کنترل اندام های مصنوعی می تواند از طریق تفکیک الگوهای تصورحرکت با استفاده ازسیگنال های الکتروانسفالوگرافی (EEG) انجام شود. هدف از انجام این مطالعه تشخیص تصور حرکات دست و پا برمبنای سیگنال EEG است. مجموعه آزمون های IVA از داده های BCI Competition IIIکه شامل سیگنال های EEG ثبت شده از 5 فرد سالم و در سه کانال C3، C4 و CZ است، برای طراحی سیستم تشخیص حرکات تصور شده به کار رفت. در ابتدا، با استفاده از روش تحلیل مولفه ی اصلی چند مقیاسی (MSPCA) اجزای اساسی نویز سیگنال EEG حذف شدند. در مرحله ی بعد، سیگنال های EEG با دو روش مختلف شامل فیلترینگ فرکانسی با استفاده از فیلتر باترورث و روش تبدیل بسته ویولت (WPT) به بخش هایی تجزیه شدند. در این مطالعه، تجزیه ‌و تحلیل نوسانات تفکیک‌شده، بعد فرکتال، بعد همبستگی، پیچیدگی لیمپل-زیو و آنتروپی به عنوان ویژگی های دینامیکی برای سیگنال ها محاسبه شدند. ویژگی های مورد نظر در هر دو روش تجزیه، برای نسخه زمانی زیرباندهای تعیین شده محاسبه شدند. به منظور تعیین بهترین عملکرد سیستم، ترکیب های متفاوتی از کانال ها و ویژگی ها مورد ارزیابی قرار گرفتند. روش تجزیه بر مبنای تبدیل ویولت، درحالت استفاده از هر سه کانال و پنج ویژگی، بالاترین دقت تشخیص را ارایه کرد؛ به گونه ای که با استفاده از روش طبقه بندی ماشین بردار پشتیبان (SVM)، دقت 93 درصد در شناسایی حرکات مورد نظر به دست آمد. تفاصيل المقالة

اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد می‌شود. این بیماری بیشتر درکودکان دیده می‌شود و به‌طور مستقیم منجر به ناتوانی آن‌ها در یادگیری می‌شود. هدف این مطالعه، ارایه سیستمی به‌منظور شناسایی دقیق‌تر بیماران ADHD با استفاده از ویژگی‌های برمبنای موجک سیگنال‌های مغزی (EEG) است. سیگنال‌های EEG ثبت شده از 61 کودک ADHD (شناسایی شده بر مبنای معیار DSM-IV) و60 کودک سالم به عنوان گروه کنترل در محدوده سنی 7-12 سال برای طراحی سیستم مورد استفاده قرارگرفتند. در روش پیشنهادی، سیگنال‌های EEG با اعمال تبدیل موجک به زیرباندهایی تجزیه شدند؛ و برای نسخه زمانی سیگنال‌ها در هر زیرباند، ویژگی‌های زمانی و آماری محاسبه شدند. مجموعه ویژگی کاهش یافته با روش تحلیل مولفه اصلی (PCA) سپس برای آموزش واحد طبقه‌بندی به منظور شناسایی بیماران ADHD از افراد سالم به‌کار رفت. برای کسب نتایج مطلوب، انواع مختلف توابع موجک و سطوح تجزیه مورد بررسی قرارگرفتند. تابع موجک bior3.1با روش طبقه‌بندی ماشین بردار پشتیبان (SVM)و تابع موجک rbio1.1 با روش طبقه‌بندی k نزدیکترین همسایه (kNN) با کسب دقت‌های شناسایی به‌ترتیب 98.33 و 99.17 درصد، بهترین عملکرد را ارایه کردند. روش طبقه‌بندی SVM با تابع کرنل پایه شعاعی (RBF) و روش kNN با تعداد همسایگی k=3 بهترین نتایج را کسب کردند. نتایج به‌دست آمده در این مطالعه، در مقایسه با نتایج گزارش شده در مطالعات قبلی حداقل 2 درصد بهبود در دقت شناسایی بیماران ADHD را نشان دادند. تفاصيل المقالة

در این مطالعه سعی بر آن است که مدل کاملی از عضله اسکلتی ارایه شود؛ با این هدف که گویای رفتار آن به طور دقیق باشد. این مدل با در نظر گرفتن نقش گیرنده‌های حسی دوک عضلانی و گلژی تاندون در عملکرد عضله ارایه می‌شود. دوک عضلانی و گلژی تاندون به ترتیب اطلاعاتی در مورد تغییرات طول و نیروی عضله تولید می‌کنند. این داده ها سپس به مغز و نخاع ارسال شده و آنها را از وضعیت فعلی عضله مطلع و در ارسال فرامین حرکتی برای عضله کمک می کنند. در این مطالعه ترکیب تطبیقی آوران های دوک و گلژی، با توجه به تغییر در سطح فعالیت آنها و نیروی تولید شده در عضله در شرایط مختلف عملکردی، پیشنهاد شده است. درنظر گرفتن بازخوردهای کنترلی آورانها در مدلسازی ارایه شده می تواند رفتار مطلوب و دقیق عضله را تحت بارهای مختلف ارایه و محدودیت های مدل های پیشین را برطرف کند. نتایج مدل پیشنهاد شده با توجه به مدلسازی دقیق گیرنده‌های حسی و اجزای مختلف عضله اسکلتی، با نتایج تجربی مطابقت داشته است. این مدل می‌تواند برای پیشگویی رفتار عضله در شرایط مختلف عملکردی، جلوگیری از آسیب‌های سیستم عصبی-عضلانی و همچنین طراحی عضلات مصنوعی و پروتزهای مختلف به کار رود. تفاصيل المقالة

تشخیص و کنترل سطح استرس در رانندگان به منظور کاهش خطرات ناشی از آن، از اهمیت ویژه ای برخوردار است. در این مطالعه سیستمی برای تشخیص چهار سطح استرس کم، متوسط، زیاد و خیلی زیاد در رانندگان براساس سیگنال های فیزیولوژیکی ارائه شده است. در روش پیشنهادی از پایگاه داده drivedb استفاده شده که شامل ثبت سیگنال های فیزیولوژیکی از هفده نفر داوطلب سالم هنگام رانندگی در مسیرهای مشخص از جمله خیابان های شهر و بزرگراه است. مجموعه ای از ویژگی های آماری و آنتروپی به همراه ویژگی های ریخت شناسی که فقط برای سیگنال ECG محاسبه شدند، به کار رفته است. ویژگی های تعیین شده به عنوان ورودی واحدهای طبقه بندی برای تشخیص سطوح استرس اعمال شدند. ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و درخت تصمیم (DT) به عنوان روش های طبقه بندی مورد ارزیابی قرار گرفتند. هدف اصلی این مطالعه، بهبود دقت تشخیص سطوح استرس با استفاده از ایده همجوشی در سطح نتایج واحدهای طبقه بندی است. به این منظور ترکیب واحدهای طبقه بندی منفرد، که هرکدام تنها از ویژگی های یکی از سیگنال های قلبی (ECG)، عضلات (EMG) و هدایت پوست (GSR) بهره گرفتند، توسط روش دمپستر-شفر انجام شد. با انتخاب ویژگی های مؤثر با الگوریتم ژنتیک، طبقه بندی کننده SVM و روش همجوشی دمپستر-شفر، بهترین دقت تشخیص سطوح استرس برابر با 9/96 درصد به دست آمد. در حالی که بالاترین دقت تشخیص بین طبقه بندهای منفرد 75 درصد بود و توسط زیر سیستمی که از ویژگی های سیگنال ECG استفاده کرده بود به دست آمد. نتایج به دست آمده عملکرد قابل توجه روش پیشنهادی را نسبت به مطالعات گذشته که از مجموعه داده مشابه استفاده کرده اند، نشان می دهد. تفاصيل المقالة