انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Application of Fuzzy Evidential Network as Low Birth Weight Prognosis Modelبهکارگیری شبکههای فازی شواهدی بهعنوان مدل پیشآگهی کموزنی نوزاد هنگام تولد1972092800710.22041/ijbme.2017.69530.1245FAامین جانقربانیدانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهرانمحمد حسن مرادیاستاد، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهرانJournal Article20170806Babies are born under 2,500 g., defined as low birth weight (LBW) babies. They are exposed to the higher risks of mortality, congenital malformations, mental retardation, and other physical and neurological impairments. 15.5 % of births around the world are LBW. Reduction of the rate of LBW births to one-third is one of the aims of United Nations Children’s Fund program. Prognosis of LBW births can play a critical role in the reduction of these cases. Also, it helps clinicians to make timely and efficient clinical decisions to save these babies' life. In this study, a hybrid framework called fuzzy evidential network with a good ability to manage different aspects of uncertainty is a selected as the LBW prognosis model. The accuracy of prognosis and the performance of the fuzzy evidential network in the management of missing values of the clinical database were investigated and compared with well-known prognosis models of LBW. The results showed that the fuzzy evidential network has higher prognosis accuracy (84.8%) than other prognosis models. On the other hand, the fusion of naïve Bayes and the fuzzy evidential network outputs resulted in higher prognosis accuracy (85.2%). In addition, the fuzzy evidential network performance in the management of uncertainty induced by imputation method, was better than other prognosis models of this study. The performance loss of this framework as the results of the missing data increment, is less than other models.<span lang="FA">نوزادان کموزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگومیر، ناهنجاریهای مادرزادی، عقبماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یکسوم مقدار فعلی، بهعنوان یکی از اهداف برنامة یونیسف مطرح شده است. با توجه به موارد ذکرشده، پیشآگهی تولد این نوزادان، نقش مهمی در پیشگیری از وقوع آن دارد. بهعلاوه ، زمینه را برای تصمیمگیریهای بالینی بهموقع و مؤثر برای حفظ سلامت آنان فراهم میآورد. در این پژوهش، از شبکههای فازی شواهدی، بهعنوان مدل پیشآگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد این شبکهها با استفاده از منطق فازی و تئوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج بهدستآمده از بهکارگیری شبکههای فازی شواهدی و سایر مدلهای پرکاربرد در این زمینه، مانند درخت تصمیمگیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه دادة مربوط به سه بیمارستان شهر تهران، نشان داد که شبکة فازی شواهدی با صحت 84.8% ، عملکرد بهتری از سایر مدلها دارد. در رویکردی دیگر، ترکیب نتایج شبکة فازی شواهدی با مدل بیز ساده، به افزایش صحت پیشآگهی به 85.2 % منجر شد. علاوه بر این، توانایی این شبکهها در برخورد با دادههای گمشده، بهعنوان یکی از چالشهای رایج در مجموعه دادههای پزشکی، بررسی شد. شبکة فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جانهی دادههای گمشده در مقایسه با سایر مدلها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روشها روبرو شد.</span>انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Brain Tumor Detection Using Electroencephalogram Linear and Non-Linear Featuresتشخیص تومور مغزی با استفاده از ویژگیهای خطی و غیرخطی سیگنالهای الکتروانسفالوگرام2112212768910.22041/ijbme.2017.72077.1260FAزهرا تابانفردانشآموختهی کارشناسی ارشد، گروه بیوالکتریک، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیتمدرس، تهران
دانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهرانسیدمحمد فیروزآبادیاستاد، گروه فیزیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهرانزینب شنکائیپژوهشگر فرادکتری، گروه فیزیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهرانگیو شریفیدانشیار گروه جراحی اعصاب، بیمارستان لقمان حکیم، دانشگاه علوم پزشکی شهید بهشتی، تهرانکامبیز نویناستادیار گروه رادیوتراپی، بیمارستان امام حسین (ع)، دانشگاه علوم پزشکی شهید بهشتی، تهرانآناهیتا ذوقیاستادیار گروه نورولوژی، بیمارستان لقمان حکیم، دانشگاه علوم پزشکی شهید بهشتی، تهرانJournal Article20170917In this research, we analyzed the EEG signals of patients with brain tumor and healthy participants in order to study the effects of brain tumor on brain signals and also the feasibility of brain tumor detection using EEG signals. For this reason, EEG signals of four channel F<sub>3</sub>, F<sub>4</sub>, T<sub>3</sub> and T<sub>4</sub> from 5 patients with brain tumor and 4 healthy participants were recorded. After preprocessing, linear features in time and frequency domains and nonlinear ones such as fractal dimensions and entropies were extracted. Afterwards, the differentiation between2 groups was analyzed using Davies-Bouldin Index, LDA, KNN and SVM classifiers. According to the results of Davies-Bouldin Index, RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed and RMS and Theta Absolute Power features in resting state with eyes opened, had the most distinction between the two groups. In this stage classification of two groups using single features was done and the most accuracy of 88.89% was obtained for RMS feature in resting state with eyes closed. At the end, classification of two groups using all selected features was conducted and the maximum accuracy of 82.54% was obtained for RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed. According to the results, EEG linear features have a good capability of detecting brain tumor. As these features are simple and have low computational complexity, they can be used in online applications especially for periodic screening tests.در پژوهش حاضر، سیگنالهای الکتروانسفالوگرام بیماران مبتلا به تومور مغزی و افراد سالم را برای مطالعة تغییرات ناشی از بروز تومور مغزی در سیگنالهای مغزی و درنهایت امکانسنجی تشخیص این بیماری توسط سیگنالهای EEG، بررسی کردهایم. برای این منظور از دادههای EEG ثبتشده از چهار کانال F<sub>3</sub>، F<sub>4</sub>، T<sub>3</sub> و T<sub>4</sub> برای پنج فرد مبتلا به تومور مغزی و چهار فرد سالم، استفاده شده است. پس از پیشپردازش، ویژگیهای خطی زمانی و طیف فرکانسی و ویژگیهای غیرخطی بُعد فرکتال و آنتروپی، استخراج شد. سپس تمایزپذیری میان دو گروه، با استفاده از اندیس دیویس-بولدین، طبقهبندی خطی LDA، غیرخطی KNN و SVM بررسی شد. براساس مقادیر بهدستآمده برای اندیس دیویس-بولدین در وضعیت استراحت ذهنی چشمبسته، ویژگیهای RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی و در وضعیت استراحت ذهنی چشمباز، ویژگیهای RMS و توان مطلق باند تتا، بیشترین تمایزپذیری را میان دو گروه سالم و بیمار نشان دادند. در این مرحله، طبقهبندی دو گروه سالم و بیمار با استفاده از تکویژگیها انجام شد، که بهترین صحت طبقهبندی مربوط به ویژگی RMS در حالت استراحت ذهنی چشمبسته و 88.89% بهدست آمد. این موضوع نشاندهندة این است که ویژگی خطی RMS در افراد سالم و مبتلایان به تومور مغزی، تمایز خوبی ایجاد میکند. در پایان نیز برای دو حالت استراحت ذهنی چشمبسته و چشمباز و با استفاده از تمامی ویژگیهای منتخب، طبقهبندی انجام شد. با توجه به نتایج، بیشترین صحت طبقهبندی 82.54% با استفاده از ویژگیهای برتر RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی در حالت استراحت ذهنی چشمبسته، بهدست آمد. با توجه به نتایج مشاهده میشود که ویژگیهای خطی، قابلیت خوبی برای جداسازی سیگنالهای EEG افراد سالم و بیماران مبتلا به تومور مغزی دارند، که میتوان از آنها، بهدلیل سادگی و بار محاسباتی کم، برای تشخیص برخط بیماری تومور مغزی، بهخصوص در آزمونهای دورهای غربالگری، استفاده کرد.انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Numerical Analysis of 3D Model of Spinal Cord in Syringomyelia Disease Conditions Using Fluid-Solid Interface Techniqueتحلیل عددی مدل سهبعدی طناب نخاعی در شرایط بیماری سیرنگومیلی با استفاده از روش برهمکنش سیال و جامد2232302769310.22041/ijbme.2017.72939.1275FAهدی ماستری فراهانیکارشناس ارشد بیومکانیک، گروه بیومکانیک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهرانناصر فتورائیدانشیار، گروه بیومکانیک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران0000-0002-5714-027XJournal Article20171003Syrinx growth in Syringomyelia desease causes progressive neurological disorders. Thus, the examination of effective factors in syrinx development is so important for controlling this desease. One of clinical assumptions related to the reason of syrinx development, considers the propagation of pressure wave shock in subarachnoid-space fluid as the main reason for fluid motion in syrinx and syrinx development and increasing damage to spinal cord. Modeling and analysis have been performed to test the theory in this research using finite element method. So a 3d model was created including syrinx, spinal cord, cerebrospinal-fluid in subarachnoid-space, dura mater and stenosis. Pressure puls stimulation was applied to the superior surface of the subarachnoid-space fluid model simulating arterial puls of skull. Cerebrospinal-fluid has been assumed as a Newtonian fluid with laminar flow. The solid phase has been considered to be linear elastic. The fluid-solid interface was analized using ADINA software and fluid flow characteristics were extracted including velocity and pressure field as well as tissue stresses. Results show that pressure wave propagation in subarachnoid-space fluid causes the induction of motion in syrinx fluid, and stress concentration is created in spinal tissue due to the fluid cessation in syrinx and increasing local pressure, however these stress values are lower than spinal tissue strength and pressure wave propagation in this situation cannot be the main reason of syrinx development. بزرگ شدن سیرینکس در بیماری سیرنگومیلی، باعث بروز آسیب نورولوژیکی پیشرونده میشود؛ بنابراین، بررسی عوامل دخیل در توسعة سیرینکس، در یافتن روشهایی برای کنترل این بیماری بسیار اهمیت دارد. یکی از فرضیات بالینی مهم در رابطه با علت توسعة سیرینکس، انتشار موج شوک فشار در سیال فضای سابآراکنوئید را عامل اصلی حرکت سیال داخل سیرینکس و در طولانیمدت، توسعة سیرینکس و آسیب فزاینده به نخاع، میداند. مدلسازی و تحلیل حاضر در راستای آزمودن این فرضیه و به کمک روش المان محدود انجام شده است؛ به این ترتیب که یک مدل سهبعدی، شامل سیرینکس، طناب نخاعی، سیال مغزی-نخاعی در فضای سابآراکنوئید، لایة سختشامه و گرفتگی، ایجاد شد. تحریک پالس فشار به سطح بالایی مدل سیال فضای سابآراکنوئید، که تأثیر پالس شریانی جمجمهای را شبیهسازی میکرد، اعمال شد. سیال مغزی-نخاعی، بهصورت نیوتنی و جریان آن، بهصورت لایهای فرض شد. رفتار جامد نیز، الاستیک خطی درنظرگرفته شد. تحلیل برهمکنش سیال و جامد توسط نرمافزار ADINA اجرا شده و مشخصات جریان سیال، شامل میدان سرعت و فشار و همچنین تنشهای ایجادشده در بافتها، استخراج شد. نتایج نشان میدهد که انتشار موج فشار در سیال فضای سابآراکنوئید، به القای حرکت در سیال سیرینکس منجر میشود و با توقف سیال در انتهای سیرینکس، افزایش فشار موضعی به ایجاد تمرکز تنش در بافت نخاعی میانجامد؛ اما مقادیر این تنشها، کمتر از حد تحمل بافت نخاعی است و انتشار موج فشار در این شرایط، نمیتواند عامل اصلی توسعة سیرینکس باشد.انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Real-Time Anomaly Detection and Transient Fault Correction for Wireless Body Area Networksتشخیص وضعیت غیرعادی و تصحیح خطاهای گذرا بهصورت بیدرنگ در شبکههای حسگر بیسیم بدنی2312442769010.22041/ijbme.2017.72877.1265FAمحمد سعید زارع دهآبادیدانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهرانمهران جاهداستادیار، دانشکده مهندسی برق، دانشگاه صنعتی شریف، تهرانJournal Article20171003Wireless Body Area Networks (WBAN) consist of a collection of biosensors utilized to remotely monitor the health status of patients. High accuracy anomaly detection and distinguishing between faults and physiological anomalies play a key role in proper detection of real emergency situations and is cruicial in lowering False Alarm Rate (FAR) cases. In this work, a univariate, unsupervised and real-time anomaly detection algorithm is proposed based on Hampel identifier and its performance is compared with previous and reported methods. Furthermore, a novel prediction method is introduced and utilized in order to correct for transient faults that are quite probable in WBANs, due to inherent noise and artifact of physiological sensors. Proposed method is shown to be faster than reported approaches while providing comparable. Final validation of the proposed method is performed by a real experimental dataset along with intentionally added faults and physiological anomalies. The results illustrate appropriate anomaly detection ability of the proposed approach.<span lang="FA">شبکههای حسگر بیسیم بدنی، مجموعهای از حسگرهای حیاتی برای مشاهدة وضعیت سلامت بیماران از راه دور هستند. تشخیص و تمایز وضعیتهای غیرعادی، شامل خطای حسگرها یا وضعیتهای اضطراری، علاوهبر رفع نیاز دائمی به متخصص، میتواند باعث کاهش نرخ هشدارهای نادرست شود. در این پژوهش، برای تشخیص و تمایز وضعیتهای غیرعادی، روشی تکمتغیره، بدون سرپرست و بیدرنگ با قابلیت پیادهسازی سختافزاری آسان، ارائه شده و همچنین روشی جدید برای تصحیح خطاهای گذرا پیشنهاد شده است. روش پیشنهادی، سریعتر از روشهای موجود در پژوهشهای پیشین عمل میکند و دقت آن بهطور کامل قابلمقایسه با روشهای موجود است. شبیهسازی روش پیشنهادی روی مجموعه دادههای اینترنتی انجام شده است و نتایج حاصل از آن با روشهای موجود، مقایسه شدهاند. همچنین برای ارزیابی و اعتبارسنجی نهایی روش پیشنهادی، از دادههای ثبتشده در یک آزمایش واقعی استفاده شده است، که نتایج آن بر عملکرد مناسب روش پیشنهادی در تشخیص وضعیتهای غیرعادی و تصحیح خطاهای گذرا تأکید میکند.</span>انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Assesment of Thermography Technique for Detection of Thyroid Gland: A Numerical Approach Accompanied by an Experimnetal Studyارزیابی عددی و آزمایشگاهی روش ترموگرافی در تشخیص غدة تیروئید2452562769110.22041/ijbme.2017.72896.1268FAفرشاد بهرامیاندانشجوی کارشناسی ارشد مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایرانافسانه مجریاستادیار، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایرانJournal Article20171003The aim of this study is to investigate the use of thermography technique for detection of thyroid gland embedded in the neck through a numerical and an experimental approach. To this end, a real 3D model of the human neck and its primary organs including trachea, thyroid gland, common carotid artery and internal jugular vein is constructed based on the computerized tomography (CT) scan images of a healthy case and a case of thyroid cancer. The model is used for analyzing bio-heat transfer in the neck. In the thermal analysis the thyroid gland is considered as a heat source via specific function that generates heat based on the thyroid temporal temperature. Moreover, external convection through the neck skin surface and the ambient air, an internal convection through the inner layer of trachea and breathed air and heat transfer through the artery and the vein are considered. The result is the temperature distribution (thermogram) on the skin surface of the neck which reveals an approximate 0.5 -1.4 ˚C temperature increase on the area above thyroid gland for the healthy case. Studying effects of the thyroid cancer on the thermogram shows an approximate 0.7 -1.6 ˚C temperature increase due to the increased metabolic rate of the cancerous tumor compared to the healthy tissue. In order to practically investigate the applicability of thermography technique, a healthy case is examined by a high precision thermographic camera in similar conditions to the numerical simulation. Similar temperature increase due to the existence of the thyroid gland by the simulation and experiment affirmed the capability of the thermography method in the thyroid gland detection on the skin surface of the neck.<span lang="FA">هدف از انجام این پژوهش، بررسی عددی و آزمایشگاهی استفاده از روش عکسبرداری حرارتی (ترموگرافی) برای تشخیص غدة تیروئید در بافت گردن است. برای این کار، ابتدا مدلی واقعی و سهبعدی از گردن انسان و اندامهای اصلی قرارگرفته در آن شامل نای، غدة تیروئید و سرخرگ و سیاهرگ گردنی، براساس عکسهای گرفتهشده با استفاده از روش عکسبرداری مقطع نگاری رایانهای (سی تی اسکن) از بیمار سالم و بیمار مبتلا به سرطان تیروئید، ساخته میشود. سپس، از مدل ساختهشده برای تحلیل انتقال حرارت در بافت گردن استفاده میشود. در تحلیل حرارتی غدة تیروئید، بهعنوان یک منبع حرارتی که گرمای تولیدی در آن تابع دمای لحظهای بافت است، درنظرگرفته میشود. انتقال گرما نیز در اثر پدیدة جابهجایی بین لایة درونی نای و هوای تنفسشده، بین سطح پوست گردن و محیط اطراف و همچنین انتقال گرما از سرخرگ و سیاهرگ گردنی، در مدلسازی لحاظ میشود. نتیجة مدلسازی، نقشة حرارتی (ترموگرام) سطح پوست گردن است که نشاندهندة افزایش دمای 5/0 تا 4/1 درجة سلسیوس ناحیهای از گردن در مجاورت غدة تیروئید، برای نمونة سالم است. بررسی تأثیر وجود تودة سلولی سرطانی در بافت تیروئید نیز روی نقشة حرارتی، نشاندهندة افزایش دمای 7/0 تا 6/1 درجة سلسیوس است، که در اثر متابولیسم بالاتر تودة سرطانی نسبت به بافت سالم رخ میدهد. برای بررسی عملی کاربردی بودن روش ترموگرافی، ارزیابی آزمایشگاهی روی یک نمونة سالم در شرایط مشابه با مدلسازی، توسط یک دوربین حرارتی با دقت بالا انجام میشود. تشابه نقاط سطح گردن با دمای افزایشیافته در تست آزمایشگاهی با نتایج مدلسازی، نشاندهندة توانایی روش عکسبرداری حرارتی برای تشخیص غدة تیروئید از روی سطح گردن است.</span>انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Investigation of Neuronal Damage in Response to Tensionبررسی آسیب سلول عصبی در پاسخ به نیروی کششی2572662769210.22041/ijbme.2017.72860.1274FAسجاد قضاویکارشناسی ارشد مهندسی پزشکی - بیومکانیک، دانشکده علوم و فنون نوین، دانشگاه تهرانبهمن وحیدیاستادیار مهندسی پزشکی، دانشکده علوم و فنون نوین، دانشگاه تهران0000-0001-5597-3748Journal Article20171003Due to the importance of the brain and neurons, a vast area of research has been conducted in this field. However, due to the complexity of the neural behavior, each study investigated the functionality of neurons from one perspective such as electrophysiological, chemical, or mechanical perspective. In spite of the large number of research conducted on the brain injury topic, there is no study investigating the interaction of the mechanical and electrical characteristics of the neurons and its effect on the cell functionality. Understating the interaction between the mechanical and electrical properties of a neuron will have a substantial effect on treating neurological diseases such as traumatic brain injury and improving treatment methods such as ultrasound. As a result, there is a vital need to simulate the effect of mechanical forces on the electrophysiological behavior of a neuron. This study is one of the few attempts to achieve this goal by taking into account the mechanosensitivity of ion channels which affects the action potentials. Our proposed comprehensive model is based on power law equation (fractional dashpot) for mechanical modeling, Hodgkin Huxley (HH) equation for electrophysiological model and recent experiments for combination of these two equations. Based on the model, the calculated strain from the power law equation affects the activation and inactivation of ion channels. By changing the activation and inactivation variable in the HH equation, we can evaluate the effect of strain and mechanical stimulation on neural function. The results reveal neuron functions’ deficiency during neuron mechanical damage. As a result, action potential signal’s amplitude reduces. This reduction in amplitude of the action potential may be reversible or irreversible based on the amount of damage (plastic deformation).<span lang="FA">با توجه به اهمیت مغز و سلولهای عصبی و بیماریها و آسیبهای مربوط به این سلولها، تحقیقات بسیار گستردهای در این حوزه انجام میشود؛ اما بهدلیل تخصصی بودن رفتار این سلولها، هر تحقیقی تنها یک جنبه</span><span lang="FA">(الکتروفیزیولوژیکی، شیمیایی و مکانیکی) از این سلول را بررسی کرده است. تحقیقی که بتواند تأثیر این عوامل را بر هم و بهطور جامع بر رفتار سلول عصبی نشان دهد، انجام نشده است. از آنجا که ارتباط روابط مکانیکی و الکتریکی سلول عصبی، نقش تعیین کنندهای در بسیاری از بیماریها، آسیبها</span><span lang="FA">(مانند</span><span lang="FA">ضربات مغزی) و درمانها (مانند تحریک با امواج فراصوت) دارد؛ از اینرو نیاز به مدلسازی اثر نیروی مکانیکی بر عملکرد الکتروفیزولوژیک سلول عصبی حس میشود. این تحقیق، یکی از اولین گامها برای دستیابی به این هدف است که با درنظر گرفتن ویژگی حساسیت مکانیکی کانالهای یونی، تأثیر نیروی مکانیکی را بر موج پتانسیل عمل بهدست آوریم. در این مدل، خواص مکانیکی و الکتروفیزیولوژی نورون و برهمکنش آنها بر یکدیگر درنظرگرفته شده است. مدل جامعی براساس میراگر کسری، برای مدلسازی مکانیکی و معادلات هاجکین هاکسلی، برای مدل الکتروفیزیولوژی سلول ارائه شده است. از آزمایشات موجود نیز برای ارتباط این دو مدل استفاده شده است؛</span><span lang="FA">در واقع با اعمال تنش، رفتار الکتروفیزیولوژیکی سلول</span><span lang="FA">(پتانسیل غشا و جریان کانال</span><strong><span dir="LTR"></span></strong><span lang="FA">های یونی) را بررسی میکنیم. کرنش بهدستآمده از مدل میراگر کسری، بر فعالسازی و غیرفعالسازی کانالهای یونی و درنتیجه معادلات هاجکین هاگسلی اثر میگذارد. نتایج، نقص عملکردی سلول عصبی را در زمان آسیب نشان می</span><strong><span dir="LTR"></span></strong><span lang="FA">دهد، که باعث کاهش اندازة موج پتانسیل عمل میشود. این کاهش میتواند بسته به میزان آسیب</span><span lang="FA">(کرنش پلاستیک) سلول، بازگشتپذیر یا بازگشتناپذیر باشد.</span>انجمن مهندسی پزشکی ایراننشریهی علمی مهندسی پزشکی زیستی5869-200810320160922Designing Spectral and Spatial Filters Simultaneously for Brain-Computer Interface Based on Mutual Information and Particle Swarm Optimizationطراحی همزمان فیلترهای طیفی و فضایی برای واسطهای مغز-کامپیوتر، براساس اطلاعات متقابل و بهینهسازی ازدحام ذرات2672772769910.22041/ijbme.2017.72918.1271FAرضا فودهدانشجوی دکتری مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهرانوحید شالچیاناستادیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهرانمحمدرضا دلیریدانشیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهرانJournal Article20171003Extracting discriminative features is a crucial step in brain-computer interfaces (BCIs) that could affect directly on the classification performance. Common spatial patterns (CSP) is a commonly used algorithm for such propose in motor imagery based BCI systems. CPS tries to extract the most appropriate spatial patterns in the electroencephalogram (EEG) signals to discriminate different motor imagery classes. Before applying CSP, Usually EEG signals are filtered out in 8-30 Hz to capture event related desynchronization (ERD) specific frequency rhythms called mu and beta bands. However, this frequency band could be highly subject specific. Therefore, optimizing spectral and spatial filters jointly could improve the classification accuracy. In this paper, we proposed a novel learning algorithm to derive spatial and spectral filters simultaneously using an evolutionary learning algorithm called particle swarm optimization (PSO). Furthermore, we utilized mutual information between extracted features and class labels as a cost function in the learning algorithm. Our simulations on BCI competition IV, dataset 1 reveals that the proposed method significantly outperforms the conventional CSP and filter bank CSP (FBCSP) with two different filter bank architectures.استخراج ویژگیهای تفکیکپذیر، بخشی مهم در سیستمهای واسط مغز-کامپیوتر (BCI) است، که میتواند بر کارایی طبقهبندی، تاثیرگذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستمهای BCI مبتنیبر تصورات حرکتی، استفاده میشود. CSP سعی میکند تا مناسبترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. بهطور معمول پیش از اعمال CSP، سیگنالهای EEG در باند فرکانسی 30-8 هرتز، فیلتر میشوند تا ریتمهای مربوط به ناهمگامی وابسته به رویداد (ERD)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، میتواند تأثیر بسزایی در بهبود صحت طبقهبندی داشته باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO)، روش یادگیری نوینی را برای به دست آوردن همزمان فیلترهای طیفی و فضایی ارائه میدهیم. همچنین، از معیار اطلاعات متقابل بین ویژگیهای استخراجشده و برچسب گروهها، بهعنوان تابع هزینه استفاده میشود. شبیهسازیهای انجامشده روی مجموعه دادة یک از رقابت BCI، نشان میدهد که صحت طبقهبندی روش پیشنهادی، بهطور معناداری بیشتر از روشهای CSP و بانک فیلتر CSP (FBCSP)، با دو نوع بانک فیلتر متفاوت، است.