باتوجه به میزان شیوع و نرخ مرگ و میر ناشی از بیماری سرطان، نیاز به توسعه ابزارهایی جهت تشخیص به موقع و زودرس این بیماری یکی از مسایل اساسی درتحقیقات اخیر بشمار می آید. تحقیقات حوزه علوم پزشکی نشان داده است که تغییرات پاتولوژیک درون یک عضو یا سلول بصورت الگوهای پروتیینی در نمونه های بیولوژیک نظیر خون، بافت، و یا ادرار انعکاس می یابد. پروتیین شناسی بعنوان دانش مقایسه کمی و کیفی و تمایز پروتیین ها تحت شرایط سالم برحسب سرطانی برای درک فرایندهای بیولوژیک شناخته می شود. طیف سنجی جرمی بعنوان یک ابزار اندازه گیری قدرتمند در تولید الگوهای پروتیینی جهت تشخیص بیماری ها و کشف نشانگرهای حیاتی شناخته شده است. دادگان حاصل از این تکنیک بعنوان داده هایی با ابعاد و همبستگی بالا حاوی افزونگی اطلاعات و اغتشاشات درنظر گرفته می شوند. چالش های اساسی تحقیقات اخیر ابعادبالا-نمونه کم، تکرارپذیری، تعمیم پذیری، و انتخاب نشانگرهای حیاتی مشترک می باشند. پیش پردازش و اتخاذ روش انتخاب ویژگی مناسب در تفسیر صحیح داده طیف جرمی و حل چالش های آن می تواند نقش حیاتی ایفا نماید. دراین تحقیق، یک روش پیش پردازش موثر در حوزه تبدیل موجک گسسته باتنظیم ضرایب تقریب با تخمین گرمحلی (rbe) جهت حذف خط زمینه و یک روش مبتنی بر آمارگان مرتبه بالا باتنظیم ضرایب جزییات جهت حذف نویز معرفی شده است. بامروری بر روش های پیشین آماری و نوین داده کاوی در تحلیل طیف جرمی، این روش ها پیاده سازی و مقایسه گردیده اند. ازبین روش های پیشین، آمارگان t، آزمون رتبه بندی ویلکاسون، حداکثرارتباط-حداقل وابستگی (mrmr)، انتخاب متغیر بیزین (bvs)، و تحلیل حداقل مربعات جزیی (pls) انتخاب شده اند. روش های مذکور برروی مجموعه دادگان سرطان های تخمدان، پروستات، و پستان اجرا شده و نتایج بدست آمده حاکی از ضعف این شیوه ها در استخراج نشانگرهای حیاتی تکرارپذیر با نرخ تشخیص بالا در مجموعه دادگان طیف جرمی می باشد. در این رساله، الگوریتم های حداکثرتمایز-آمارگانt (mdts)، حداکثرتمایز-حداقل همبستگی (mdmc) درفضای اصلی و تبدیل موجک ایستان گسسته پیشنهاد گردیدند. کلیه الگوریتم های پیشنهادی موفق به استخراج پروتیین های نامزد با قدرت تفکیک پذیری بالا و تشخیص کامل نمونه های سالم از سرطانی در سه مجموعه داده سرطان های تخمدان و پستان شده اند. همچنین، با اعمال معیار امتیازدهی پیک الگوریتم های پیشنهادی موفق به افزایش نرخ تکرارپذیری شده اند. یکی از معایب روش های پیشین تحلیل طیف جرمی پروتیینی خون و چالش اساسی حوزه داده شناسی حیاتی، بحث تعمیم پذیری تکنیک های انتخاب ویژگی با تغییر نمونه های جامعه آماری یک بیماری معین بوده است. الگوریتم های پیشنهادی نشان داده اند که تا حدزیادی مشکل تعمیم پذیری را حل می نمایند. نتایج بدست آمده حاکی از آن است که روش های پیشنهادی این رساله در مقایسه با روش های پیشین موفق به کاهش قابل ملاحظه تعداد نشانگرهای حیاتی علی الخصوص دستیابی به 5 نشانگرحیاتی مشترک در حوزه تبدیل موجک ایستان گسسته با توابع مادر مختلف برای دو مجموعه دادگان سرطان تخمدان شده اند. این نشانگرهای حیاتی مشترک موفق به تشخیص نمونه های سالم و سرطانی با قدرت تفکیک پذیری 80.40% در مجموعه دادگان سرطان تخمدان شده اند. این نرخ تفکیک بهبودی باندازه 35.45% نسبت به روش های پیشین در نرخ تشخیص ایجاد نموده است. درخاتمه، روش های پیشنهادی نشان داده اند که استفاده از رهیافتهای ترکیبی علاوهبر استخراج بهترین ویژگی ها از پروفایل پروتیینی می توانند منجر به افزایش قابلیت تکرارپذیری و تعمیم پذیری در انتخاب نشانگرهای حیاتی واحد گردند.

خواب سالم نقش مهمی در زندگی روزانه افراد دارد، چرا که در عملکرد کاری، ارتباط با دیگران، حالات اخلاقی و ذهنی آن ها تأثیرگذار است. یکی از اقدامات مهم در تشخیص مشکلات بالقوه ی خواب، طبقه بندی خودکار مراحل خواب است. طبقه بندی مراحل خواب به صورت دستی که توسط افراد خبره صورت می گیرد، کاری بسیار بغرنج و زمان بر است. در این پایان نامه، پیشنهادی نو برای بهبود عملکرد طبقه بندی خودکار مراحل خواب ارائه شده است. این روش بر پایه سیگنال eeg، انتخاب ویژگی و ترکیب طبقه بندها استوار است. ابتدا مجموعه ای از ویژگی های مختلف در حوزه فرکانس، زمان و تبدیل موجک از دو کانال سیگنال eeg استخراج شده است. سپس، برای هر طبقه بند، به صورت جداگانه و با استفاده از روش "انتخاب ترتیبی پیشرو"، بهترین ویژگی ها انتخاب شده است. طبقه بندهای استفاده شده عبارت از تحلیل تمایز خطی (lda)، k همسایه نزدیک تر (k-nn)، و درخت تصمیم گیری (dt) می باشند. از ویژگی های انتخاب شده، به عنوان داده ی ورودی به طبقه بندها استفاده کرده و عملکرد هر کدام بررسی گردید. از آنجایی که هر طبقه بند نقاط قوت و ضعف خاص خودش را دارد و تنها مرحله یا مراحلی از خواب را با نرخ بالا طبقه بندی می کند، تصمیم گرفته-شد تا با ترکیب خروجی طبقه بندها بر این مشکل غلبه کنیم. بدین وسیله از مزایای همه ی طبقه بندها در شناسایی و تفکیک مطلوب همه ی مراحل خواب بهره می بریم. از روش ساده و معروف رأی گیری اکثریت (majority voting) برای ترکیب خروجی طبقه بندها استفاده شده است. نتایج به دست آمده نشان دادند که نرخ کلی طبقه بندی lda، k-nn و dt به ترتیب 70.00 % و 68.72 % و 72.38 % بودند که با ترکیب آن ها به نرخ نهایی 77.57 % رسیدیم و درنهایت توانستیم عملکرد طبقه بندهای پایه را تا حد قابل قبولی بهبود بخشیم تا همه ی مراحل خواب به خوبی شناسایی و تفکیک شوند.

با توجه به میزان خطر و تاثیر آپنه در کیفیت زندگی افراد و احتمال بروز مشکلات جدی ناشی از آن، نیاز به توسعه ابزارهایی جهت تشخیص به موقع و زودرس این اختلال از اهمیت بالایی برخوردار است. تحقیقات حوزه علوم پزشکی نشان داده است که انسداد مسیر تنفسی بصورت تغییراتی در سیگنال های فیزیولوژیکی نظیر الکتروانسفالوگرام، الکتروکاردیوگرام و اکسیمتری انعکاس می یابد. سیگنال تک کاناله الکتروکاردیوگرام بعنوان ابزاری ارزان و قابل دسترس در تشخیص انواع بیماری ها شناخته شده است. بدین منظور ویژگی های حوزه زمان، فرکانس و آنالیز غیرخطی محاسبه می گردد. دادگان حاصل از این تکنیک بعنوان ابعاد بالا و همبستگی بسیار، حاوی افزونگی اطلاعات و اغتشاشات در نظر گرفته می شوند. چالش های اساسی تحقیق، ابعاد بالا و در نتیجه سرعت پایین، بعلاوه کاهش دقت به دلیل هبستگی بین داده های ورودی می باشد. پیش پردازش و اتخاذ روش انتخاب ویژگی مناسب در تفسیر صحیح ویژگی ها و حل چالش های آن نقش حیاتی برعهده دارد. در این تحقیق، ابتدا پیش پردازش موثر با اعمال فیلترهای مناسب جهت حذف خط زمینه و نویزهای محیطی معرفی شده است. تکنیک های تشخیص موج qrs، بعنوان مهم ترین مشخصه سیگنال الکتروکاردیوگرام بررسی و مقایسه گشتند. از بین آن ها دو روش مبتنی بر تبدیل موجک و الگوریتم زیلنبرگ انتخاب و پیاده سازی شدند. سیگنال های اولیه نرخ ضربان قلب، سیگنال تنفسی ناشی از قلب، سری دامنه موج r و تداخلات مایوگرام تنفسی استخراج گردید. در ادامه ویژگی های مختلفی از سیگنال های استخراجی اولیه بر روی مجوعه دادگان مرتبط با آپنه اجرا شدند. در این رساله الگوریتم های انتخاب ویژگی انفرادی طبق معیارهای فاصله باچاتاریا، فاصله ماهالانوبیس، آنتروپی و واگرایی و همچنین تکنیک های برداری مشتمل بر روش های پیش رو، پس رو، شناور، الگوریتم ژنتیک و بهینه سازی توده ذرات پیشنهاد گردید. کلیه الگوریتم های پیشنهادی قادر به استخراج ویژگی های بهینه با قدرت تفکیک پذیری بالا بوده و منجر به تشخیص کامل نمونه های سالم از بیمار هستند. نتایج حاکی از آن است که روش های پیشنهادی موفق به کشف 2 ویژگی بهینه با درصد تشخیص 100 % شده اند. در نهایت، روش های انتخاب ویژگی مطرح شده نشان دادند که کاهش بعد و بهره گیری از ویژگی های ساده منجر به عملکردی صحیح و دقیق حتی در کاربردهای بالینی می گردند

حرکت شناسی بعنوان یکی از علوم پایه به بررسی رفتار حرکتی موجودات زنده می پردازد. با گسترش و رشد جمعیت بررسی رفتار حرکتی انسان با استفاده از علوم حرکت شناسی توام با تحلیل دیداری از اهمیت ویژه ای برخوردار است. بنابراین نیاز صنایع مختلف برای دستیابی به سیستم های پیشرفته نظارت تصویری در محیطهای حساس امنیتی و مراقبتی به ابزاری کارآمد تبدیل شده است. از جمله کاربردهای وسیع نظارت خودکار، بررسی و تشخیص اختلالات حرکتی است که طیف وسیعی از افراد در سنین مختلف را شامل می-شود. بررسی اختلالات حرکتی در جهت تشخیص سریع و جلوگیری از پیشرفت روند بیماری صورت میگیرد. بیماری پارکینسون از شایع ترین اختلالات حرکتی است که دستگاهعصبی مرکزی را دچار اختلال میکند و رفتار حرکتی فرد را با گذشت زمان تحت تاثیر قرار میدهد. از نشانه ها ی بارز این بیماری کندی در حرکت و کاهش طول گام افراد است که در مراکز درمانی مورد مطاله بیشتری قرار میگیرد.لذا نشانه ها و الگوهای خاص حرکتی این بیماری بیشتر در نحوه راه رفتن افراد بروز می کند.این مطالعه، کاربرد پردازش تصاویر ویدیویی را در تشخیص خودکار بیماری پارکینسون نشان می دهد. الگوهای حرکتی با محاسبه زاویه بین دوپا در هر فریم از تصاویر ویدیویی محاسبه شده است. سپس، سیگنال حرکتی بر حسب زمان با کنار هم قراردادن الگوی هر فریم بدست آمده است. روش پیشنهادی بر پایه روشهای انتخاب و استخراج ویژگی در فضای تبدیل فوریه و تبدیل موجک بیان شدند که سبب افزایش سرعت و دقت سامانه تشخیصی میباشد. از اینرو، ضرایب موجک سیگنال زمانی حرکت با استفاده از توابع مادر دابیشیز، سیملت و دو متعامد استخراج شدند سپس با نگاشت ضرایب به فضای تحلیل مولفه اصلی و تحلیل تفکیک خطی نمونه ها در فضای جدید در غالب یک بعد معرفی شدند. از طرفی با محاسبه مولفه های فرکانسی سیگنال زمانی حرکت و روش انتخاب ویژگی بیشترین وابستگی و کمترین افزونگی در جهت گزینش مولفه های فرکانسی برتر تلاش گردید که در نهایت با انتخاب 15 مولفه فرکانسی از بین 256 مولفه بیشترین دقت طبقه بندی نمونه ها بدست آمد. کارایی روش پیشنهادی روی داده های جمع آوری شده در بیمارستان حضرت رسول اکرم (ص) بررسی گردید. نتایج حاصل بیانگر تفکیک گروه افراد سالم از بیماران پارکینسونی مبتنی بر سه طبقه بند ماشین بردار پشتیبان، همسایه نزدیکتر و شبکه عصبی مصنوعی با دقت 100% مستقل از سه طبقه بند فوق می باشد.

پیشرفت های سریع در طیف سنجی جرمی نمونه های بیولوژیک این حوزه را به عنوان بستری قدرتمند جهت تشخیص بیماری ها و اکتشاف نشانگرهای حیاتی معرفی کرده است. در عین حال مشکل ابعاد بالای فضای دادگان ود رمقابل تعداد اندک نمونه ها در مجموعه دادگان پروتئینی سرطان، گرایش این حوزه به سمت استراتژی های داده کاوی را بیشرت کرده است. یادگیری ماشینی و یا به عبارتی استخراج اتوماتیک یک مدل پیشگو از مجموعه تعلیم، قلب یک فرآیند داده کاوری است که شناسایی الگوهای مورد نظر براساس تجربه را برای کامپیوتر ممکن می سازد. درمطالعه حاضر ضمن بررسی و مقایسه روش های پردازشی و الگوریتم های یادگیری ماشینی به کار رفته و با قابل استفاده در حوزه طیف سنجی جرمی پروتئین های خون به ارائه رویکردی براساس ترکیب طفقه بندی کننده ها و به منظور ارتقاء نرخ تشخیص صحیح الگوریتم های موجود پرداخته شه و به این منظور از سه مجموعه داده مربوط به سرطان های تخمدان و پروستات استفاده شده است. در این راستا پس از اعمال مراحل پیش پردازش شامل حذف نویز و نرمالیزاسیون روش های اسخراج و انتخاب ویژگی مختلف با یکدیگر مورد مقایسه قرار گرفته و در نهایت استفاده از کل فضا با (اعمال وزن منفی برای نقاط همسایه و یا دارای همبستگی) به عنوان ویژگی های نهایی پیشنهاد شده اند. در ادامه با استفاده از ویژگی های انتخابی به مقایسه عملکرد هشت گروه از الگوریتم های یادگیری ماشینی شامل روش های بیزین، نزدیکترین همسایگی، رگرسیون لگاریتمی، درخت های تصمیم، ماشین های بردار پشتیبا، شبکه های عصبی، سیستم قاعده پایه فازی و نیز روش های ترکیبی پرداخته شده است و در پایان استراتژی پیشنهادی در این پروژه براساس استفاده همزمان از نمونه برداری تصادفی از مجموعه تعلیم و ویژگی های رتبه بالا و همچنین اعمال الگوریتم های یادگیری مختلف به منظور ساخت یک تیم از طبقه بندی کننده ها با حداکثر تنوع در خروجی مورد ارزیابی قرار گرفته است. نتایج حاصل نوید دهندعملکرد بسیار مناسب استرتژی پیشنهادی در ارتقای نرخ تشخیص طبقه بندی کننده های پایه می باشند.

یکی از حساس ترین اعضای بدن انسان مغز می باشد که در طول زندگی یک فرد، با توجه به شرایط زندگی یا مسائل ژنتیکی، ممکن است عملکرد بخشی از مغز دچار اختلال گردد. اختلال کم توجهی-بیش فعالی، اختلالی است که در آن پُرتحرکی، بی توجهی و رفتارهای ناگهانی بیشتر و شدیدتر کودک از کودکان دیگر وجود دارد. روش هایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماری های مرتبط با عملکرد مغز استفاده می شود، روش تصویرنگاری عملکردی تشدید مغناطیسی در حالت استراحت می باشد. در این پایان نامه یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگی های مناسب، جهت بهبود دقت تشخیص افراد سالم و بیمار به اختلال کم توجهی-بیش فعالی از یکدیگر مبتنی بر تحلیل تصاویر rs-fmri ارائه شده است. در این روش از الگوریتم تکاملی زنبورعسل برای انتخاب ویژگی های مورد بررسی استفاده شده است که ویژگی ها، مقادیر همبستگی میان سیگنال های سری زمانی مناطق مختلف مغز می باشند. مساله ی مهمی که در این میان مطرح می شود اینست که اطلاع دقیق و مطلوبی از طول بردار ویژگی در دسترس نیست که توانایی تفکیک و طبقه بندی داده ها را به صورت کامل داشته باشد. بنابراین، ما بر آن شدیم تا با به کارگیری الگوریتم زنبورعسل، به انتخاب ویژگی ها با طول متغیر بپردازیم تا بتوان تا حد قابل قبولی بر مشکل انتخاب ویژگی در الگوریتم هایی که در آن طول بردار ویژگی ثابت در نظر گرفته می شود غلبه کنیم. برای تابع ارزیابی از معیار فاصله ماهالانوبیس استفاده شده است. کارایی الگوریتم از لحاظ مقدار تابع هدف در درجه ی اول و زمان پردازش در درجه دوم مورد بررسی قرار گرفته شد و نتایج، حاکی از کارایی به مراتب بالاتر الگوریتم زنبورعسل با طول متغیر را نسبت به سایر روش ها نشان می دهد. در حالی که بهترین نتیجه صحت طبقه بندی کلی در میان سایر روش ها با 26 ویژگی منتخب از الگوریتم اجتماع ذرات، 61/76% می باشد، روش پیشنهادی توانسته به مقدار صحت طبقه بندی کلی 32/85% با انتخاب 25 ویژگی دست یابد. البته داده مورد بررسی از آن سری داده می باشد که با افزایش طول بردار ویژگی صحت طبقه بندی کلی بهبود قابل ملاحظه ای پیدا می کند. به این صورت که با انتخاب ویژگی با طول 35 به 66/91% و یا با طول 45 تا به 57/95% رسیده است. این روش منحصر به بیماری خاصی نبوده و می توان از آن برای بررسی اغلب بیماری های مرتبط با مغز استفاده کرد.