در سال های اخیر، بازشناسی الگوی حرکت انسان کاربردهای زیادی در سیستم های نظارت بر سلامتی، سیستم های زمینه-آگاه، کنترل مبتنی بر ژست و ورزش پیدا کرده است. گستره ی بسیار وسیعی از تجهیزات و روش ها برای این منظور در کارهای مرتبط مورد استفاده قرار گرفته است. در اینجا، از یک شتاب سنج سه محوری به عنوان هسته ی سخت افزار و سیستم عصبی-فازی به عنوان روش اصلی استفاده شده است. فرآیند بازشناسی فعالیتی که در این پایان نامه بکار رفته است، شامل 4 مرحله ی قطعه بندی، استخراج ویژگی، انتخاب ویژگی و دسته بندی می-باشد. بعد از قطعه بندیِ سیگنال شتاب به فریم هایی با طول برابر، 126 ویژگی متفاوت از هر فریم استخراج می شود. سپس، بهترین ویژگی ها با استفاده از سیستم عصبی-فازی تعیین می-شوند. برای دسته بندی نیز علاوه بر سیستم عصبی-فازی، از دسته بندی کننده ی ساده ی بیز، درخت تصمیم گیریِ c4.5، ماشین بردار پشتیبانی (svm)، شبکه ی عصبیِ پرسپترون چند لایه (mlp) و تابع پایه ی شعاعی (rbf)، نزدیک ترین همسایه، رگرسیون لوجستیک و آدابوست استفاده شده است. نتایج تجربی نشان می دهد که دقت سیستم عصبی-فازی در بازشناسی یازده فعالیت عادی (شامل ایستا، پویا و حالات گذار) بیش از 98 درصد، در تشخیص سقوطِ معمول و سقوطِ پیش از برخورد به ترتیب 99 و 94 درصد و در بازشناسی 36 حرکت ریز دست (ژست) حدود 95 درصد بوده است. همچنین، نتایج آزمایشات نشان می دهد در بازشناسی فعالیت های عادی، بهترین محل برای نصب شتاب سنج به ترتیب بازو، ران و زانو و بهترین نوع ویژگی ها به ترتیب میانگین ضرایب کپستروم حقیقی، مقدار تکین، ویژگی های فیلتر haar مانند، انرژی و rms می باشد. ضمن اینکه آدابوست، rbf، سیستم عصبی-فازی و mlp به ترتیب بالاترین دقت دسته بندی را می دهند که در این بین، سیستم عصبی-فازی کمترین هزینه ی محاسباتی را دارد. در نهایت می توان نتیجه گیری کرد که یک سیستم عصبی-فازی با پارامترهای مناسب می تواند الگوی حرکات انسان را که توسط داده های سه محورِ شتاب ایجاد شده اند، با دقت بالا بازشناسی نماید.

. هدف در این پروژه دست یابی به یک فضای ویژگی بهینه جهت تفکیک فعالیت های ذهنی می باشد. یکی از راهکارهایی که برای طراحی چنین فضای ویژگی مفید به نظر می رسد، استفاده از الگوریتم تجزیه به مدهای تجربی (emprical mode decomposition) است. این الگوریتم به دلیل تطابق خصوصیات غیرخطی و غیرایستان آن با ماهیت سیگنال های eeg و سوابق روشن آن در سیگنال های حیاتی ایده مناسبی برای تدوین فضای ویژگی مذکور به شمار می رود. فضای ویژگی مورد نظر با استفاده از تعریف چند نوع از ویژگی های آماری و طیفی بر روی خروجی تبدیل emd طراحی شده است.

فعالیت های شناختی بخشی از فعالیت های مغزی است که در طی کارهایی مانند تشخیص و شناسایی ورودی های حسی، تمرکز و ... بروز می کند. یکی از روش های پرکاربرد در مطالعات مربوط به این فعالیت ها، ثبت پیوسته پتانسیل های الکتریکی مغز (الکتروانسفالوگرافی eeg) است. پتانسیل های وابسته به رخداد (erp)، نوعی از سیگنال eeg است که درشرایط اعمال تحریک به شخص و یا وقوع یک رخداد ظهور می کند. در اکثر مطالعات p300 به عنوان برجسته ترین مولفه شناختی در سیگنالهای مغزی معرفی شده است. با توجه به ارتباط تنگاتنگی که بین بروز این مولفه و فعالیت شناختی مغز وجود دارد، در بسیاری از تحقیقاتی که به نحوی با جنبه شناختی فعالیت مغز سر و کار دارند، مانند سیستم های واسط مغز و رایانه و دروغ سنجی، از این مولفه استفاده شده است. در این پایان نامه هدف، توسعه روش های بازشناسی آماری الگو در تشخیص مولفه p300 است. برای این منظور پس از مطالعات اولیه بر روی مبانی فیزیولوژیکی بروز p300، کارهای قبلی در این حوزه مورد مطالعه قرار گرفت تا زمینه برای معرفی سیستم پیشنهادیِ آشکارساز مولفه p300 فراهم گردد. این سیستم از چهار بلوک اصلی پیش پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه بندی کننده تشکیل شده است که برای هر بلوک روش های مختلفی پیشنهاد و کارایی آنها ارزیابی شد تا روش های بهینه انتخاب گردند. در همین راستا در مرحله استخراج ویژگی شش دسته ویژگی شامل قطعه بندی، ضرایب موجک، الگوهای مکانی مشترک، ویژگی های شکلی- زمانی، ویژگی های فرکانسی و دسته ویژگی ترکیبیِ الگوهای مکانی مشترک و قطعه بندی، تعریف شدند که برخی از این ویژگی ها (مانند ویژگی های قطعه بندی، الگوهای مکانی مشترک و ترکیبی) تا کنون یا مستقیماً برای آشکارسازی p300 به کار نرفته بودند یا در موارد بسیار معدودی از آنها استفاده شده بود. سپس با معیارهای مختلفی ویژگی ها به صورت تک تک و گروهی مورد ارزیابی قرار گرفتند و نهایتاً ترکیبی بهینه از مجموع این ویژگیها به طبقه بندی کنند تحلیل تفکیک خطی گام به گام داده شد. به این ترتیب صحت سیستم حاصل 05/97% شد که در قیاس با نتایج مطالعات قبلی در این حوزه، نتیجه برتری است.

در این پایان نامه برای بهسازی گفتار با استفاده از آرایه میکروفونی، از شکل دهنده پرتو و به دنبال آن از یک پسافیلتر استفاده شده است. برای این منظور بر روی شکل دهنده پرتو فوق جهتی، در دو حوزه پردازشی میدان-دور و میدان-نزدیک تمرکز شده است. از آن جا که گفتار سیگنالی باندوسیع است، برای بهبود عملکرد سیستم، شکل دهنده پرتو فوق جهتی به صورت زیر آرایه ای، پیاده سازی گردیده است. در ادامه، با ترکیب شکل دهنده پرتو فوق جهتی با ساختار generalized sidelobe canceller کارایی ساختار، به ویژه در حذف نویزهای جهتی ارتقاء یافته است. برای این منظور در یک آزمایش از یک آرایه میکروفونی lشکل و با استفاده از gsc، ساختار gsc-sdb ارزیابی شده و در آزمایشی دیگر با استفاده از lcmv به جای blocking matrix، ساختارgsc-sdb برای زوایای دید دلخواه تعمیم داده شده است. سپس این ایده برای شرایط میدان-نزدیک نیز ارزیابی شده است. به منظور بهبود عملکرد سیستم چندکاناله، در خروجی شکل دهنده پرتو از پسافیلتر استفاده شده است. برای این منظور، پسافیلترهای تک کاناله و چندکاناله مورد توجه قرار گرفته است. در ادامه عملکرد پسافیلتر mccowan در محیط های نویزی واقعی، با بدست آوردن تابع همدوسی از سیگنال های ورودی آرایه به نحو قابل توجهی بهبود داده شده است. همچنین با بکارگیری الگوریتمی مشابه mccowan بر روی پسافیلتر stsa(short time spectral amplitude)، تغییرات عملکرد این پسافیلتر در شبیه سازی بررسی شده است. در نهایت ایده استفاده از پسافیلتری با ترکیب پسافیلترهای چندکاناله و تک کاناله و برای مرتفع کردن نارسایی های این ایده از پسافیلتر زیرباندی که در آن برای هر زیرباند از پسافیلتری مناسب آن زیرباند استفاده می شود، ارائه شده و عملکرد مناسب آن مشاهده گردیده است.

یکی از مراحل بسیار مهم در سیستم های تایید چهره، استخراج ویژگی های توصیف کننده و متمایز کننده کاربران است. الگوی دودویی محلی (lbp) یکی از موثرترین روش های شناخته شده برای این منظور است که ضمن توصیف مناسب داده های تصویری بر ویژگی های متمایز کننده افراد متفاوت تاکید نموده و اثر شرایط نورپردازی محیط را کاهش می دهد. از سوی دیگر نشان داده شده است که به کارگیری روش تجزیه به مدهای تجربی (emd)، نیز شیوه ای موثر برای توصیف داده ها و حذف افزونگی داده ها می باشد. هدف از این پژوهش در گام نخست، بهبود سیستم تایید چهره با ترکیب این دو روش استخراج ویژگی است. برای این منظور الگوریتم های مختلف پیاده سازی این روش ها و همچنین حالت های مختلف ترکیب این دو روش مورد بررسی و تجزیه و تحلیل واقع می شود. در گام دوم این پژوهش، روشی جدید و کارامدتر نسبت به lbp، با عنوان الگوی مشتق به هم پیچیده اصلاح شده (midp) ارائه می شود. ترکیب روش پیشنهادی با فرایند تجزیه به مدهای تجربی نیز مورد بررسی قرار می گیرد. نتایج بدست آمده از آزمایش ها نشان می دهد، استفاده هم زمان از lbp و emd باعث بهبود کارایی سیستم تایید چهره می گردد. البته مشکلی که برای استفاده از emd وجود دارد زمان بر بودن الگوریتم استخراج توابع حالت ذاتی در آن می باشد. همچنین نتایج بدست آمده توانایی midp را جهت توصیف مناسب تر داده های تصویری نسبت به lbp نشان می دهد.

مکان یابی منبع گفتار در بسیاری از سیستم های پردازش گفتار از قبیل سیستم های تله کنفرانس، سیستم های بازشناسی صوت، اتاق های کنفرانس هوشمند و سیستم های کمک شنوایی کاربرد دارد. امروزه مکان یابی منبع صوت با کمک آرایه های میکروفونی از موضوعات مورد توجه می باشد. این آرایه ها در نهایت سیگنال دارای کیفیت مطلوب را از منبع صوتی تهیه می کنند و منابع صوتی غیر دلخواه را حذف می کنند. اما یکی از چالش های پیش رو در کاربردهای ذکر شده، بحث مکان یابی چند گوینده همزمان است. در این پایان نامه به بررسی یکی از روش های مکان یابی چندین گوینده همزمان که بر اساس الگوریتم های جداسازی کور منابع (bss) است، می پردازیم. bss را می توان به صورت مجموعه ای از شکل دهنده های پرتو صفر و تطبیقی کور درنظر گرفت. در حقیقت در حالی که برای یافتن مکان منابع، به اطلاعاتی در مورد مکان منابع نیاز داریم تا شکل دهنده پرتو را به سمت آن ها هدایت کنیم، bss بدون داشتن این اطلاعات اولیه، امکان بازیابی سیگنال ها را از سیگنال های ضبط شده در میکروفون ها -که ترکیبی از سیگنال های همزمان هستند- فراهم می کند. این به آن معناست که فیلترهای جداکننده bss حاوی اطلاعات مهمی در مورد مکان منابع هستند. در نهایت با توجه به فیلترهای جداکننده حاصل از الگوریتم bss، می توان الگوی تشعشعی بدست آورد که با یافتن مینیمم ها در این الگو، قادر به تخمین مکان منابع هستیم. در این پایان نامه به منظور بهبود عملکرد الگوریتم مکان یابی در محیط های انعکاسی، روشی پیشنهاد کردیم که در آن تنها بزرگترین ضریب فیلترهای جداکننده که متناظر با مسیر مستقیم است را درنظر گرفته و الگوی تشعشعی را محاسبه می کنیم. همچنین برای کاهش بار محاسباتی، محدوده فرکانسی موردنظر برای فرآیند متوسط گیری را کاهش می دهیم. نتایج شبیه سازی گویای دقت بالاتر الگوریتم پیشنهادی در تخمین مکان منابع همزمان نسبت به روش های مشابه می باشد

با توجه به اهمیت روزافزون امنیت اطلاعات و نیاز افراد و سازمان‍ها به امنیت بیشتر به خصوص در فناوری های ارتباطاتی و اطلاعاتی، ابزارهای قدیمی مانند رمز عبور به تنهایی جوابگو و قابل اعتماد نمی باشند. با ظهور دانش بیومتریک روش های متداول تأیید هویت در سیستم های بیومتریک دچار دگرگونی شده و در حال جایگزینی با روش هایی بر پایه ی علایم حیاتی می باشند. اخیراً کاربرد سیگنال الکتریکی مغز(eeg) در سیستم های بیومتریک به عنوان یک شاخه پژوهشی جذاب و کاربردی مورد توجه محققین قرار گرفته است. در این پژوهش با در نظر گرفتن بیومتریک سیگنال الکتریکی مغز، مجموعه ای از روش های مختلف استخراج، انتخاب ویژگی و همچنین طبقه بندی کننده های متفاوت در قالب یک سیستم بیومتریک تأیید هویت بررسی می شود. در سیستم بیومتریک معرفی شده ی نهایی از سیگنال الکتریکی بیست کاربر در حین انجام فعالیت ذهنی استفاده شده است. ترکیبی از ضرایب مدل خود بازگشتی(ar) ، توان باندهای فرکانسی سیگنال مغز، چگالی طیف توان، آنتروپی انرژی و آنتروپی نمونه به عنوان ویژگی های مستخرج از سیگنال مغز و k نزدیک ترین همسایه و مدل مخلوط گوسی به عنوان طبقه بندی کننده، مورد استفاده قرار گرفته است. به منظور بهبود عملکرد سیستم تأیید هویت، علاوه بر بررسی ادغام در سطح حسگر و فضای ویژگی، امکان به کارگیری روش های انتخاب ویژگی به کمک الگوریتم ژنتیک نیز مورد مطالعه قرار گرفته است. نتایج آزمایش های ما بر روی پایگاه داده shalk و همکارانش بیانگر این موضوع است که با ترکیب ویژگی های متفاوت و استفاده از الگوریتم ژنتیک با به کارگیری سیگنال مغزی تک کاناله، عملکرد سیستم در دو روش تک بلوک و چند بلوک نسبت به سایر سیستم های تأیید هویت مبتنی بر سیگنال الکتریکی مغز به نحو چشمگیری بهبود می یابد و چشم انداز روشنی از استفاده ی عملی و تجاری سیگنال الکتریکی مغز در سیستم های تأیید هویت آینده را نشان می دهد.

نمایش های تُنُک، ابزار قدرتمندی را در آنالیز و پردازش سیگنال های گفتار و صوت ایجاد کرده اند و تنکی به صورت یک مفهوم کلیدی و مهم در زمینه های مختلفی چون جداسازی کور منابع، فشرده سازی، نمونه برداری و آنالیز سیگنال در آمده است. هدف از این پایان نامه، بررسی تنکیِ سیگنال گفتار در حوزه های مختلف و استفاده از نتایجِ این بررسی در مسأله ی بهسازی گفتار است. با توجه به اینکه در کاربردهای مختلف، تعابیر متفاوتی از تنکی وجود دارد، از این رو ابتدا به بررسی و تشریحِ مفاهیم و اصول کلیِ تنکی یک سیگنال می پردازیم. در این راستا شش ویژگی را برای یک معیار تنکی بیان کرده و این شش ویژگی را مبنای مقایسه ی معیارهای مطرح در زمینه ی تنکی قرار می دهیم. با بررسی هایی که انجام می دهیم، سه معیارِ gini، hoyer و kurtosis به عنوان معیارهای کارا و مناسب در سنجش میزانِ تنکی انتخاب می کنیم. نتایج حاصل از اعمال این سه معیار به سیگنال های گفتار در حوزه های مختلف (شامل حوزه ی زمان، dct، mdct، stft، dwt، gabor، mclt)، تبدیل های dct و mdct را به عنوان حوزه هایی که تنک ترین نمایش از سیگنال گفتار را موجب می شوند، معرفی می نماید. همچنین نشان داده می شود که تبدیل dct در مقایسه با تبدیل mdct خطای کمتری را در بازسازی دارد. در ادامه ی این تحقیق، موضوعِ بهسازی گفتار در تنک ترین حوزه (حوزه یِ dct) بر اساس ویژگی های سیگنال گفتار مورد بررسی قرار گرفته است. بدین منظور پس از بررسی روش های کلاسیک آستانه گذاری در حوزه ی dct و مزایا و معایب آنها، یک الگوریتم آستانه گذاری بر اساس واکداری یا بی واکی هر فریم پیشنهاد و پیاده سازی گردیده و عملکرد آن در مواجهه با سیگنال گفتار نویزی (در شرایط مختلف) مورد ارزیابی قرار گرفته است.

نظارت بر کارکرد ماشین آلات در همه ی شاخه های صنعت به سرعت در حال گسترش است. هدف از نظارت بر ماشین آلات و پایش وضعیت، مشخص نمودن عیوب مکانیکی دستگاه های در حال کار است. روش های مختلفی در زمینه پایش وضعیت وجود دارد که یکی از مهم ترین آن ها بررسی ارتعاشات ماشین ها است. عیوب ایجاد شده در ماشین ها باعث تغییر سیگنال های ارتعاشی می شوند. برای بررسی وسعت و پیشرفت عیب می توان از تحلیل های مختلفی از جمله تحلیل زمانی، تحلیل فرکانسی و نمایش های زمان- فرکانس استفاده کرد. یکی از روش های تحلیل زمانی استفاده از انتروپی تقریبی است. انتروپی تقریبی یک اندازه گیری آماری است که کمیت ها را در قالب یک سری زمانی نظم می دهد. بی نظمی سیگنال های ارتعاشی در ماشینی که دچار عیب شده و یا عیوبش در حال پیشرفت هستند، افزایش می یابد و مقداری که برابر انتروپی تقریبی است زیاد می شود. هدف از این مطالعه پیدا کردن ارتباط بین انتروپی تقریبی و برخی عیب هاست که امکان دارد در یک جعبه دنده اتفاق بیفتد. برای این منظور بر روی یک جعبه دنده عیوب دندانه سائیده شده، دندانه نیمه شکسته و یک دندانه شکسته اعمال شده و در هر مرحله داده های ارتعاشی جمع آوری می شوند. سپس داده های ارتعاشی به دست آمده به روش انتروپی تقریبی تحلیل می شوند. با استفاده از مقادیر انتروپی تقریبی به دست آمده عیب مورد نظر پیش بینی می شود. نتایج نشان می دهد که در جعبه دنده مورد مطالعه، انتروپی تقریبی می تواند تمام عیب های ایجاد شده به جز حالت چرخ دنده با دندانه نیمه شکسته از چرخ دنده با یک دندانه شکسته را تشخیص دهد. همچنین نشان داده می شود که روش انتروپی تقریبی می تواند در تشخیص تمام عیوبی که سیگنال های مختلط و نامنظم ایجاد می کنند، مورد استفاده قرار گیرد.

فعالیت های شناختی بخشی از فعالیت های مغزی هستند که در طی آن می توان حالات مختلف مغز را شناسایی و آشکارسازی نمود. یکی از روش های بسیار متداول در ثبت سیگنال های مغزی، ثبت پیوسته ی پتانسیل های مغزی یا eeg نام دارد. یکی از انواع سیگنال های مغزی، پتانسیل های وابسته به رخداد نام دارند. این سیگنال ها در شرایطی اعمال تحریک به فرد یا وقوع یک رخداد در سیگنال های مغزی ظاهر می شوند. با توجه به ارتباط تنگانگی که بین این مولفه و فعالیت های شناختی مغز وجود دارد، می توان از این مولفه در بسیاری از سیستم های واسطه مغز و رایانه یا دروغ سنجی استفاده نمود. در این پایان نامه، هدف توسعه روش های پردازش سیگنال جهت آشکارسازی مولفه ی p300 است و در آن سعی شده است دو مورد از مشکلات اساسی این سیستم ها تا حد امکان بر طرف گردد. در بسیاری از تحقیقاتی که در گذشته انجام شده است، به منظور دست یافتن به دقت مناسب از چندین تکرار آزمایش استفاده شده است، این موضوع باعث می شود که فرد مورد آزمایش خسته شود و احتمال بروز خطا افزایش می یابد. علاوه بر این به شدت باعث کاهش سرعت انتقال اطلاعات می شود. در این پایان نامه به منظور برطرف شدن این مشکل، آشکارسازی مولفه ی p300 به صورت تک ثبت در نظر گرفته شده است. یکی دیگر از عیوبی که کاربرد سیستم های واسط مغز و رایانه را محدود می سازد، نیاز به تعداد زیادی کانال ثبت سیگنال به منظور داشتن یک سیستم با قابلیت اطمینان بالا است. در این پایان نامه، با استفاده از روش های پردازشی جدید تعداد کانال ها کاهش داده شده است در حالی که سعی شده دقت هم چنان قابل قبول باقی بماند.

بیماری دوقطبی از جمله بیماری هایی است که به دلیل داشتن شباهت های زیاد با دیگر بیماری های رفتاری، اغلب روانپزشکان در تشخیص صحیح و به موقع آن با مشکل مواجه اند. با توجه به اینکه تشخیص صحیح بیماری اولین و مهمترین قدم در مسیر درمان است، استفاده از روش های تشخیصی معتبر با درصد خطای کم که وابستگی ناچیزی به شرایط محیطی، فیزیکی و بیان علائم توسط بیمار داشته باشد، قابل اهمیت است. از روش های موثر و قابل اعتماد در زمینه تشخیص بیماری های اعصاب و روان، استفاده از سیگنال های مغزی است که تا کنون بسیار دیده شده است که در اختلالات متفاوت، تغییرات منحصر به فردی در این سیگنال ها ظاهر می شود که با استخراج و طبقه بندی این تغییرات می توان به تشخیص صحیح بیماری دست یافت. در این پروژه سعی شده است که با استخراج ویژگی های مناسب در حوزه زمان و فرکانس و مقایسه طبقه بندی کننده های خطی،svm و شبکه های عصبی، بهترین ویژگی ها و مناسب ترین طبقه بندی کننده ها را جهت تشخیص این اختلال و جدا کردن افراد سالم از بیمار، تعیین شود. ویژگی های، توان باند theta، معیار تحرک و فرکانس ماکزیمم بیشترین تاثیر را در طبقه بندی این سیگنال ها داشته اند. همچنین طبقه بندی کننده خطی ، با دقت تفکیک بالای 95% دارای بهترین درصد تفکیک و کمترین زمان لازم، در بین طبقه بندی کننده ها است.

درد به عنوان پدیده ای زیستی، روانی، اجتماعی با بسیاری از ابعاد روان شناختی، زمینه های فرهنگی، نژادی و وضعیت اقتصادی انسان، روابط پیچیده و چندگانه ای دارد[1] و ارائه راهبردهایی برای کاهش یا حذف آن، همواره تقاضای اغلب بیماران و خواسته بسیاری از پزشکان و درمانگران بوده است[2]. بررسی عوامل فیزیولوژیکی و سایکوفیزیولوژیکی که در کنترل دردهای حاد موثر می باشد، از جمله زمینه هایی است که در سال های اخیر مورد توجه قرار گرفته است. شناخت مراکز درگیر مغز در درد و نحوه تاثیر آن بر روی مغز، در شناخت و ارتقاء روش های درمانی بسیار مهم می باشد. روش های بکاررفته برای اندازه گیری درد، شامل گزارش های فردی، مشاهدات رفتاری و پاسخ های فیزیولوژیکی می باشد. تجربه پیچیده درد نشان می دهد که اندازه گیری با این روش ها همیشه هم نتایج مشابهی ندارد. به دلیل آنکه درد به شخص بستگی دارد، گزارش فرد، معتبرترین مقیاس اندازه گیری برای درد هر فرد می باشد[3]. روش های رفتاری هم اطلاعات مفیدی برای اندازه گیری درد ایجاد می کنند. تحقیقات مختلف نشان داده اند که گزارش فرد از درد با تغییرات الکتریکی ایجادشده در فعالیت مغز همخوانی دارند[3]. از این رو یک روش پیشنهاد شده برای اندازه گیری درد، بررسی تغییرات eeg در زمان درد می باشد. تعدادی از اندام های مغزی در روند پردازش اطلاعات عصبی دخالت دارند. تالاموس، نقش بسیار مهمی در دریافت و بازپخش اطلاعات عصبی دارد. زمانی که اطلاعات عصبی به نقاط مختلف قشری و زیرقشری انتقال می یابد، ممکن است باعث ایجاد تغییر در پتانسیل الکتریکی شود. به عنوان روشی غیرتهاجمی برای اندازه گیری فعالیت الکتریکی مغز، سیگنال های eeg می تواند دینامیک مغز را در هر میلی ثانیه به دقت انعکاس دهند. این مکانیزم فعالیت مغزی به وسیله طیف توان، همبستگی و وابستگی بین سطوح مختلف قشری و زیرقشری و پتانسیل های وابسته به موضوع، بررسی می گردد. مزیت استفاده از eeg به عنوان یک روش فیزیولوژیکی، این است که به فرد بستگی ندارد و فقط به موقعیتی که در آن درد اندازه گرفته می شود مربوط می شود و همچنین شامل به کار بردن لوازم گران قیمت و پرسنل آموزش دیده نمی باشد. فقط ممکن است با آرتیفکت های مختلف محیطی یا فردی آمیخته شود که کار تشخیص را مشکل می سازد[3]. بر اساس تحقیقات انجام شده در مورد درد انسان، گزارش فردی از درد بهترین مبنا برای اندازه-گیری می باشد[3]. به دلیل اینکه گزارش بیمار در موقعیت هایی که بیمار قادر به صحبت کردن نمی باشد، ممکن نیست، مطالعاتی که تحریکات استاندارد را بکار می برند برای ارزیابی میزان درد استفاده می شوند. دو روش برای کمـّی سازی درد حیوانات در سال های اخیر انجام شده است که باعث پیشرفت های مهمی در تکنیک های قبلی شده است. آنالیزهای کمی پاسخ الکتروانسفالوگرام به تحریکات قوی، در بسیاری از پستانداران بکار رفته است. مزیت این تکنیک این است که در بیهوشی هم می تواند به کار برود و بنابراین این قابلیت را دارد که بدون در معرض درد قرار دادن حیوانات، به انسان دید بدهد. در بیماران آگاه، کمی سازی رفتار در حین درد، باعث شناسایی رفتارهای مربوط به درد با درک بسیار بالاتر و دقت بیشتر نسبت به روش های قدیمی تر آنالیز رفتاری می شود[3]. 1-2 ضرورت انجام پروژه تا کنون تحقیقات فراوانی در زمینه درد و ارتباط آن با سیگنال های مغزی انجام شده است. در تمامی این تحقیقات، این ارتباط از دیدگاه آماری بررسی گردیده و گزارش های مختلفی از تفاوت عملکرد مغز در زمان درد گزارش شده است. با توجه به اینکه در بسیاری موارد و برخی بیماری ها ، شخص قادر به بیان میزان درد خود نمی باشد، ارائه روشی به منظور کمـّی سازی و مشخص نمودن درد فرد برای کمک به تجویز داروهای مسکن و آرام بخش می تواند بسیار مفید واقع شود. در این پایان نامه با استخراج ویژگی هایی که تاکنون کمتر در مورد درد استفاده شده است و از دیدگاه مهندسی به موضوع درد پرداخته شده است و پس از یافتن منابع اصلی درد، با استفاده از یک ساختار جدید طبقه بندی کننده، سطوح مختلف درد شامل 5 سطح طبقه بندی گردیده است.

هدف یک سیستم واسطه مغز با رایانه برقراری ارتباط یک جانبه میان انسان و رایانه است، بطوریکه از این طریق امکان کنترل محیط خارج برای انسان تنها با استفاده از سیگنالهای مغزی او فراهم شود. بیشتر مطالعات انجام شده در زمینه bci تنها به تفکیک انواع فعالیتهای ذهنی کاربر می پردازند. در اینگونه سیستمها، اجازه کنترل سیستم تنها در فواصل زمانی تعیین شده و توسط سیستم به کاربر می پردازند. در اینگونه سیستمها، اجازه کنترل سیستم تنها در فواصل زمانی تعیین شده و توسط سیستم به کاربر داده می شود و بنابراین پردازش در بازه های زمانی از قبل تعیین شده و به هدف تفکیک انواع فرمانهای کاربر انجام می شود. این سیستمها، سیستمهای سنکرون نام دارند. این در حالیست که برای اینکه یک سیستم bci عملا کاربردی باشد، در مرحله نخست می بایست امکان کنترل سیستم و صدور فرمان کاملا در اختیار کاربر قرار گیرد. به این منظور سیستم باید قادر باشد نیت کاربر در صدور فرمان را در سیگنال مغزی وی تشخیص دهد. اینگونه سیستم، سیستم واسطه مغز با راینه کاربر فرما نامیده می شود و دارای دو ویژگی متمایز است. اول آنکه همیشه امکان کنترل آن توسط کاربر وجود دارد و دوم آنکه بازه هایی که کاربر در آنها قصد کنترل سیستم را ندارد تشخیص می دهد و در این بازه ها خروجی خنثی تولید می کند. در این سیستم، کل سیگنال مغزی به منظور یافتن بازه های وقوع فعالیت ذهنی پردازش می شود. نوع فعالیت ذهنی نیز در این سیستمها غالبا انجام تصورات حرکتی است. مسأله تشخیص بازه های تصور حرکتی از سیگنال مغزی خودبخودی، مهمترین چالش سیستمهای کاربر فرماست. هدف در این پروژه بررسی کلیه راهکارهای ممکن در طراحی سیستم واسطه مغز با رایانه کاربرفرما می باشد. در این راستا دو رویکرد کلی مورد بررسی قرار گرفته اند. در رویکرد نخست، الگوریتمی ارایه شده است که به تفکیک تصورات حرکتی از هم و همچنین از سیگنال خودبخودی تواما می پردازد. در این راستا، موثرترین روشهای تفکیک انواع تصورات حرکتی با نام روش الگوهای مکانی مشترک و نسخه های بهبود یافته آن و توسیع چند کلاسه آنها روی 2 دسته دادگان مربوط به رقابت bci ii پیاده شده است. متوسط اختلافهای نرخ تشخیص درست و نادرست مثبت روی تمام افراد و مربوط به 2 دسته دادگان برابر 97/52 درصد و 33/65 درصد بدست آمده اند. در رویکرد دوم نیز روی روشهای جداسازی بازه های تصور حرکتی از بازه های غیر رخداد آنها تمرکز شده است. علاوه بر بررسی روش مبتنی بر ویژگی و یک روش مبتنی بر مدل خود بازگشتی ، روشهای نوین ترکیب همبستگی با قالب متوسط با روش مبتنی بر ویژگی و یک الگوریتم یادگیری با سرپرستی خودکار ارایه شده است، که بصورت موفقی می توانند الگوهای erd/ers را که نشانه وقوع تصورات حرکتی هستند از سیگنال eeg بازشناسی کنند. این روشها روی دادگان گراتز پیاده شده اند و متوسط اختلافهای نرخ تشخیص درت و نادرست مثبت روی تمام افراد برابر 33/93 درصد و 9/63 درصد به ترتیب به ازای دادگان حرکت واقعی و تصوری بدست آمده اند.

جنبه های شناختی فعالیت مغز، یکی از جذاب ترین زمینه های تحقیقاتی در بسیاری از علوم مرتبط با مغز است. از جمله موارد پرکاربرد برای تحقیق درباره فعالیت های شناختی مغز، بررسی بروز مولفه مغزی p300 است، که کاربردهایی از قبیل طراحی واسط مغز-کامپیوتر و دروغ سنجی مغزی دارد. در این تحقیق، راهکارهایی به منظور افزایش درصد صحت تشخیص p300 معرفی شده است. کارایی روش های پیشنهاد شده، در دو حیطه آشکارسازی p300 و دروغ سنجی مورد بررسی قرار گرفته است. برای بهبود کیفیت سیگنال و معرفی ویژگی های جدید، الگوریتم های فیلتر کالمن، فیلتر اطلاعات و هموارساز فاصله ثابت را پیشنهاد کرده ایم. استفاده از این سه الگوریتم درصد صحت تشخیص p300 و دروغ گویی را بهبود بخشید. همچنین به بررسی عملکرد چند مدل آماری (مانند مدل گوسی، مدل ترکیب گوسی ها و مدل اثرهای آمیخته) برای توصیف p300 و آشکارساز glrt برای آشکارسازی سیگنال p300 پرداخته ایم. در تشخیص سیگنال p300، از بین فیلتر اطلاعات و هموارساز مورد استفاده، با توجه به نتایج تقریباً مشابه وپیچیدگی کمتر فیلتر اطلاعات، استفاده از فیلتر اطلاعات پیشنهاد می شود. درصد صحت تشخیص p300 از سیگنال های فیلتر شده با فیلتر اطلاعات برای سیگنال های p300دار 93.1 درصد و برای سیگنال های فاقد p300، 93.7 درصد به دست آمد. در تشخیص دروغ گویی، درصد صحت 79.7 برای افراد گناهکار و 80.4 برای افراد بی گناه را با استفاده از مدل mem برای مدل کردن سیگنال فیلتر شده توسط فیلتر کالمن، و آشکارساز glrt بدست آوردیم. در مجموع، با توجه به نتایج به دست آمده به نظر می رسد، عملکرد روش های مبتنی بر طبقه بندی کننده در شرایطی که اطلاعات کافی از مسئله در اختیار است مناسب تر است، اما زمانی که اطلاعات کافی برای تصمیم گیری در دست نباشد، روش های مبتنی بر آشکارسازی عملکرد بهتری از خود نشان می دهند.

در سال های اخیر، واسط مغز – رایانه (bci)، به عنوان وسیله ای جدید برای ارتباط بین مغز انسان و محیط اطرافش مورد توجه قرار گرفته است. به منظور راه اندازی چنین سیستمی، همکاری چند بلوک از جمله بلوک های ثبت، پردازش سیگنال و رابط کاربری مورد نیاز است. بلوک پردازش سیگنال شامل بلوک های پیش پردازش و شناسایی الگو است و بلوک شناسایی الگو شامل دو مرحله استخراج ویژگی و طبقه بندی می باشد. در این پروژه روش های مبتنی بر نمایش تنک در بلوک طبقه بندی مورد بررسی قرار گرفته است. طبقه بندی مبتنی بر نمایش تنک (src)، شامل دو مرحله اساسی طراحی ماتریس دیکشنری و یافتن پاسخ تنک داده ورودی می باشد. در این پژوهش برای طراحی ماتریس دیکشنری که از مرحله استخراج ویژگی بدست می آید، از الگوریتم الگوهای مکانی مشترک (csp) استفاده شده است و معایب این الگوریتم، حساسیت به نویز و مسئله فرایادگیری می باشد. در این مطالعه، برای رفع معایب csp، از الگوریتم های الگوهای مکانی مشترک تنظیم شده (rcsp) استفاده شده است. در مطالعات قبلی برای یافتن پاسخ تنک از الگوریتم استاندارد bp استفاده شده، که از معایب این الگوریتم پیچیدگی محاسباتی و زمان بر بودن آن می باشد. برای رفع معایب این روش، در این پروژه، الگوریتم جدیدی با نام نرم صفر هموار شده (sl0)، استفاده شده است. نتایج حاصله نشان می دهد، الگوریتم های rcsp در مواردی که داده های آموزشی کمی موجود بوده است توانسته اند معایب csp را به خوبی برطرف کنند و به طور میانگین با استفاده از این روش ها 7/78% بهبود نسبت به csp حاصل شد. هم چنین استفاده از sl0 به جای bp، علیرغم کاهش قابل ملاحظه زمان پردازش، در صحت تشخیص معادل با الگوریتم bp عمل کرده است.

طی دهه اخیر، پردازش تنک سیگنال ها به عنوان ابزاری قدرتمند و جایگزینی کارا برای تبدیل های کلاسیک، توجه زیادی را به خود جلب کرده است. استفاده از نمایش تنک سیگنال ها در مسائل طبقه بندی نیز نتایج موفقیت آمیزی به همراه داشته است. با این حال، کیفیت عملکرد این طبقه بندی کننده ها در شرایط سخت، از جمله در مواردی که داده های هر طبقه تنوع زیادی داشته و یا ابعاد داده ها در مقایسه با تعداد داده های آموزشی زیاد باشد، به شدت افت می کند. علاوه بر این، پیچیدگی محاسباتی بالای برخی از این روش ها، استفاده از آن ها را در بسیاری از کاربردهای عملی با مشکل مواجه می کند. برای کاهش این مشکلات، روش های مختلفی ارائه شده است که از آن جمله می توان به توسعه الگوریتم های آموزش دیکشنری طبقه بندی گرا و همچنین معرفی روش هایی برای انتخاب تعداد کمی از اتم های دیکشنری که نمایش متمایزکننده تری از سیگنال مورد نظر ارائه می دهند، اشاره کرد. در این پژوهش، مسائل پیچیده طبقه بندی دادگان با استفاده از طبقه بندی کننده های مبتنی بر نمایش تنک، با به کارگیری روش های آموزش دیکشنری و همچنین ارائه ی روش جدیدی تحت عنوان طبقه بندی دو مرحله ای مورد توجه قرار گرفته است. برای ارزیابی عملکرد روش ها، از دو پایگاه داده 14-tumors و lfw استفاده شده است. دادگان 14-tumors حاوی مقادیر بیان ژن در 14 نوع تومور مختلف می باشد که ابعاد بسیار بالایی در مقایسه با تعداد نمونه ها دارد. شرایط کنترل نشده تصاویر چهره lfw نیز منجر به عملکرد ضعیف روش های معمول، در تفکیک زوج های سازگار و ناسازگار آن شده است. مقایسه ی نتایج شبیه سازی ها، حاکی از عملکرد بهتر روش طبقه بندی دو مرحله ای پیشنهادی در دادگان 14-tumors، با صحت تقریبی 80 درصد است. همچنین، استفاده از دیکشنری های مجزا برای هر یک از تصاویر زوج ورودی، به دسته بندی نسبتا بهتر زوج های سازگار و ناسازگار در پایگاه داده lfw منجر شده است.

هدف اغلب سیستم های واسط مغز و کامپیوتر (bci)، کمک رسانی به معلولین حرکتی است. با توجه به اینکه اغلب معلولینی که بطور کامل فلج شده اند، همچنان قادر به کنترل چشم و مغز خود هستند، انتخاب سیگنال های الکتریکی چشم (eog) و مغز (eeg) برای کنترل این سیستم ها، آنها را برای اغلب معلولین کاربردی می کند. در این تحقیق یک سیستم bci تلفیقی مبتنی بر سیگنال های eog و eeg پیشنهاد شده است که سیگنال eeg به عنوان سوئیچ برای فعال/غیرفعال کردن سیستم و سیگنال eog به عنوان کنترل کننده اصلی آن، انتخاب شده است. دلایل انتخاب الگوهای حرکتی سیگنال eog(حرکت پرشی چشم در هشت جهت اصلی و دوبار پلک زدن) برای کنترل سیستم پیشنهادی، سادگی و کم هزینه بودن ثبت و سهولت تشخیص و همچنین یادگیری سریع آن توسط کاربر، بوده است. از طرف دیگر با توجه به کنترل آسان موج آلفای سیگنال eeg توسط کاربر و تشخیص راحت آن نسبت به دیگر فرمان های کنترلی مغز، از آن برای روشن و خاموش کردن سیستم استفاده شده است. از تبدیل موجک پیوسته سیگنال eog و روش آستانه گذاری و کدگذاری برای تحلیل داده های eog و از چگالی طیف توان سیگنال eeg و روش آستانه گذاری برای تحلیل داده های eeg استفاده شده است. با پیاده سازی این روش ها برای تشخیص الگوهای حرکتی چشم با استفاده از داده های eog مربوط به سه کاربر، دقت بین %52 و %88 و برای تشخیص ظاهر شدن موج آلفا روی داده های eeg مربوط به دو کاربر ، دقت بین %44 و %65 بدست آمده است. در ادامه با بازبینی روند اجرای روش ها روی همان داده ها، با افزودن چند نکته پس پردازشی، دقت روی داده های eog بین %86 و %100 و برای داده های eeg، بین %66 و %90 محاسبه شد.

از جمله مزایای شبکه هوشمند برق در آینده، امکان اضافه شدن منابع انرژی تجدیدپذیر و سازگار با محیط زیست همچون انرژی خورشیدی، باد و غیره می باشد. این منابع دارای مزایای عمده ای همچون جلوگیری از انتشار کربن و گازهای گلخانه ای و کاهش مصرف سوخت های فسیلی به ویژه نفت می باشند که به ایجاد انگیزه برای ادغام این منابع با صنعت برق و ایجاد شبکه ای هوشمند منجر شده است. با وجود مزایای ذکر شده برای ادغام منابع انرژی تجدیدپذیر و به ویژه انرژی خورشیدی که موضوع بحث این تحقیق می باشد، متاسفانه طبیعت متغیر این انرژی ها و وابستگی آن ها به شرایط محیطی و آب و هوایی، چالشی عمده برای ادغام آنها با شبکه برق محسوب می شود. شبکه هوشمند آینده نیاز به دانستن اطلاعات توان تولیدی سامانه های تولید پراکنده همچون سامانه های خورشیدی مستقل و یا متصل به شبکه دارد تا بتواند برای ساعات یا روزهای آینده و همچنین در زمان های قطعی، اوج مصرف و بحران برق تصمیماتی اتخاذ نماید. بدلیل رفتار غیر قابل تشخیص این سامانه ها و وابستگی توان تولیدی آن ها به شرایط آب و هوایی، چالشی عمده در ادغام این سامانه ها با شبکه هوشمند وجود دارد. در این راستا در این تحقیق به ارائه ی روشی مبتنی بر شبکه های عصبی مصنوعی برای پیش بینی توان تولیدی سامانه های فتوولتائیک برای 24 ساعت بعد پرداخته شده است. این تحقیق روی سامانه ی خورشیدی 20 کیلوواتی مستقر در دانشگاه یزد انجام شده است. در این روش از داده های تابش، دمای محیط، دمای سطح ماژول و توان به عنوان ورودی شبکه عصبی برای پیش بینی توان خروجی استفاده شده است و این پیش بینی مبتنی بر پیش بینی تابش خورشید می باشد. مدل ارائه شده بطور میانگین با نیم تا یک درصد، پیش بینی توان تولیدی را بهتر از پیش بینی تابش خورشید انجام می دهد که از این مدل نیز می توان با خطای nrmse برابر 7.32 درصد برای امکان سنجی اقتصادی استفاده کرد.

الگوریتم الگوهای مکانی مشترک (csp)، به عنوان یکی از موفق ترین الگوریتم های استخراج ویژگی در سیستم bci شناخته می شود. در این پروژه به دنبال راه هایی برای بهبود استفاده از الگوریتم csp در سیستم های bci هستیم. از این جهت روش های انتخاب کانال های بهینه مورد بررسی قرار گرفته و روشی برای بهبود نتایج حاصل از استفاده الگوریتم csp ارائه شده است. در این روش به جای اعمال csp بر روی همه کانال ها، ابتدا کانال ها را دسته بندی کرده سپس csp بر روی دسته ها اعمال می¬شود. سه روش مختلف برای دسته بندی کانال ها، بر اساس موقعیت قرارگیری کانل ها بر روی سر و خوشه بندی ارائه شد. میزان درصد صحت طبقه-بندی کننده با دسته¬بندی کانال¬ها به طور میانگین 11تا 15 درصد افزایش داشت و جداسازی بهتر انجام شد. در اینجا برای انتخاب کانال های بهینه از الگوریتم ژنتیک و میزان تأثیر هر دسته بر روی درصد صحت طبقه بندی کننده استفاده شد. با این روش میانگین تعداد کانال ها از 118 کانال به کمتر از نصف این مقدار کاهش یافت با اینکه درصد صحت طبقه¬بندی کننده ثابت بود. یکی از محدودیت های الگوریتم csp این است که قابلیت جداسازی فقط دو کلاس را دارد و برای استفاده در حالت چندکلاسه باید مسأله را به چند مسأله دو کلاسه تبدیل کرد. روش های گوناگون تبدیل یک مسأله چندکلاسه به چند مسأله دو کلاسه بررسی شد. با روش های سلسله مراتبی ارائه شده ، بهبودی در دقت عملکرد سیستم حاصل نشد اما میزان حجم محاسبات به طور قابل ملاحظه ای کم شد. .

در سامانه های بینایی ماشین جهت استخراج ویژ گی های تصویری عموماً از سه محتوای رنگ، بافت و شکل استفاده می شود. در این پایان نامه، ویژگی بافت تصویر مورد توجه قرار گرفته و از آن، برای افزایش کارایی و دقت طبقه بندی داده های تصویری استفاده شده است. روش های استخراج ویژگی بافت، به چهار دسته عمده ی آماری، ساختاری، مبتنی بر مدل و مبتنی بر تبدیل های تصویری تقسیم می شود. اخیراً روش های مبتنی بر نمایش تنک سیگنال، از مباحث تئوری بهینه سازی نرم صفر نیز به حوزه بینایی ماشین وارد شده است. استفاده از نمایش تنک سیگنال در مسائل طبقه بندی نتایج موفقیت آمیزی به همراه داشته است. اما در مواردی که داده های هر طبقه تنوع زیادی داشته ویا ابعاد داده ها در مقایسه با تعداد داده های آموزشی زیاد باشد، کیفیت عملکرد آن کاهش می یابد. بنابراین استخراج مناسب ویژگی ها در چنین چارچوبی اهمیت زیادی دارد. در این پژوهش، برای طبقه بندی دادگان بافت، ابتدا ویژگی های متنوع و کارآمدی از جمله الگوی باینری محلی، الگوی باینری گابور، تبدیل فوریه پاسخ فیلترگابور و ماتریس هم رخداد استخراج می گردد. سپس با درنظرگرفتن هر ویژگی به صورت مجزا، با بکارگیری طبقه بند پیشنهادی مبتنی بر نمایش تنک داده ها طبقه بندی می شود. طبقه بند پیشنهاد شده را می توان نوعی طبقه بند مبتنی بر نمایش تنک دانست که قاعده تصمیم گیری آن ترکیب ایده های مطرح در جمع ضرایب نمایش تنک و طبقه بند k نزدیک ترین همسایه است. جهت ارزیابی عملکرد روش پیشنهادی از سه پایگاه داده معروف بافت brodatz، curet وkylberg استفاده شده است. مقایسه نتایج حاصل از شبیه سازی، بیانگر عملکرد بهتر روش پیشنهادی نسبت به روش های مطرح قبلی است.

در این پایان نامه تفکیک سیگنال fecg از یک ثبت حقیقی از مادر باردار با استفاده از تکنیک جداسازی کور منابع (bss) مورد بحث قرار گرفته است. برای این منظور ابتدا الگوریتم های جداسازی کور منابع که براساس قطری سازی همزمان هستند، شرح داده شده و سپس کاربرد آن در جداسازی کور در مسئله ی مورد نظر بررسی می شود. هدف الگوریتم های ارائه شده بازیابی سیگنال اولیه fecg از روی ترکیب لحظه ای این سیگنال و سایر منابع ناخواسته است. با توجه به ماهیت کور بودن الگوریتم، تنها فرض موجود در مسأله استقلال منابع اولیه است. در قسمت دیگری از این پایان نامه به بررسی تکنیک های نویززدایی می پردازیم و تاثیر چنین پردازش هایی را در بهبود بازیابی سیگنال نشان خواهیم داد. در پایان با توجه به ترکیب نویززدایی و روش های bss مطرح شده، ابتدا مراحل نویززدایی و جداسازی منابع را روی داده های شبیه سازی شده اعمال می نماییم و با این کار چند روش بهتر را بر اساس تعریف پارامتر های سنجش بهینگی معرفی می کنیم. در انتها روند قبل را به داده های واقعی اعمال کرده و سیگنال fecg را بدست می آوریم. سیگنال بدست آمده را با سیگنال بدست آمده از چند روش دیگر مقایسه می نماییم.