction, rehabilitation
  • Malihe Molaie *, Reza Aghaeizadeh Pages 269-282

    Quantifying and modeling of the skeletal muscles can lead to an easier investigation of muscle diseases, specific mobility problems, and required simulations for the relevant surgeries. To this end, medical images should be segmented, firstly. In this research, thigh muscles segmentation is performed in CT images, since these muscles play a critical role in walking and balancing the body. To this aim, a multi-atlas method is used which is an improvement of the hierarchical multi-atlas method in the previous work. In this method, the muscles region is extracted automatically from the other tissues using FRFCM (Fast and Robust Fuzzy C-Means Clustering) method after the preprocessing stage. This muscle binary mask and the improved mask are used in the multi-atlas method for individual muscle segmentation. The proposed method is implemented using 20 CT data sets consisting of 12 female and 8 male subjects. The results show a less consumed computational time than the hierarchical multi-atlas method. The average computational time required for the muscles segmentation using the proposed method is 24 seconds and for the hierarchical multi-atlas method is 71 seconds per one slice of each case. Therefore, the proposed method reduces the implementation time by a rough factor of three. The means of the Dice similarity coefficient for the proposed method with improved muscle mask and for the hierarchical multi-atlas method are 86.58±7.69 and 83.07±8.26, respectively. The means of the precision and sensitivity for our method are 89.78±9.6 and 84.63±9.25, and for the hierarchical multi-atlas method are 88.85±12.04 and 78.04±10.88. Consequently, this method has better results based on the Dice similarity coefficient, precision, and sensitivity metrics.

    Keywords: Concurrent segmentation, Thigh muscles, Multi-atlas method, FRFCM, CT scan images
  • Samira Rezvani Ardakani, Sajad Mohammadalinezhad *, Reza Ghasemi Pages 283-300

    Epilepsy is one of the most important neurological disorders in the world. In order to suppress epileptic seizures, various control algorithms have been used. Time to control and reduce attacks and robustness of the controller against variations of pathologic parameters and unwanted oscillations are important to control epileptic seizure. In order to consider these requirements and considering that one of the methods used to suppress epileptic waves is the change in mean soma (electric) potential of the excitatory neurons, this paper applies a fixed-time integral super twisting sliding mode controller to the combination of cortical and optogenetic models. First, the ion current produced in ion channels in optogenetic method is applied to the state variable of the mean electric potential of the excitatory neurons of the cortical model and the cortical and optogenetic models are combined and the controlled voltage applied to the system is applied to neurons of the epileptic zone of the brain as optic photons via the optogenetic model. Then, the mentioned controller is applied to the hybrid model so that the healthy model is tracked by the epileptic model in a fixed time. Finally, using the fixed-time integral super twisting sliding mode controller, the convergence error of the epileptic state to the healthy state has become zero. The amplitude of the control signal is reduced compared to the classic sliding mode control and technical problems and unwanted oscillations which are the shortcomings of the classic sliding mode controller are resolved.

    Keywords: Epilepsy, cortical model, optogenetic, the fixed time integral super twisting sliding mode controller