فیبروم رحمی شایع ترین تومور خوش خیم لگنی در زنان می باشد و امروزه درمان آن به شیوه هایی که کمترین خطر و آسیب را برای فرد داشته باشد مورد توجه بسیاری قرار گرفته است. استفاده از تصاویر mri جهت استخراج ویژگی های مختلف از جمله محل، حجم و شدت سیگنال اهمیت اساسی در تشخیص و پیگیری روند بهبود بیمار دارد. استفاده از روش های مبتنی بر پردازش کامپیوتری می تواند کمک بسزایی در تسریع و افزایش دقت بدست آوردن این ویژگی ها داشته باشد. هدف اصلی در این پایان نامه ناحیه بندی و تعیین حجم فیبروم رحمی می باشد. با توجه به ویژگی های فیزیولوژیکی و پاتولوژیکی فیبروم رحمی این تومورها را به سه دسته ی مجزا تقسیم بندی کرده ایم و برای هر دسته روشی برای ناحیه-بندی ارائه شده است. دسته ی اول تومورهای مرده هستند که روشی بر مبنای level set برای استخراج سه بعدی آنها ارائه شده است. دسته ی دوم تومورهایی با بافت مرده و بافت کلسیفیته هستند که در بررسی تومورها بدلیل غیر یکنواخت بودن ناحیه یکی از مشکل ترین زمینه ها در ناحیه بندی تومور ها محسوب می شوند، برای این گونه نیز روشی بر مبنای level set بدون لبه برای ناحیه بندی اولیه و در مرحله ی بعد با استفاده از مدل شکلی فعال و مدل بیضوی برای ناحیه بندی نهایی ارائه شده است. دسته سوم بیماران دارای تومورهای متعدد هستند که به اصطلاح multi fibroids گفته می شوند. در این دسته نیز ابتدا ناحیه ی رحم استخراج شده و سپس با استفاده از روش جدیدی مبتنی بر کلاس بندی فازی تومورها استخراج می شوند. برای تعیین درستی روش های ارائه شده از معیارهای درستی سنجی مبتنی بر سطح و فاصله استفاده شده است. با توجه به نوین بودن روش بستن شریان های خون رسان به فیبروم(uae) در درمان فیبروم رحمی و مقالات معدودی که در مورد ناحیه بندی فیبروم رحمی وجود دارد این تقسیم بندی و روش های ارائه شده گام جدیدی در این زمینه محسوب خواهد شد.

امروزه بروز ناهنجاری های صوتی، با توجه به افزایش رفتارهای اجتماعی ناسالم و استفاده نامناسب و غیر طبیعی از دستگاه تولید صدا، به طور فزاینده ای روبه رشد می باشد. از اینرو تشخیص ناهنجاری های دستگاه تولید گفتار در مراحل اولیه ابتلا به آن می تواند تاثیر بسزائی در تشخیص و درمان به موقع این بیماری ها داشته باشد. هدف این تحقیق بررسی انواع ناهنجاری هایی می باشد که منشاء آنها در تارهای صوتی است. بر این اساس در یک بررسی کیفی با اعمال تبدیل فوریه، تبدیل فوریه زمان-کوتاه و تبدیل موجک پیوسته میزان توانایی این روش ها در نمایش مشخصات تفکیک کننده سیگنال های واکه نرمال از غیرنرمال مورد ارزیابی قرار گرفته است. همچنین، قدرت طبقه بندی ویژگی های زمان-بلند در بازشناسی واکه-های نرمال از غیرنرمال تحقیق شده است. در میان روش های کاهش بعد ویژگی، آنالیز تفکیک خطی و آنالیز مولفه ی اساسی به همراه روش های انتخاب ویژگی مورد ارزیابی قرار گرفته اند. درنهایت، تکنیک تبدیل بسته موجک، با توجه به آنکه اطلاعات جزئی، اساسی و متمایزکننده ای را از سیگنال گفتار واکه به منظور بازشناسی ناهنجاری صوتی استخراج می کند، در جهت استخراج ویژگی های مناسب انتخاب شده است. از اینرو، توانایی ویژگی های انرژی و آنتروپی سیگنال در گره های خروجی درخت بسته موجک در بهبود نرخ بازشناسی مورد ارزیابی قرار گرفته است. الگوریتم بهینه نهایی شامل ویژگی-های آنتروپی استخراج شده از گره های خروجی بسته موجک به همراه آنالیز تفکیک خطی و طبقه بندی کننده ماشین بردار پشتیبان می باشد، که منجر به بازشناسی %100 شده است. روش پیشنهادی منجر به نرخ بازشناسی بالا در تشخیص ناهنجاری های صوتی و ارائه الگوریتم ساده تر شده است. همچنین مزیت دیگر نتایج پیشنهادی این است که گونه های متنوع تری از ناهنجاری در نظر گرفته شده است.

بیومتریکها ابزاری برای تعیین هویت و یا تایید هویت افراد هستند .از این میان سیستمهای عنبیه نگاری به دلیل منحصربفرد بودن الگوی عنبیه و عدم امکان کپی برداری مصنوعی از آن و پایداری ویژگیهای عنبیه درصد خطای بسیار ناچیزی دارند و به همین دلیل دارای قابلیت اطمینان بالایی هستند. به طور کلی یک سیستم بازشناسی عنبیه شامل چهار بخش دریافت یک دنباله از تصاویر، مکانیابی عنبیه، استخراج ویژگی، مقایسه و تطبیق است. در این پایان نامه ضمن پیاده سازی و ارزیابی برخی روشهای موجود، در بخش مکانیابی روشی سریع برای مکانیابی مرز بین عنبیه و مردمک (مرز درونی ) با استفاده از تبدیل موجک haar و استفاده از روابط هندسه تحلیلی ارائه شده است. نتایج نشان می دهد که این روش علاوه بر بهبود سرعت دقت قابل قبولی را نیز دار.....

بیماری پارکینسون یکی از بیماری های شایع عصبی است. این بیماری از مرگ برگشت ناپذیر سلول های مغز در قسمت جسم سیاه عقده های قاعده ای ایجاد می شود. بعلاوه، ساختار فیزیولوژیک مغز بسیار پیچیده بوده و در حالت بیماری این پیچیدگی دو چندان می شود. درچنین شرایطی، وجود مدل می تواند در درک بهتر عملکرد مغز و شناخت بیماری، کمک شایانی انجام دهد. مدل بایستی بتواند در کنار این که رفتار عوارض بیماری را شبیه سازی کند، اطلاعات فیزیولوژیکی به دست آمده در مطالعات را به خوبی در بر گیرد. در این پایان نامه، یک مدل جعبه سیاه بر پایه اطلاعات به دست آمده در مورد عقده های قاعده ای و بیماری پارکینسون ارائه شده است تا مبنایی برای مطالعه بیماری مفروض قرار گیرد. پاسخ مدل در این پروژه، عوارض بیماری و بازه های قدم نهادن می باشد. از طرف دیگر، مطالعات مختلفی رفتار آشوبی را در بازه های قدم نهادن بررسی کرده اند که حکایت از آشوبی بودن آن دارد. بنابراین، مدل باید توانایی شبیه سازی رفتار آشوبی را داشته باشد. چنین مدلی با دید آشوب و به صورت جعبه سیاه برای بیماری پارکینسون تا کنون ارایه نشده است. به همین دلیل روش جدیدی برای این مساله خاص، ارایه شده است. با استفاده از این مدل، پارامتری برای تشخیص بین حالت بیماری و صحت بدست آمده که میتواند پزشکان را در فهم بهتر رفتار این بیماری، یاری دهد. با ارایه این مدل پیشنهاد شده است که بیماران پارکینسونی را به دو دسته کلی تقسیم بندی کرد. این مدل میتواند برای کاربردهای مهمی مانند تشخیص زود هنگام بیماری و پیش بینی درمانهای جدید امکان پذیر برای از بین بردن علائم این بیماری، مورد استفاده قرار گیرد.

شکاف کام همراه با شکاف لب مجموعا ناهنجاری های اصلی صورت را تشکیل می دهد. شکاف کام به علّت نچسبیدن طاقچه های کامی به یکدیگر ایجاد می شود. در این بیماران برای پرکردن این شکاف از پودر استخوان مصنوعی و یا از استخوان ران بیمار استفاده می کنند. به همین دلیل اندازه گیری دقیق مساحت شکاف کام قبل از انجام عمل جراحی به منطور تعیین حجم شکاف در این بیماران ضروری به نظر می رسد. استفاده از تصاویر cbct تاثیر بسزائی در تشخیص صحیح و پیگیری روند بهبود بیمار دارد. همچنین استفاده از روش های مبتنی بر پردازش کامپیوتری می تواند کمک بسزایی در تسریع و افزایش دقّت درمان بیمار داشته باشد. هدف اصلی در این پروژه ناحیه بندی شکاف کام در تصاویر cbct می باشد. از آن جائی که تصاویر ثبت شده توسط سیستم های تصویربرداری cbct یکنواخت نبوده و دارای نویز می-باشند، ناحیه بندی تصویر مشکل خواهد بود. برای رفع این مشکل و همچنین برای حذف ناحیه هائی که به اشتباه ناحیه بندی شده اند در این پروژه از فیلتر ریخت شناسی استفاده کرده-ایم. در این پروژه برای ناحیه بندی تصاویر از الگوریتم ناحیه بندی mpfcm استفاده کرده ایم. پس از ناحیه بندی تصاویر، با استفاده از الگوریتم نشاندن منحنی، ناحیه مربوط به شکاف کام را از سایر قسمت های تصویر جدا کرده ایم. حال می توان با استفاده از مساحت های بدست آمده در اسلایدهای مختلف یک تصویر ثبت شده حجم شکاف کام را بدست آورد.

هدف در این پایان نامه ناحیه بندی و تعیین حجم کارپوس کالوزوم می باشد. در این پایان نامه سعی در اتوماتیک کردن ناحیه بندی کارپوس کالوزوم با دقت بالا بدون دخالت کاربر داریم که برای رسیدن به این هدف ناحیه بندی سطوح هم تراز را که مبتنی بر مرز می باشد پیشنهاد داده ایم که ناحیه اولیه برای شروع ناحیه بندی توسط کاربر باید انتخاب شود برای حل این مشکل از روش مبتنی بر ناحیه fcm استفاده کردیم و از ترکیب آن با روش سطوح هم تراز، روشی پیشنهاد داده ایم که دیگر نیازی به انتخاب ناحیه اولیه توسط کاربر نمی باشد. سپس در این روش ناحیه بندی با تداخل بافت فورنیکس با کارپوس کالوزوم برخوردیم که برای حذف آن دو روش ارائه دادیم. روش اول با استفاده از عملگرهای مورفولوژی و روش دوم با اضافه کردن یک تابع انرژی به تابع انرژی روش ترکیبی فازی و سطوح هم تراز، انجام می شود که در حین ناحیه بندی فورنیکس حذف خواهد شد. در نهایت ما با قرار دادن نتایج ناحیه بندی در برش های مختلف به تعیین حجم کارپوس کالوزوم پرداختیم ضمن اینکه در ناحیه بندی برش های ساجیتال جانبی از نتایج ناحیه بندی در برش ساجیتال وسط استفاده کردیم، چرا که کارپوس کالوزوم در برش وسط دارای مرزی بسیار واضح می باشد. ما برای مقایسه نتایج روش پیشنهادی از 4 معیار ضریب تشابه، ضریب جاکارد، ضریب صحت و ضریب حساسیت استفاده کردیم که میانگین این ضرایب به ترتیب 87/95، 97/90، 42/87 و 93/91 می باشد. تعیین حجم، ناحیه بندی، کارپوس کالوزوم، فورنیکس، سطوح هم تراز، mri و fcm.

سیگنال الکترومایوگرام یک سیگنال بیولوژیکی است که پتانسیل های الکتریکی تولید شده در عضلات را هنگام فعالیت انقباضی عضلات نشان می دهد. سیستم عصبی همواره فعالیت عضلات را کنترل می کند. بنابراین سیگنال الکترومایوگرام، سیگنالی است که توسط سیستم عصبی کنترل می شود و وابسته به خواص آناتومیکی و فیزیولوژیکی عضلات می باشد. دلیل اصلی علاقه به تجزیه و تحلیل سیگنال الکترومایوگرام کاربرد های مفید آن در تشخیص های بالینی و کاربردهای بیومدیکال و همچنین توان بخشی است. درک توابع حرکت انسان در حوزه های بیومکانیک و عصبی عضلانی بسیار مهم است. حرکت کامل انسان با کمک تعامل بین سیگنالهای کنترلی عصبی عضلانی و دینامیک اسکلتی عضلانی حاصل می شود. عناصر زیادی از سیستم عصب و عضله و اسکلت با حرکت هماهنگ و روان دارای اثر متقابل هستند. سیستم اسکلتی عضلانی متشکل از اتصال مفاصل و استخوان ها با عضلات می باشند . سیستم اسکلتی عضلانی کامل، نیروی لازم برای حرکت را فراهم می کند. در بسیاری از مطالعات و برنامه های کاربردی که شامل دخالت مستقیم بشر، مانند تعامل انسان و ربات، کنترل دست مصنوعی و مطالعات عوامل انسانی است، نیروی دست یا گشتاور مفصل برای اهداف مانیتورینگ و کنترل لازم است. هدف اصلی در این پایان نامه در دو قسمت ارائه شده است. در بخش اول رفتار دینامیک سیستم اسکلتی عضلانی مربوط به مفصل آرنج ، تحت شرایط ایزوتونیک و از طریق ثبت سیگنال الکترومایوگرام و اندازه گیری زاویه بین ساعد و بازو بیان می شود. قسمت دوم طبقه بندی حرکات باز شدن و بسته شدن دست را از طریق سیگنال الکترومایوگرام اندازه گیری شده ، بیان می کند. استفاده از الکترودهای ثبت الکترومیوگرام ارزان و قابل حمل و همچنین سنسورهای موقعیت و زاویه در مقایسه با سنسورهای نیرو و گشتاور که اغلب بسیار گران و بزرگ هستند سودمند است. سیگنالهای الکترومایوگرام بدست آمده از عضلات به وسیله ی الکترودهای سطحی، احتیاج به روشهای محاسباتی پیچیده برای استفاده، آنالیز، تجزیه و طبقه بندی دارند. در این پروژه از روشهای هوش مصنوعی مثل شبکه عصبی و فازی عصبی برای شناسایی دینامیک سیستم مفصل ساعد که به عنوان سیستم محرک برای تولید گشتاور عمل می کند استفاده شده است. برای طبقه بندی حرکات باز شدن و بسته شدن دست نیز از روش شبکه عصبی استفاده شده است.

مرگ ناگهانی قلبی (scd) همه ساله جان میلیونها انسان را میگیرد . با استفاده از تجهیزات پزشکی از قبیل دیفیبریلاتور می توان تعداد این نوع مرگها را کاهش داد ، با این وجود راههای مناسبی برای پیش بینی مرگ ناگهانی قلبی که پزشکان بتوانند از طریق آن تصمیمات مناسبی را برای بیماران در معرض خطر بگیرند ، وجود ندارد . در این پروژه با استفاده از پردازش سیگنال الکتروکاردیوگرام مرگ ناگهانی قلبی پیش بینی شده است. برای این کار بعد از استخراج سیگنال hrv از سیگنال ecg به استخراج ویژگی های خطی ، زمان –فرکانس و غیر خطی پرداخته شده است . در مرحله بعد با اعمال pca به بردار ویژگی ترکیبی ،ابعاد ویژگی کاهش یافته و در نهایت از طریق شبکه عصبی mlp و knn افراد سالم و افرادریسک پذیر ، دسته بندی می شوند . به منظور ارزیابی توانمندی هر یک از روشهای تحلیلی در تفکیک افراد ، آنهارا بصورت مجزا و ترکیبی با هم مقایسه کرده ایم .نتایج بدست آمده نشان می دهند که در سیگنال hrv مربوط به افرادریسک پذیردر نزدیکی وقوع scd ویژگی هائی وجود دارد که آنها را کاملا از افراد سالم متمایز می کند . روش بردار ترکیبی از توانایی به مراتب بیشتری جهت آشکار کردن این اختلاف برخوردارست . از طرفی نشان داده ایم که از 4 دقیقه قبل از رخ دادن مرگ قلبی ، این افزایش احتمال خطر کاملا مشهود است . بطوری که هرچه به وقوع حادثه نزدیکترمی شویم ، احتمال وقوع نیز افزایش می یابد و این زمانی کافی جهت اتخاذ راهکارهایی جهت جلوگیری از این واقعه توسط پزشک یا مراکز در مانی می باشد . روش های ارائه شده با استفاده از داده های موجود در پایگاه داده mit-bih مورد ارزیابی قرار گرفته است .

انسان به سرعت و به طور موثر می تواند اشیا متفاوت را در صحنه های طبیعی و پیچیده شناسایی کند. این توانایی برجسته الهام بخش بسیاری از مدل های محاسباتی شناسایی اشیا بوده است. بسیاری از این مدل ها سعی به تقلید رفتار این دستگاه تحسین برانگیز دارند. دستگاه بینایی انسان اشیا را در یک سلسله مراتب از چندین مرحله پردازش شناسایی می کند. در طول این مراحل مجموعه ای از ویژگی ها با پیچیدگی فزاینده ای توسط بخش های مختلف دستگاه بینایی استخراج می گردد. ویژگی های ساده تر و ابتدایی مانند میله ها و لبه ها در سطوح اولیه مسیر بینایی پردازش شده و همچنان که در این مسیر بالا می رویم ویژگی های پیچیده تر مورد توجه و پردازش قرار می گیرند. این که چه ویژگی هایی از شی انتخاب می گردند و مورد پردازش قرار می گیرند همیشه مسئله ی مهمی در پردازش اشیا توسط قشر بینایی بوده است. برای پرداختن به این مساله، ما یک مدل سلسله مراتبی، که با یافته های بیولوژیکی سازگار است را گسترش داده و سپس آنرا در آزمایش های متفاوت شناسایی اشیا مورد ارزیابی قرار دادیم. در این مدل، مجموعه ای از بخش های شی، که با نام تکه های تصویر شناخته می شوند، در مراحل میانی استخراج می گردند. این تکه های تصویر برای آموزش در این مدل استفاده می شود و نقش مهمی در شناسایی شی ایفا می کنند. این تکه های تصویر بدون هدف و کورکورانه از مواضع مختلف از یک تصویر انتخاب شده که این موضوع می تواند منجر به استخراج تکه های غیر تبعیض آمیز گردد که در نهایت ممکن است عملکرد مدل را کاهش دهد. در روش پیشنهادی، از الگوریتم تکاملی برای انتخاب مجموعه ای از تکه های تصویر با اطلاعات مفید برای شناسایی اشیا گوناگون استفاده گردید. نتایج نشان می دهد که این تکه ها حاوی اطلاعات بیشتر و مفیدتری نسبت به تکه های معمول که به روش کورکورانه و تصادفی انتخاب می شوند هستند. همچنین نشان داده خواهد شد که قدرت مدل ارایه شده بر روی طیف وسیعی از تصاویر از پایگاه داده های مختلف قابل توجه بوده است. نتایج آزمایش ها نشان می دهد که ویژگی های انتخاب شده به طور کلی بخش های خاصی از تصاویر هدف هستند. این ویژگی های انتخاب شده که بخش هایی از اشیا هدف را ارایه می دهند مجموعه-ای کارآمد برای تشخیص اشیا می باشند. کلمات کلیدی: مدل بازشناسی اشیا، قشر بینایی، مدل سلسله مراتبی، الگوریتم های تکاملی، انتخاب ویژگی.

مسئله ای که در طول مدت طولانی تحقیقات صورت گرفته در زمینه بیماری پارکینسون مشخص شده، این است که بیماری پارکینسون دارای یک هویت تک بعدی صِرف در شاخه بیماری های بالینی نیست، بلکه دارای ماهیتی چند گانه می باشد و با توجه به اینکه سالانه 3 درصد افراد بالای 60 سال و 4 درصد از افراد بالای 40 سال به این بیماری دچار می شوند و عدم وجود درمان قطعی، تحقیق در مورد بیماری پارکینسون و علائم بالینی، که در مجموع مشخص? این بیماری هستند، ضروری می باشد. در این پایان نامه بر روی سیگنال eeg افراد پارکینسونی تحقیق و بررسی شد. در انجام کار از روش های مختلفِ حوزه فرکانس و زمان و پردازش های آشوب گونه کمک گرفته شد تا با استفاده از جنبه های گوناگون، تفاوت این بیماران با افراد سالم پدیدار گردد و همچنین دسته بندی درون گروهی امکان پذیر شود. الگوهای مرتبط با اختلالات حرکتی و شناختی مورد بررسی قرار گرفت و به نتایج قابل توجهی رسید. در حوز? فرکانسی اختلاف در محل وقوع پیک، انرژی سیگنال و دامن? پیک دوم بین افراد سالم وبیماران پارکینسونی مشهود بود و همچنین ارتباط عملکرد ریتم دلتا با زوال عقل امکان دسته بندی درون گروهی را ایجاد نمود. با نگاشت سیگنال مغزی روی نواحی مختلف مغز امکان رویت پرکارترین ریتم فرکانسی و کانون تولید ریتم های مختلف فرکانسی میسر شد و این موضوع نتایج قابل توجهی را به ارمغان آورد. در حوزه زمان p300 وتاخیر آن محاسبه شد که دیرتر ظاهر شدن p300 برای بیماران به وضوح دیده می شد. بررسی های آشوب گونه شامل نمای لیاپانوف و هیستوگرام بود که نتایج قابل ملاحظه ای را نشان داد. همچنین در این تحقیق اثر دارو بر روی بیمار بررسی شد و نتایج آن به تفصیل در فصل پنجم آورده شده است.

یکی از علل مرگبار بودن سرطان ریه و بیماری های ریوی، عدم تشخیص آنها در مراحل ابتدائی بعلت کمبود علائم بیماری است. تشخیص این بیماری ها در مراحل اولیه در روند درمان بسیار موثر است و احتمال درمان را بسیار افزایش می دهد. سیستم های آشکارساز کامپیوتری یا cad، جهت آشکارسازی و طبقه بندی نواحی در رادیوگرافی های قفسه سینه به لحاظ موارد غیر عادی (مثل برآمدگی ها) که ممکن است هشدار دهنده سرطان ریه باشند، طراحی شده اند. بدین منظور در این پایان نامه رویکردی ارائه شده که به تحلیل سه بعدی و خودکار تصاویر ctقفسه سینه می پردازد. رویکرد معرفی شده شامل مراحل زیر می باشد: در مرحله اول بعد از استاندارد سازی شدت روشنایی تصاویر، به صورت اتوماتیک بافت اصلی ریه از پس زمینه جدا می شود. در این مرحله روشی جهت بازسازی دیواره ریه و بازیابی نقاط حذف شده مشکوک متصل به دیواره ریه ارائه شده است. در مرحله دوم کاندیدهای ندول ها استخراج می گردند. بدین منظور ابتدا پیش پردازشی بر روی تصاویر اعمال شده و سپس با استفاده از روشهای فیلتر کردن تصاویر با هسته های گوسی و شاخص شکل و یک روش ترکیبی پیشنهادی، کاندیدهای ندول ها استخراج می شوند. در ادامه جهت بازسازی کاندیدهای ندول ها و یافتن حجم کامل آنها، از دو روش رشد ناحیه استفاده شده است. در مرحله سوم ویژگی های بهینه متمایز کننده ندول ها از غیر ندول ها، از نواحی کاندید استخراج می گردند. در مرحله چهارم با استفاده از طبقه بندی کننده ماشین بردار پشتیبان و ویژگی های استخراج شده، کاندیدهای ندول ها به دو دسته ندول و غیر ندول طبقه بندی می شوند. در مرحله پنجم ویژگی ها جهت طبقه بندی ندول ها بررسی می شوند. در این پروژه از تصاویر ct قفسه سینه 57 بیمار، که از کنسرسیوم پایگاه داده تصاویر ریه (lidc) گرفته شده، استفاده کرده ایم. میانگین تعداد برشها برای هر سوژه 254 برش می باشد. بهترین نتایج بدست آمده برای جداسازی ندول از غیر ندول ها دارای حساسیت6/87 با میانگین تعداد خطای مثبت یا fp، 9/8 برای هر سوژه می باشد. با توجه به استفاده از تصاویر متنوع پایگاه داده معتبر lidc که شامل تعداد سوژه های کافی برای سنجش الگوریتم ارائه شده و ندول ها با اندازه و اشکال گوناگون است، نتایج حاصل شده از این سیستم قابل قبول خواهد بود.

تجزیه و تحلیل اختلالات حرکتی انسان به ویژه راه رفتن به کمک پردازش تصاویر ویدئویی، از زمان ظهور دوربین مورد توجه قرار گرفته است. از همان زمان تحقیقات به منظور توصیف و درک کامل فرایند پیچیده حرکت انسان سرعت روز افزون یافت. آنالیز راه رفتن یکی از زیرشاخههای تحلیل حرکت میباشد که بطور خاص به بررسی نحوه راه رفتن می پردازد. آنالیز حرکت برای ارزیابی، برنامه ریزی و درمان نحوه حرکت کردن افراد و به خصوص افراد آسیب دیده به کار می رود. از این رو تشخیص و کمی سازی اختلالات حرکتی کمک شایانی به منظور اصلاح این اختلالات می کند. در این پایان نامه با استفاده از تکنیک های پردازش تصاویر ویدئویی، سیستمی طراحی و تحلیل می گردد که به بررسی و کمی سازی ویژگی های حرکتی انسان طی راه رفتن می پردازد. این سیستم از هیچ نوع نشانگر بر روی بدن استفاده نمی کند. ما در ابتدا با تشخیص و حذف پس زمینه، فرد متحرک را شناسایی کرده و سپس به کمک تکنیک های پردازش تصویر و دانش قبلی نسبت به حرکت و اندازه هر یک از اعضا به استخراج پارامترهای پویا از جمله سرعت، دوره حرکت و تعداد قدم در دقیقه و نیز پارامترهای ایستا مانند زوایای مفاصل تحتانی، زوایای انحناهای کمری و همچنین زاویه شانه و مرکز جرم بدن می پردازیم.

فیبریلاسیون دهلیزی به صورت یک تاکی آریتمی فوق بطنی تعریف می گردد که با فعالیت دهلیزی غیر هماهنگ و متعاقب آن وخامت عملکرد مکانیکی دهلیز مشخص می شود. این بیماری عملکرد قلب را مختل کرده و باعث افزایش خطر ایجاد لخته خونی در داخل دهلیزها و بروز سکته مغزی می شود. حدود 1% از جمعیت عمومی جهان به این بیماری مبتلا می باشند. بروز این بیماری در درصد بالایی از جمعیت جهان آن را به یک مشکل اجتماعی و اقتصادی تبدیل کرده است. با تشخیص زود هنگام این آریتمی کشنده قلبی، می توان آن را پیشگیری و مدیریت نمود؛ از این رو در دهه های اخیر تشخیص دقیق آن با استفاده از تکنیک های غیر تهاجمی بسیار مورد توجه قرار گرفته است. در این تحقیق برآنیم با استفاده از روشهای غیرتهاجمی، بر پایه تجزیه و تحلیل غیرخطی سیگنال الکتروکاردیوگرام افراد مستعد ابتلا به فیبریلاسیون دهلیزی را شناسایی نماییم. دادگان تحقیق شامل سیگنال های الکتروکاردیوگرام افراد بیمار قبل از وقوع حمله و افراد سالم ثبت شده در پایگاه داده فیبریلاسیون دهلیزی سایت فیزیونت می باشند. پس از محاسبه کمیتهای آشوبی نظیر نمای لیاپانوف، بعد همبستگی، آنتروپی تقریبی، آنتروپی طیف، انحراف معیار نمودار پوانکاره و پارامترهای استخراج شده از تحلیل کمی نمودارهای بازگشتی برای هر سیگنال، تغییرات آنها را پیش از وقوع حملات فیبریلاسیون دهلیزی و در شرایط نرمال دنبال می نماییم و با طراحی یک طبقه بندی کننده ماشین بردار پشتیبان، به طبقه بندی افراد سالم و افراد در معرض ابتلا به حملات فیبریلاسیون دهلیزی می پردازیم. نتایج نهایی نشان می دهد که طبقه بندی کننده ماشین بردار پشتیبان توانسته است افراد بیمار را در زمانیکه سیگنال hrv آنها 5 دقیقه پیش از شروع حملات فیبریلاسیون دهلیزی تحلیل شده است با دقت 93% از افراد سالم تفکیک نماید.

طیف نگاری تشدید مغناطیسی روش غیر تهاجمی مناسبی برای بررسی متابولیسم بافت های مختلف بدن می باشد و از مهمترین کاربردهای آن در مغز می باشد. از آنجا که غلظت متابولیت های مغز وابسته به نوع پاتولوژی می تواند نغییر کند، طیف نگاری تشدید مغناطیسی در تعداد زیادی از اختلالات مغزی مانند سرطان، آلزایمر، ms و پارکینسون می-تواند مفید باشد‍. تفکیک و تجزیه طیف دریافتی از طریق طیف نگاری تشدید مغناطیسی به مجموعه ای از طیف متابولیت های موجود در مغز از طریق الگوریتم های مختلف (در حوزه زمان یا در حوزه فرکانس) صورت می گیرد و هدف این الگوریتم ها این است که سهم هر متابولیت را در این طیف مشخص کنند. یکی از عواملی که تأثیر منفی بر روی تفکیک سازی سیگنال مربوطه دارد پس زمینه گسترده در حوزه فرکانس ناشی از ماکرو مولکول ها ولیپیدها می باشد که همپوشانی شدید با متابولیت ها دارد. در این مطالعه سعی شده است تا با استفاده از الگوریتم تخمین طیف پس زمینه در حوزه فرکانس میزان شباهت و رفتار آن در نواحی مختلف مغز به خوبی بررسی شود و با استفاده از نتایج آن تخمین پس زمینه در حوزه زمان توسط الگوریتم subtract quest mrsi را بهبود ببخشیم تا به دقت تفکیک سازی بالاتری برسیم.

پوست بدن انسان بدل?ل ا?نکه در معرض مستق?م با پ?رامون م?باشد ، ن?ازمند توجه خاص و مراقبتهای و?ژه است . ضا?عات پوست? از شا?ع تر?ن مشک?ت پوست م?باشند که به دو نوع عروق? و غ?رعروق?(م?نوس?ت?) تقس?م بندی م?شوند . ضا?عات م?نوس?ت? اکثرا از نوع خوش خ?م ودر بعض? موارد بدخ?م(م?نوما) م?باشند . ازآنجاکه درصد زنده ماندن شخص مبت? به سرطان م?نوما ، با ضخامت تومور رابط? عکس دارد ، لذا تشخ?ص بموقع ا?ن ب?ماری بس?ار ح?ات? است . پزشکان در تشخ?ص نوع ضا?ع? م?نوس?ت? از ?کسری و?ژگ?های ظاهری ضا?عه استفاده م?کنند ، ا?ن و?ژگ?ها بصورت مدون تحت عنوان قوان?ن و?ا اصـول? مطـرح شده اند که معتبــرتر?ن و مشهورتر?ن آنها ، قانونabcd است . ا?ــن قانون براساس و?ژگ?های رنگ ، م?زان تقارن ، اندازه و درصد ب? نظم? مرز ب?ن ضا?عه و زم?نه ، پا?ه گذاری شده است . از طرف? ?ک? از عوامل تأث?رگذار بر صحت تشخ?ص نوع ضا?عه توسط متخصص ، دراخت?ار داشتن تصو?ر واضح و دق?ق از محدوده متعلق به ضا?عه است ، تا پزشک بتواند و?ژگ?های موردنظر را بدرست? استخراج کند . ب?ش از دودهـه است که س?ستمهای تصو?رگر نوری با نام درماتوسکوپ ، جهت کمک به متخصص?ن در مشاهده ضا?عات پوست? ، به بازار ارائه شده است . با پ?شرفت تکنولوژی ، ا?ن س?ستمها اخ?را تبد?ل به س?ستمهای تصو?ربرداری کام? د?ج?تال شده اند . بنابرا?ن اخـذ تصاو?ر د?ـج?تال با دقــت با? و ذخ?ره سازی آنها در غالب بانکهای اط?عات? امکانپذ?ر شده است . هدف از ا?ن تحق?ق ، طراح? نرم افزاری به جهت تشخ?ص و تفک?ک ضا?عات م?نوس?ت? از ?کد?گر ، م?باشد . ا?ن نرم افزار م?تواند در کنار ?ک س?ستم تصو?ربرداری درماتوسکوپ? د?ج?تال ، منجر به تول?د ?ک ابزار تشخ?ص? شود که مشک?ت پزشکان ازقب?ل عدم تــوانا?? در تشخ?ص نــوع ضا?ــعات در مـراحل ابتـدا?? ب?مــاری را مرتفع کند . در طــراح? نرم افزار ، با بهره گ?ری از دانش پردازش تصو?ر ، اطـ?عات و و?ژگ?ها?? از تصاو?ر استخراج م?شود که مبنای ا?ن اط?عات ، قانونabcd است . در نها?ت با استفاده از و?ژگ? استخراج شده و ?ک طبقه بنـدی کننــده مناسب ، از نوع شبک? عصبــ? آموزش داده شده ، نوع هر ضا?عه م?نوس?ت? اعم از خوش خ?م ?ا بدخ?م تع??ن م?شود .

اجرای صحیح حرکات در انسان از اصول فراوانی نظیر پیش بینی، برنامه ریزی، هماهنگی و تعادل پیروی می کند. همین امر لزوم بررسی همه جانبه ی مخچه به عنوان یکی از ارکان ایجادکننده هماهنگی و تعادل را به اثبات می رساند. تا کنون مدلهای کنترلی فراوانی با تقلید از فیزیولوژی مخچه ارائه شده اند. در این پایان نامه، چگونگی استفاده از این مدل ها در کنترل حرکت و نقش مخچه در یادگیری و تنظیم حرکت به صورت یادگیری دینامیک اعضای حرکتی بررسی شده است. همچنین به منظور تکمیل زنجیره ی تولید فرامین حرکتی، ارتباط مخچه با سایر اجزای سیستم عصبی مرکزی مورد بررسی قرارگرفته است. به علت ماهیت غیر خطی و تغییر پذیر با زمان سیستم های بیولوژیک، نیاز به استفاده از روشهای کنترلی پیچیده تر حس می شود. در این میان مدل کنترلی cmac با الهام از فیزیولوژی مخچه نتایج مطلوبی را در کنترل سیستمهای پیچیده و غیر خطی نشان داده است. از این رو در این پایان نامه، شبکه عصبی cmac بهمراه پارامترها و تکنیکهای آموزش بهینه آن به تفصیل بیان و شبیه سازی شده است. در ادامه با بررسی کاربردهای کنترلی cmac در روباتیک، به ارائه روشهایی برای کنترل سینماتیک معکوس و جبران سازی عملکرد کنترلگرهای معمول نظیر pid پرداخته شده است. در انتها با استفاده همزمان از دو مدل cmac و feedback error learning برای اولین بار روشی جهت مدیریت نرخ تحریک fes ارائه شده است. نتایج بدست آمده توانایی مدل های مخچه ای را در کنترل حرکات بیمار مجازی به اثبات می رساند.

با توجه به پیشرفت¬های علم پزشکی، هنوز درمان قطعی برای افراد معلول حاصل نشده است. بنابراین مهندسین نیز در تلاش¬اند تا با ایجاد روش¬های الکتریکی و حتی مکانیکی، بازتوانی در عضو فلج این بیماران پدید آوردند و انجام امور روزمره زندگی آن¬ها را بهبود بخشند. از جمله این روش¬ها، تحریک الکتریکی عملکردی (fes) است که آینده¬ای روشن به روی پیشرفت¬های مهندسی در توانبخشی و بازتوانی حرکت افراد معلول ایجاد نموده است. با این¬حال، سیستم کنترلی fes که در عمل بتواند با عدم قطعیت¬های سیستم عضلانی – اسکلتی و تغییرات روز به روز و فرد به فرد آن و نیز اغتشاشات محدود محیطی مقاوم و تطبیق¬پذیر باشد، هنوز به عنوان مسأله¬ای اساسی در پژوهش¬های علمی مطرح می-باشد. ما در این تحقیق، با هدف بازتوانی حرکت در بازوی فلج برای انجام reaching، کنترل تطبیقی- فازی ترمینال پیوسته مد لغزشی را به عنوان کنترلی مقاوم و تطبیق¬پذیر طراحی کرده¬ایم. این کنترل، با بکارگیری سیستم تقریب زننده فازی بدون نیاز به هرگونه بازشناسی اولیه از سیستم تحت کنترل، قادر است تا الگوهای تحریک مناسب را برای انجام حرکت مطلوب تولید کند. اما بدلیل وجود پدیده چترینگ، در عمل منجر به تحریک دینامیک¬های فرکانس بالای مدل نشده سیستم خواهد شده که امکان ناپایداری غیر قابل پیشگوئی را فراهم می¬سازد. از این¬رو، با استفاده از روش لایه مرزی و بکارگیری قانون تصمیم در ترکیب دو کنترل شبکه عصبی و ترمینال پیوسته، توانسته¬ایم تا حد مطلوبی چترینگ را کاهش دهیم. بازوی انسان به صورت سه لینکه با سه درجه آزادی برای حرکت در صفحه و دو لینکه با چهار درجه آزادی برای حرکت در فضای سه بعدی، به عنوان بیمار مجازی مدل شده است. با توجه به اینکه درفضاهای کاری ذکر شده، هر دو مدل دارای افزونگی سینماتیکی در انجام حرکات خود می¬باشند، تعیین مسیر واحدی برای مفاصل در تولید یک حرکت خاص، نیازمند بکارگیری روش¬های بهینه¬سازی است. با هدف ایجاد مسیرهای مطلوب به صورت برخط و اعمال آن¬ها به کنترل کننده، از شبکه عصبی بازگشتی برای حل برخط مسائل بهینه¬سازی استفاده نموده¬ایم. تابع هزینه از نوع qp برای حداقل انرژی در انجام حرکت تعریف شده که امکان در نظر گرفتن محدودیت¬های فیزیکی مفاصل را نیز فراهم می¬سازد. نتایج نشان داده¬اند که الگوریتم بهینه¬سازی برخط در تعامل مطلوبی با کنترل کننده ترکیبی شبکه عصبی – ترمینال پیوسته، حتی در حضور نویز و اغتشاش از نوع گشتاور، خطاهای بسیار کمی را در ردیابی مسیرهای مطلوب ایجاد نموده و کار هدفمند reaching با خطای بسیار کمی از نقطه شروع تا نقطه هدف عملگرنهایی انجام شده است. با هدف بازیابی حرکت در بازوی افراد فلج، نیاز به طراحی کنترل مقاوم و تطبیق پذیر با عدم قطعیت های سیستم بیولوژیکی و اغتشاشات محیطی وجود دارد که از این رو با طراحی کنترل ترکیبی شبکه عصبی-ترمینال پیوسته در صدد کنترل حرکت reaching بازوی انسان بر آمدیم از طرفی با توجه به افزونگی سینماتیکی در بازوی انسان مسیرهای واحدی برای مفاصل در حرکت reaching وجود ندارند و با توجه به اینکه reaching یک حرکت هدفمند است در این تحقیق الگوریتم بهینه سازی برخطی را با کنترل کننده همراه نموده ایم تا مسیرهای مطلوب را بصورت برخط برای کنترل کننده فراهم نماید و با مدل کردن بازوی انسان با سه و جهار درجه آزادی در حکم بیمار مجازی عملکرد توام کنترل کننده و الگوریتم مسیریابی برخط را در برابر نویز، اعتشاش و تغییرات پارامتری مدل نشان داده ایم.

در سیستم های واسط مغز و کامپیوتر، کاهش تعداد کانال ها، چه در هنگام ثبت، با کاهش هزینه و پیچیدگی دستگاه ها، کاهش زمان آمادگی برای ثبت و افزایش راحتی کاربر و چه در مرحله¬ی پردازش با کاهش حجم محاسبات و پردازش ها به تحقق یک دستگاه bci با قابلیت حمل کمک می کند. می دانیم که با حذف کانال هایی که حاوی اطلاعات متمایز کننده نیستند علاوه بر بهبود های ذکر شده، دقت طبقه بندی نیز می تواند افزایش یابد. اما این افزایش دقت، با ویژگی های سابق، فقط در صورتی رخ می دهد که هیچ اطلاعات متمایز کننده ای را حذف نکنیم یا برای غلبه بر این مسأله، ویژگی های جدیدی تعریف کرده و یا به مجموعه¬ی ویژگی سابق بیفزاییم. در این پژوهش، دو مونتاژ مستقل از فرد معرفی کرده و سعی می کنیم با بررسی ویژگی هایی که تا کنون مورد استفاده قرار می¬گرفته، تابعی غیرخطی از آن ویژگی ها تعریف می کنیم که بتواند کاهش دقت ناشی از حذف کانال ها را تا حد¬ممکن جبران کند. دو مونتاژ معرفی¬شده¬ی گسترده و متمرکز حول ناحیه¬ی حسی-حرکتی نرخ خطای طبقه¬بندی را به طور میانگین به ترتیب 28% و 15% نسبت به روش dfbcsp و 47.6% و 37.5% نسبت به نتایج روش معیار فاصله¬ی ریمانی کاهش می¬دهد.

چکیده ندارد.