اندازه گیری فشار درون جمجمه ای بعد از جراحی های مغزی در بیماران ضربه مغزی یا توموری و یا مبتلایان به هیدروسفالوس، از اهمیت ویژه ای برای مراقبت های بعد از عمل برخوردار است. روش متداول اندازه گیری فشار درون جمجمه ای قرار دادن کاتتر در فضای مناسبی از جمجمه با ایجاد سوراخی در جمجمه می باشد. این روش علاوه بر تهاجمی بودن احتمال ایجاد عفونت در مغز را افزایش می دهد. تلاش های گوناگونی در دو دهه گذشته برای اندازه گیری غیرتهاجمی این فشار انجام شده که در بعضی موارد موفقیت های قابل توجهی حاصل شده است. از آن جمله، روش اندازه گیری غیرتهاجمی اشمیت توسط مدلسازی ایجاد فشار مایع مغزی توسط یک سیستم خطی می باشد. این روش برای اولین بار در 1998 ارائه شد و در تا سال 2005 کامل تر گردید. این روش با خطای قابل قبولی امکان تخمین پیوسته شکل موج فشار درون جمجمه ای را فراهم می کند. او از این روش برای اندازه گیری فشار درون جمجمه ای در بیماران ضربه مغزی بهره برد. در این پایان نامه، روش های اندازه گیری غیرتهاجمی فشار درون جمجمه ای به اختصار آورده شده است و روش اندازه گیری غیرتهاجمی فشار درون جمجمه ای توسط مدل خطی اشمیت پیاده سازی شده است. این روش برای اولین بار روی بیماران توموری بستری شده در بیمارستان شهدای تجریش مورد آزمایش قرار گرفته است و عملکرد این روش روی این دسته از بیماران بررسی شده است. نتایج نشان دهنده کرولیشن 0.96 و میزان خطای 2.17 mmhg با معیار جذر میانگین مربعات خطا میان سیگنال تهاجمی و شکل موج شبیه سازی شده می باشد.

پروژه حاضر ضمن بررسی و تحلیل پروسه کنترل کیفی، به ارائه نرم افزاری به منظور پردازش تصویر فانتوم کنترل کیفی دستگاه سونوگرافی b-mode می پردازد. این نرم افزار برای استخراج پارامتر های کنترل کیفی دستگاه سونوگرافی b-mode مورد استفاده قرار خواهد گرفت. پارامترهای کنترل کیفی مورد بررسی در این پروژه عبارتند از : اندازه گیری عمق نفوذ موج ماورا صوت بررسی توان دستگاه دراندازه گیری فواصل عمقی بررسی توان دستگاه دراندازه گیری فواصل عرضی اندازه گیری توان تفکیک عرضی و عمقی اندازه گیری ارزیابی توان تفکیک کنتراست و میزان اعوجاج هندسی تصویر اندازه گیری طول منطقه مرده در انتها ضمن ارزیابی روش های ارائه شده به منظور پردازش تصویر فانتوم کنترل کیفی دستگاه سونوگرافی b-mode ، به مقایسه نتایج حاصل از آن با نتایج اخذ شده از متخصص سونوگرافی پرداخته می شود.

یکی از علل عمده تصادفات رانندگی در جاده ها، به خواب رفتن راننده است. فقدان خواب می تواند جنبه های توانمندی و قابلیت های انسان را تحت تأثیر قرار دهد. خواب آلودگی زمان عکس العمل را که از پارامترهای حیاتی برای رانندگی مطمئن است، افزایش می دهد. به علاوه به مراقبت، هوشیاری، سطح آگاهی و تمرکز و نیز توانایی انجام فعالیت های نیازمند توجه خاص مانند رانندگی نیز لطمه وارد می شود. بررسی ها نشان می دهند که تعداد کشته ها و مجروحین در تصادفات ناشی از خواب آلودگی 50 درصد بیشتر از تعداد آن ها در کل تصادفات دیگر است. در راستای ارتقای ایمنی تردد جاده ای، با این عامل نیز می بایستی برخورد علمی- اجرایی صورت گیرد و عوامل منجر به بروز خواب آلودگی و نشانه های آن شناسایی شود و به دنبال آن اقدامات در راستای جلوگیری از بروز و تخفیف صدمات احتمالی انجام شود. از آنجایی که سیگنال مغزی (eeg) می تواند از وضعیت مغز و فعالیت آن بطور لحظه ای و همزمان خبر دهد، بسیاری از موارد تحقیقاتی جهت آگاهی از وضعیت هوشیاری راننده بر سیگنال eeg متمرکز شده است. هدف از این مطالعه طراحی یک سیستم خودکار کارا جهت تشخیص خواب-آلودگی در هنگام رانندگی و تعیین یک الگوی مناسب از کانال های بهینه، جهت یافتن موقعیت و کارآیی بهتر کانال ها به منظور آسایش و راحتی کاربر است. بر این اساس، سیگنال eeg با پروتکل جدیدی مبتنی بر شرایط موجود در رانندگی با استفاده از شبیه سازی مجازی محیط رانندگی، ثبت گردید. در ابتدا دو تکنیک تبدیل فوریه و تبدیل موجک و قدرت طبقه بندی کننده های گوناگون جهت شناسایی ویژگی های مناسب مورد ارزیابی قرار گرفتند. سپس از میان روش های کاهش بعد ویژگی، آنالیز مولفه اساسی به همراه روش های انتخاب ویژگی مورد بررسی قرار گرفت. در نهایت، ساختار پیشنهادی شامل روش انتخاب ویژگی جلوسو و طبقه بندی کننده ماشین بردار پشتیبان می باشد، که تعداد کانال های ثبت را به 10 کانال بهینه کاهش داد و با صحت بالایی (حدود 90%) دو گروه هوشیار و خواب آلود را از هم جدا نمود. همچنین روش پیشنهادی توانست از میان 10 کانال بهینه انتخاب شده ترکیب-هایی را شناسایی کند که با تعداد کانال کمتر و الگو های کارآمد متنوع منجر به همان نرخ بازشناسی مذکور گردند.

مطالعات مستقلی در دانش عصبی شناختی و روانشناسی خبر از وجود یک الگوی شناختی در تولید اعداد تصادفی می دهند، که قابلیت تمایز را در جمعیت های بالینی دارا می باشد، اما تاکنون این توانایی افراد، جهت بازشناسی آنان به کار برده نشده است. نتایج بدست آمده از مطالعه تصویری مغز در حین تولید اعداد تصادفی نشان دهنده فعال شدن نواحی خاصی است که این نواحی به عنوان مرکز خلاقیت ذهنی هر فرد شناخته می شود. با توجه به این مسئله که میزان توانایی در ایجاد ابتکار برای هر فرد، در حین انجام کارهای روزانه اش متفاوت است، می توان فرض نمود که این فرد در حین تولید اعداد تصادفی هم میزان ابتکار منحصر به فردی را از خود به نمایش خواهد گذاشت. این مسئله یکی از اساسی ترین اصول این مطالعه است و در این پروژه هدف نهایی، تعیین میزان تمایز ایجاد شده در سری های اعداد تصادفی افراد متفاوت است به صورتی که تخمینی از میزان خطای بازشناسی افراد با استفاده از اعداد تولید شده آن ها، زده شود. برای رسیدن به این هدف، سه پروتکل کاملا جدید بر مبنای مطالعات موجود در این زمینه پایه گذاری و اجرا شدند: پروتکل کلاه، تاس ها و صفحه کلید. داده های مربوط به 30 فرد در این مطالعه، جمع آوری و پردازش شد. افراد شرکت کننده در این پروژه تا حد مقدور از قشرهای متفاوت انتخاب شدند تا نتایج بدست آمده را در این مطالعه، منحصر به قشر خاص نباشد. روش های پردازش پروتکل ها، به چهار روش جدا تقسیم بندی شدند و نتایج هر کدام از آنها در بخش مربوط به خود آورده شده است. بهترین نتیجه در روش چهارم پردازش و بر روی دادگان پروتکل کلاه بدست آمد. در این سطح، از ویژگی های آماری خطی و غیرخطی جهت استخراج ویژگی از اعداد استفاده شد و طبقه بندی کننده خطی با درصد خطای 44% و 33% به عنوان بهترین کلاسبند داده های پروتکل کلاه و تاس ها انتخاب شد و در مرحله آخر ویژگی های استفاده شده در این مرحله ارزیابی شدند. هر چند ابعاد این مطالعه اجازه نتیجه گیری کلی را در این زمینه نمی دهد اما بدست آمدن چنین نتایجی در پردازش اعداد تصادفی بعنوان روش جدیدی در زیست سنجی ها بسیار ارزشمند است.

چکیده خواب به زیر مجموعه قسمت ها و مراحل مختلفی تقسیم بندی می شود چنان که هر مرحله از خواب دارای مشخصه فرکانسی و الگو های خاص خود می باشد. با باتوجه به اینکه که شخص در حین روز با چه مسائلی درگیر بوده و چقدر از ذهن فرد را مشغول کرده، تعداد این الگو ها و مدت زمان مراحل خواب تغییر می کند. در سال های اخیر الگو های دوک و k-complex در خواب پس از یادگیری به عنوان شاخص یادگیری مورد توجه بوده است. بر اساس نوع یادگیری قسمت-های مختلفی از مغز مورد تحریک قرار می گیرد. در این پژوهش بخش مورد نظر جهت تحریک، لیمبیک بوده که شامل کرتکس لیمبیک و تالاموس است و مربوط به احساسات هیجانی می باشد. در این پروژه افراد دو عصر متوالی در مرکز تحقیقات اختلالات خواب بهارلو برای دو خواب عصر متوالی حاضر شدند. خواب روز اول برای سازگاری با محیط و گرفتن سیگنال پایه شخص بوده است و روز دوم، خواب اصلی برای تحریک احساسی می باشد که شخص بلافاصله قبل از خواب مورد تحریک قرار می گیرد. به طوری که وقتی که شخص در روند یادگیری قرار می گیرد درسیگنال های eeg خواب پس از یادگیری تغییرات قابل ملاحظه ای دیده می شود. هدف از انجام این پژوهش بررسی تغییرات الگو های دوک و k-complexدر مراحل دو و سه خواب می باشد با این فرض که هر شخص تغییرات بیشتری در جهت افزایش الگو ها داشته باشد تثبیت اطلاعاتی بهتری، با بررسی تست صورت گرفته پس از خواب روز دوم، داشته است. از دیگر اهداف این پژوهش تشخیص سیگنال های دوک و بهبود نتایج آن نسبت به مطالعات قبلی بوده است. در این مطالعه از ویژگی های زمانی و آشوبی از مراحل پیش پردازش سیگنال برای تشخیص دوک بهره برده ایم. به طوری که موفق به بهبود نتایج شدیم؛ حداکثر صحت 93/94، حساسیت 58/94 و اختصاصی سازی 28/95 درصد. نتایج به دست آمده در این پژوهش از این جهت قابل ملاحظه است که نه تنها از نظر صحت بالاترین مقدار به نسبت مطالعات قبلی بدست آمد بلکه نتایج حاصل از این ویژگی ها دارای کمترین انحراف استاندارد بوده است. کلمات کلیدی: سیگنال های eeg، دوک خواب، k-complex، امواج آهسته خواب، آشوب گونه، آشکارسازی، حافظه، یادگیری

در طول دهه گذشته، مطالعات متنوعی برای توصیف نقش خواب در تثبیت حافظه و نحوه شکل پذیری ارتباطات سیناپسی مغز، صورت پذیرفته است. این یافته ها نشان می داد که خواب و مراحل گوناگون آن، به فرایندهای نهفته ای که در تثبیت هر دو گونه حافظه اخباری و غیر اخباری نقش دارند، کمک می کند. تا به امروز گزارش هایی درباره ی اثرات خواب بر روی حافظه عاطفی، منتشر شده است. این گزارش ها نشان می دهد بهبود، تثبیت و یکپارچگی حافظه که آن را معادل با یادگیری در نظر می گیرند، به طور چشم گیری با خواب در ارتباط است. با این حال هیچ مطالعه ای تاکنون به بررسی ارتباط بین مرحله خاصی از خواب و تثبیت حافظه و نیز نقشی که ساختارهای کلی و ریز ساختارهای خواب (اعم از ریز بخش cap a و زیر بخش های آن یعنی cap a1, a2 & a3) در این پروسه ایفا می کند، نپرداخته است. در این پژوهش با استفاده از یک الگوی خواب عصرگاهی، به اندازه گیری تثبیت (یکپارچگی) حافظه عاطفی یا به عبارتی یادگیری عاطفی، پرداخته و ارتباط آن را با ساختارهای کلی و ریز ساختارهای خواب، بررسی می کنیم. بدین منظور سیگنال های eeg، 17 شرکت کننده در دو روز متوالی (روز پایه و روز تسک) مورد بررسی قرار گرفت (جمعاً 34 ثبت)، که نتایج به دست آمده نشان می داد خواب sws و زیر بخش cap a1، اساسی ترین نقش را در فرایند یادگیری ایفا می کنند. از دیگر اهداف این پژوهش تشخیص اتوماتیک رویدادهای cap بود. برای نیل به این منظور، از دو مونتاژ c4-a1 و f4-c4 سیگنال eeg، 25 ویژگی استخراج گردید. این ویژگی ها شامل ویژگی های نشانگر دامنه، نشانگر توان و پارامترهای hjorth در 5 زیر باند فرکانسی مختلف، بود. برای تفکیک رویدادهای cap از non-cap از چهار طبقه بندی کننده mlp، knn، svm و lda و تکنیک ارزیابی k-fold استفاده گردید. بر اساس نتایج به دست آمده، از لحاظ دقت تفکیک رویدادهای cap از non-cap، طبقه بندی کننده mlp با درصد صحت 79.60 درصد، برای مونتاژ f4-c4، کارایی بهتری در مقایسه با طبقه بندی کننده های دیگر داشت.

تعامل انسان- کامپیوتر وسیله ای برای ایجاد یک کانال ارتباطی است که مقاصد انسان را که در سیگنال های مغزی مانند eeg منعکس می شود، به فرمان های کنترلی تبدیل می کند. مولفه ای که در سیگنال eeg بیشتر از همه برای تمایز بین حالت های ذهنی به کار می رود، پتانسیل های وابسته به رخداد است که تغییرات در توان طیفی سیگنال های مربوط به فرآیندهای وابسته به حرکت را مورد بررسی قرار می دهد. تصور یا انجام حرکت منجر به یک تضعیف کوتاه مدت به نام آسنکرون شدن وابسته به رویداد در مولفه های eeg در باندهای ? و ? می شود. چنین تصور حرکاتی که موجب تغییر در ریتم های مغزی ناحیه مربوط به حرکت می شود به عنوان وسیله ای برای ایجاد ارتباط در افراد با اختلالات شدید حرکتی معرفی شده است. با این دیدگاه که ریتم های ناحیه مربوط به حرکت از نواحی بسیار متمرکز در ناحیه قشری منشأ می گیرد، سیگنال همه الکترودها برای کلاس بندی اطلاعات یکسانی ندارند. نتیجتاً سیگنال الکترودهای مختلف باید به گونه ای وزن دهی شوند تا ارزششان برای کار کلاس بندی مشخص شود. روش الگوهای مکانی مشترک بر مبنای تجزیه سیگنال ها ی خام eeg در دو کلاس به الگوهای مکانی است به گونه ای که تفاوت آنها را ماکزیمم کند. اعمال این الگوهای مکانی به سیگنالها، مجموعه ای از الکترودهای وزن دهی شده را فراهم می کند که مستقیماً از خود داده بدست آمده اند. اگرچه اعمال csp به eeg فیلتر نشده و یا فیلتر شده اما با انتخاب باندهای فرکانسی ضعیف، صحت تشخیص ضعیفی را نتیجه می دهد. در این تحقیق، به منظور یافتن باند فرکانسی حاوی بیشترین اطلاعات متمایزکننده در روش csp در دو کلاس تصور حرکت ، سیگنال های eeg با استفاده از فیلتر بانک به زیرباندهایی تجزیه شده و ماتریس وزن csp در هرکدام از زیر باندها جداگانه استخراج شده است. سپس برطبق اطلاعات جداکننده بدست آمده از سیگنال های فیلترشده مکانی، دو زیرباند بهینه انتخاب شده و بعد از وزن دهی ویژگی ها در این دو زیرباند توسط روشdslvq ، با استفاده از کلاس بند svm کلاس بندی شده اند. مقایسه نتایج بدست آمده از این روش با روش متداول csp، حاکی از بهبود 7.86? در صحت کلاس بندی داده های تست می باشد.