ecg، ثبت و ضبط سیگنال الکتریکی قلب می باشد. از طریق شکل موج سیگنال ecg و مقایسه آن با الگوی نرمال و صحیح سیگنال ecg می¬توان به اختلالات مختلف قلبی همچون: بافت ماهیچه¬ای قلب، تعیین آریتمی¬های خطرناک، اشاره¬ی دقیق به اثرات مزمن فشار خونِ طولانی، اثرات شدید طب¬های ریوی و بسیاری دیگر از اختلالات قلبی پی برد. علاوه بر آن نظارت دائمی بر روی سیگنال ecg قلب به طور گسترده برای درمان بیماری قلبی لازم و ضروری می¬باشد.از میان موج¬های یک سیگنال قلبی، مجموعه qrs دارای ویژگی برجسته¬ایی¬ می باشد و به دلیل قالب منحصر به فرد و دامنه آن نسبت به موجهای دیگر ecg، به گزینه اصلی و اساسی برای آنالیز و تجزیه سیگنال ecg تبدیل شده است. هدف این پایان¬نامه طراحی الگوریتمی برای تشخیص مجموعه¬ی qrs می¬باشد، که علاوه بر قابلیت پیاده¬سازی، حجم سخت افزای پایینی نیز داشته باشد. در نهایت یک الگوریتم بر اساس تبدیل ویولت برای تشخیص مجموعه¬ی qrs ارائه شده است، که ابتدا در برنامه¬ی matlab و سپس به صورت سخت افزاری بر روی fpga مدل cycloneii پیاده سازی انجام گرفته است. الگوریتم ارائه شده علاوه بر آن که دارای حجم سخت افزاری پایینی می باشد، نسبت به الگوریتم¬های دیگر که در زمینه¬ی تشخیص qrs ارائه شده¬اند از دقت بیشتری برخوردار می¬باشد

طبق آمار سازمان جهانی بهداشت، بیماری های قلبی از شایع ترین علل فوت در میان سایر بیماری ها می باشد. تشخیص سریع، به موقع و مراقبت های ویژه پزشکی از بیماران مبتلا به این امراض می تواند تا حد زیادی از مرگ ناگهانی آن ها جلوگیری کند. لذا طراحی یک سیستم هوشمند تشخیص بیماری ضروری به نظر می رسد. برای طراحی یک سیستم هوشمند تشخیص آریتمی های قلبی از روی سیگنال های الکتروکاردیوگرافی، لازم است ابتدا ویژگی های مناسبی از روی این سیگنال ها استخراج شود. به دلیل ذات غیر خطی سیگنال قلب و همچنین در دسترس نبودن معادلات دقیق و کامل ریاضی حاکم بر آن، تحلیل در حوزه زمان و فرکانس نمی تواند آشکار کننده دینامیک کامل این سیگنال باشد. لذا از خواص حوزه آشوب سیگنال قلب به عنوان مکمل ویژگی های زمانی و فرکانسی آن استفاده می کنیم. پس از استخراج ویژگی های مناسب از سیگنال الکتروکاردیوگرام، لازم است از یک طبقه بندی کننده مناسب جهت تشخیص نوع بیماری استفاده کنیم. برای این منظور از ساختار شبکه های عصبی ترکیب شده با الگوریتم های تکاملی بهره می گیریم که برای تشخیص 10 کلاس از بیماری های قلبی استفاده شده اند. الگوریتم های تکاملی مورد استفاده در این تحقیق، الگوریتم ژنتیک، الگوریتم رقابت استعماری و الگوریتم ازدحام ذرات می باشند. نتایج شبیه سازی های انجام شده در این تحقیق نشان می دهد که شبکه عصبی مبتنی بر الگوریتم ازدحام ذرات نسبت به الگوریتم ژنتیک پاسخ های بهینه تری دارد و در زمان کوتاه تری همگرا می شود. لذا برتری محسوسی نسبت به الگوریتم ژنتیک دارد، اما مقایسه پاسخ های مربوط به این الگوریتم و الگوریتم رقابت استعماری نشان از سرعت بالاتر الگوریتم ازدحام ذرات و دقت بالاتر الگوریتم رقابت استعماری دارد. از طرف دیگر، مقایسه پاسخ های این دو الگوریتم نسبت به جمعیت های اولیه گوناگون، حاکی از پایداری بیشتر الگوریتم رقابت استعماری نسبت به الگوریتم ازدحام ذرات می باشد به طوری که نرخ طبقه بندی صحیح برای داده های آموزش و تست به ترتیب 81/97 و 75/93 درصد می باشد.

سیگنال های مغزی eeg کاربردهای گوناگونی در زمینه های مختلف تشخیصی پزشکی دارند. به همین جهت دست یابی به سیگنال مناسب و قابل استفاده اهمیت بالایی دارد. سیگنال eeg تحت تأثیر بعضی از آرتیفکت های اجتناب ناپذیر که ناشی از فعالیت های دیگر انسان مانند ضربان قلب، پلک زدن و فعالیت های ماهیچه ای قرار می گیرد که باعث بروز مشکلاتی در تشخیص های پزشکی می شود. روش های مختلفی برای حذف این آرتیفکت ها استفاده می شود. در این روش ها حذف آرتیفکت ها و نگهداری اطلاعات سیگنال اصلی و اینکه عمل حذف آرتیفکت ها در شرایط مختلف به طور خودکار توسط کاربران مختلف که در این زمینه تخصصی ندارند انجام شود اهمیت زیادی دارد. در این تحقیق بعضی روش هایی که بر اساس فیلترهای وفقی عمل حذف نویز را انجام می دهند مانند روش anfis، rbfn، rbfn-fln بررسی و مقایسه شده اند. سپس چگونگی و شروط پیاده سازی این فیلتر وفقی بر روی مدار مجتمع fpga بررسی شده است.

چکیده: این رساله طراحی بهینه مدارات آنالوگ را براساس الگوریتم ژنتیک چند هدفه ارائه می¬کند. الگوریتم ژنتیک چند هدفه یکی از سریع¬ترین و توانمند¬¬ترین الگوریتم های بهینه¬سازی می¬باشد که دارای کاربرد گسترده¬ای در حوزه مسائل بهینه¬سازی است. سایز ترانزیستورها، مقدار خازن و مقدار مقاومت به عنوان پارامترهای طراحی مدار توسط الگوریتم بهینه سازی پیشنهاد می¬شود. شبیه¬سازی مدار با مقادیر مشخص شده انجام شده و پارامترهای خروجی شامل بهره، پهنای باند، توان مصرفی و مقاومت خروجی از فایل خروجی، تولید شده استخراج می¬گردند. در ادامه این مقادیر به منظور تولید نسل بعد استفاده می¬شوند. نهایتا توسط الگوریتم بهینه¬سازی مورد نظر یک مجموعه جواب بهینه پارتو که شرایط مسئله را برآورده می¬سازد مشخص می¬شود. نتایج شبیه¬سازی کارایی روش را در تعیین سایز عناصر مدارات آنالوگ تصدیق می¬نماید. پیاده¬سازی الگوریتم ژنتیک در matlab و شبیه¬سازی مدار به وسیله شبیه¬ساز hspice صورت گرفته است.این تحقیق در 3 فاز انجام شده¬است. فاز اول: بهینه¬سازی یا همان طراحی در سطح دوم یعنی تعیین پارامترها متغیرهای مدار. فاز دوم: استفاده از یک بانک اطلاعاتی برای مداراتی که ورودی و خروجی آن همسان¬اند بمنظور افزایش سرعت همگرایی. فاز سوم: طراحی در سطح اول یا همان توپولوژی.

در این پایان نامه روشی برای تشخیص و طبقه بندی حرکت های فیزیکی افراد ، با استفاده از تکنیک های پردازش سیگنال و شبکه-های عصبی ارائه می شود. ده کلاس حرکتی شامل خم شدن ، کف زدن ، دست دادن ، بغل کردن ، پریدن ، دویدن ، نشستن ، ایستادن ، راه رفتن و دست تکان دادن مورد شبیه سازی قرار دادیم. با استفاده از روش های غیر خطی چهار ویژگی نمای لیاپانوف ، آنتروپی ، بعد همبستگی و بعد فرکتال از داده های emg استخراج کرده ایم و با استفاده از شبکه های عصبی (l-man ) این ویژگی ها طبقه بندی شدند. این سیستم پیشنهادی، کارایی مناسبی در تفکیک حرکت ها داشته و از دقت نسبتاً بالایی نیز(98%) برخوردار است. در ادامه سیستم پیشنهادی ،تحلیل و خصوصیات آن شرح داده شده و تفاوت و مزایای آن با دیگر پژوهش ها وتحقیق های گذشته بیان شده و سپس پاسخ های بدست آمده از تحقیقات نمایش داده و با نمونه های دیگر مقایسه می کنیم،در انتها نیز نتایج این بررسی و راه های پیشنهادی برای بهبود آن ارائه گردیده است. می توان با استفاده از روش های انتقال اطلاعات ، این ویژگی ها را به مکان دیگری انتقال داد و از وضیعت فرد مورد نظر از راه دور مطلع شویم.

بیماری اپنه یک نوع تنفس غیر طبیعی درطول خواب است که منجر به بیدارشدن های مکرر،تکه تکه شدن های زمان خواب وخواب الودگی در طی روز می شود.اپنه می تواند مرکزی باشدکه دران تلاش تنفسی متوقف می شود ویا ممکن است انسدادی باشدکه دران تلاش تنفسی ادامه دارد.اپنه باعث کاهش میزان اکسیژن در خون می شود وهمین عامل دربازه زمانی مشخصی به دلیل عدم رسیدن اکسیژن به مغز احتمال مرگ مغزی را افزایش می دهد.با توجه به اینکه تشخیص اپنه خواب برمبنای پلی سومونوگرافی شبانه صورت می گیردو بسیار پرهزینه واجرای ان براساس رخدادهای اپنه دشوار می باشد، لذافنون جدیدی را برای تشخیص این بیماری مورد مطالعه قرارمی دهیم. هدف از این مطالعه ارائه روشی جدیدبرمبنای تشخیص بیماری اپنه انسدادی خواب از طریق ویژگی های سیگنالecgوspo2با استفاده از شبکه های عصبی فازیمی باشد.برای رسیدن به این منظور دوپارامترسیگنال شامل، میزان غلظت اکسیژن در خون و فشار نسبی گردش خون را در در نظرگرفته ایم و اطلاعات بیماران اپنه انسدادی را از سایت فیزیونت دریافت می کنیم، سپس یک شبکه عصبی فازی در محیط متلب طراحی کرده و اطلاعات بیمارانی را که ازسایت فیزونت دریافت کرده ایم به شبکه اعمال می کنیم، این شبکه طراحی شده براساس ورودیها وداده های اموزشی تشخیص وپیش بینی اپنه خواب رابا دقت بالاتری شبیه سازی می نماید.

پنل های خورشییدی دارای مشیه ه جریان -ولتاژ غیر خطی بوده و تنها در یک نقطه کار خاص، حداکثر توان را تولید می کنند. این نقطه بهینه توان با تغییر دما و شیدت نور تغییر می کند. روش های مهتلفی برای ردیابی نقطه حداکثر توان به صورت free model و based model معرفی شده است. این تحقیق روش جدیدی جهت بهبود عملکرد ردیابی نقطه حداکثر توان پنل های خورشیدی جدا از شبکه ارائه می دهد و الگوریتم روش پیشینهادی از دوبهش تقری زدن و محاسیبه ی دقیق )مبتنی بر روش p&q کلاسییک تشکیل شده است .