پژوهشکده پردازش هوشمند علائم

Get Adobe Flash player

مقالات کنفرانسهاي داخلي

1

 

"طبقه‌بندي اثرات قديم/جديد در فرآيند بازيابي حافظه با استفاده از ماشين هميار: بررسي‌پتانسيل‌هاي‌وابسته‌به‌رخداد مغزي"

رضانيا، ساجده؛ مطيع نصرآبادي، علي؛ ابوطالبي، وحيد؛ قشوني، مجيد پانزدهمین کنفرانس مهندسي پزشکي ايران.

چکيده :

هدف از اين تحقيق طبقه‌بندي اثرات قديم/جديد در فرآيند بازيابي حافظه با‌استفاده از پتانسيل‌هاي‌وابسته‌به‌رخداد مغزي است. به‌اين‌منظور، از دادگان پتانسيل‌هاي‌وابسته‌به‌رخداد ثبت‌شده روي سه کانال Pz، Czو Fz استفاده‌شده‌است که طی آن در آزمايشي از افراد خواسته‌شده، تصاوير بي‌معنايي را که در فاز آموزش مشاهده‌کرده‌اند، از تصاويري که تاکنون نديده‌اند تفکيک‌نمايند. جهت تحقق اين امر، از ويژگي‌هاي مرتبط با فعاليت حافظه در حوزه زمان-فرکانس استفاده‌گرديد. ضرايب تبديل موجک گسستۀ پتانسيل‌هاي‌وابسته‌به‌رخداد محاسبه‌شد و سپس با‌استفاده از ميانگين، واريانس و انرژي ضرايب برخي باندها، مجموعا 36 ويژگي روي سه کانال به‌دست‌آمد. پس از انتخاب‌ويژگي‌هاي مناسب روي تک‌کانال‌ها و مجموع سه‌کانال، آناليز‌تفکيک‌خطي، جهت به‌دست‌آوردن درصد تفکيک دو گروه توسط ويژگي‌هاي منتخب انجام‌گرفت. سرانجام با استفاده از ماشين هميار روي ويژگي‌هاي سه کانال، دادگان دو گروه با صحت 4/96% در مرحله آزمون تفکيک‌شدند.

كليد واژه:

آناليز‌تفکيک‌خطي، پتانسيل‌هاي‌وابسته‌به‌رخداد، تبديل موجک گسسته

2

 

"استخراج ويژگي از پتانسيل‌هاي وابسته به رخداد با استفاده از تبديل موجک پيوسته و آزمون t":

رضانيا، ساجده؛ سيدصالحي، سيده‌زهره؛ مطيع نصرآبادي، علي؛ ابوطالبي، وحيد- پانزدهمين کنفرانس مهندسي پزشکي ايران.

چکيده :

در این مقاله روشی برای استخراج ویژگی از پتانسیل‌های وابسته به رخداد مغزی جهت کاربرد در سيستم‌هاي ارتباط مغز با رايانه استفاده شده‌است. روش ارائه شده، بر‌اساس ضرایب تبدیل ‌موجک ‌پیوسته و بيشينه‌های نسبی مقادیر t ضرایب تبديل موجک در آزمون t است. از تبدیل موجک پیوسته روی پتانسیل‌های ‌وابسته ‌به ‌رخداد در مجموعه دادگان II تک‌کانال Cz مربوط‌ به مسابقه BCI 2005‌، جهت تشخیص مؤلفۀ P300 برای تفکیک دو گروه هدف و غیر‌هدف، استفاده ‌شد. با این روش، ضرایب موجک پیوسته‌ای که مقدار t آن‌ها در کنار ضرایب مجاورشان بيشينه نسبی است به‌دست ‌آمده و سپس دو گروه هدف و غیر‌هدف با استفاده از طبقه‌بندی‌کنندۀ آناليز تفکيک خطي (LDA) توسط دسته ویژگی انتخاب ‌شده، با 4/86% صحت طبقه‌بندی شدند که این روش موجب ارتقاء نتایج طبقه‌بندی تا 4/4% نسبت به استفاده از سیگنال کاهش نرخ ‌یافته برای طبقه‌بندی گردید.

كليد واژه:

آناليز تفکيک خطي، آزمون t، پتانسیل‌های ‌وابسته‌ به‌ رخداد، تبدیل‌ موجک‌ پیوسته، مؤلّفۀ P300

3

 

" بررسی عملکرد توام دو ویژگی خطی و غیرخطی در آشکارسازي استرس رواني گوينده ":

ش. ترابي، ف. الماس گنج، ا. محمديان  پانزدهمین کنفرانس مهندسي پزشکي ايران در مشهد

چکیده :

مطالعات نشان می­دهند که استرس روانی گوینده در نحوه تولید سیگنال گفتار او اثر می­گذارد. آشکارسازی وجود استرس در گفتار داراي کاربردهای متعدد مي‌باشد. در کارهای اخیر، ویژگی­های صوتی مختلف، به صورت جداگانه، توسط طبقه­بندي کننده HMM مورد ارزیابی قرار گرفته­اند و از میان آنها، ویژگی غیرخطی TEO-CB-Auto-Envکارآمدترین پارامتر بوده است. در این مقاله، ابتدا توانایی خواص آماری این ویژگی غیرخطی در آشکارسازي استرس گوينده بررسی گرديده و سپس ویژگی خطی فرکانس پایه، به این خواص آماری افزوده می­گردد. دادگان گفتار استرسی (حالات خنثی، عصبانی، بلند و لمبارد) از پایگاه داده SUSAS برداشته شده­ اند و طبقه­ بندي کننده‌های مورد استفاده LDA، KNN و SVM هستند. نتایج عملکرد بردار ویژگی پیشنهاد شده جهت آشکارسازي استرس گوينده، از هر کدام از ویژگی­های اولیه، یعنی TEO-CB-Auto-Env ، به صورت جداگانه بیشتر بوده ( به ترتیب %3.32+ و %8.72+ ) و واریانس نتایج حاصل نیز کاهش یافته است.

كليد واژه:

تحليل گفتار، استرس، ویژگی غیرخطی، SUSAS، TEO.

4

 

" به‌کارگيري روش يادگيري مدولار درتشخيص مؤلّفة P300 جهت ارتباط مغز با رايانه":

سيده زهره سيدصالحي، علي مطيع نصرآبادي و وحيد ابوطالبي  پانزدهمین کنفرانس مهندسي پزشکي ايران

Abstract:

We propose a new approach to analyze data from the P300 speller paradigm using the modular learning strategy. Data set II from the BCI competition 2005 were used. We used modular learning strategy based on principal component analysis and linear discriminator analysis. Principal component analysis was used for reduced of dimension of feature space and LDA was used for classification. We compared results of this method with results of classification by LDA and SVM. Classification accuracy is obtained by averaging 10 times-10 folds cross validation. Detection accuracy was %96 in training data and %94 in test but detection accuracy of LDA and SVM were %88 and % 89 in test data.

 

Key words: P300 Component, Linear Discriminator Analysis, Principal Component Analysis, Modular Learning Strategy, Brain Computer Interface

چکيده :

مؤلّفۀ P300 به‌عنوان يک مؤلّفۀ شناختي در کاربردهاي مختلف از جمله سيستم‌هاي ارتباط مغز با رايانه مطرح مي‌باشد. در اين مقاله روش يادگيري مدولار متکي بر آناليز مؤلّفه‌هاي اصلي (PCA) و آناليز تفکيک خطي (LDA) به‌منظور تفکيک دادگان حاوي P300 و فاقد آن ارائه شده است. اين روش شامل دو مسير براي دادگان هدف و غيرهدف مي‌باشد. در هر مسير با اعمال PCA تعليم داده شده با دادگان آن مسير، در فضاي دادگان کاهش بعد صورت مي‌گيرد. به‌منظور نشان دادن توانمندي اين روش، نتايج با نتايج طبقه‌بندي‌کننده‌هاي LDAو SVMمقايسه شده است. در اين تحقيق از مجموعه دادگان II مسابقه BCI 2005 استفاده شده که بر اساس الگوي روش هجي‌کننده ثبت شده است. با استفاده از 7 کانال ثبت مغزي، هم‌چنين کاهش نرخ نمونه‌برداري به نصف نرخ اوليه در ثبت سيگنال‌ها و روش مدولار با ارزيابي 10 بار 10 دسته دادگان، 96% صحت تشخيص مؤلّفۀP300 براي داده آموزش و 94% براي داده آزمون به‌دست آمد. نتايج نشان داد که روش مدولار درصد صحت را در آزمون حدود 9% نسب به LDA و 5% نسبت به SVM بهبود داده است.

كليد واژه:

آناليز تفکيک خطي، آناليز مؤلّفه‌هاي اصلي، روش يادگيري مدولار، سيستم ارتباط مغز با رايانه، مؤلّفۀ P300..

5

 

" تشخيص مؤلفه‌هاي شناختي در سيگنال مغزي با استفاده از ضرايب ويولت ":

 

وحيد ابوطالبي، دكتر محمدحسن مرادي و دكتر محمدعلي خليل‌‌زاده، مجموعه مقالات هشتمين كنفرانس سالانه انجمن كامپيوتر ايران (دانشگاه فردوسي مشهد) ، صفحات 23 تا 30، اسفند ماه 1381.

چكيده:

مؤلفة P300 يكي از مهم‌ترين سيگنال‌هاي الكتريكي مرتبط با فعاليت‌هاي شناختي مغز است. در اين تحقيق با استفاده از تبديل ويولت گسسته، سيگنال‌هاي تك‌ثبت گرفته‌شده از روي سر، به مؤلفه‌هاي مختلف فركانسي تجزيه گرديده و از ضرايب به‌دست‌آمده به عنوان ويژگي‌هاي مرتبط با فعاليت‌هاي شناختي مورد مطالعه استفاده شده است. بررسي ويژگي‌ها نشان مي‌دهد كه اغلب پردازش‌هاي مورد بررسي در ويژگي‌هاي مربوط به باندهاي دلتا و تتا بروز يافته‌اند و هر دستة شامل چند ويژگي‌، مربوط به يكي از زيرپردازش‌هاي درگير در طي توليد P300 هستند. تابع تفكيك طرح‌شده با استفاده از تركيب خطي نه عدد از اين ويژگي‌ها قادر است با دقت حدود 75 درصد در دادگان آموزش و 71 درصد در دادگان آزمون، تك‌ثبت‌هاي مربوط به تحريك‌هاي هدف و غيرهدف را از يكديگر جدا كند. بررسي‌هاي بيشتر نشان داد كه تنها با استفاده از سيگنال ثبت‌شده در كانال Pz نيز مي‌توان تقريباً به همين ميزان تفكيك رسيد.

كلمات كليدي:

سيگنال‌هاي الكتريكي مغز، P300، فعاليت‌هاي شناختي، تبديل ويولت گسسته

6

 

" استفاده از استراتژي يادگيري مدولار به منظور تشخيص مؤلفه‌هاي شناختي در سيگنال‌هاي مغزي ":

وحيد ابوطالبي، دكتر محمدحسن مرادي و دكتر محمدعلي خليل‌‌زاده، مجموعه مقالات يازدهمين كنفرانس مهندسي‌‌برق ايران (دانشگاه شيراز) ، مجموعة مهندسي‌‌پزشكي و كنترل، صفحات 332 تا 339، ارديبهشت 1382 .

چكيده:

مؤلفة P300 يكي از مهم‌ترين سيگنال‌هاي الكتريكي مرتبط با فعاليت‌هاي شناختي مغز است. در اين تحقيق با استفاده از دو نمونه از تبديل‌هاي زمان_فركانس، شامل توزيع ويگنر_ويل و ضرايب ويولت گسسته، سيگنال‌هاي تك‌ثبت گرفته‌شده از روي سر، به مؤلفه‌هاي مختلف زمان_فركانسي تجزيه گرديده و از آن‌ها به عنوان ويژگي‌هاي مرتبط با فعاليت‌هاي شناختي مورد مطالعه استفاده شده است. هدف از اين تحقيق طراحي سيستمي بوده كه با استفاده از اين ويژگي‌ها، تك‌ثبت‌هاي حاوي موج P300 _ كه در پاسخ به تحريك هدف ظاهر مي‌شوند_ را از تك‌ثبت‌هاي فاقد اين موج _ كه در مواجهه با تحريك غيرهدف توليد مي‌شوند _ تفكيك نمايد. براي اين منظور يك استراتژي يادگيري مدولار متكي به آناليز مؤلفه‌هاي اصلي و شبكه‌هاي عصبي مورد استفاده قرار گرفت. نتايج حاصل از پياده‌سازي اين سيستم‌، نشان‌دهنده عملكرد بهتر ويژگي‌هاي ويولت در دست‌يابي به هدف موردنظر بوده است. در نهايت با تعليم سيستم با ثبت‌هاي موجود، در بهترين وضعيت از حالات پياده‌سازي‌شده به حداكثر دقت تفكيك حدود 76درصد روي دادگان آموزش و حدود 72 درصد روي دادگان آزمون رسيديم. انتظار مي‌رود با افزايش تعداد نمونه‌هاي موجود در دادگان آموزش، قابليت بهبود اين كارايي وجود داشته باشد.

كلمات كليدي:
 
سيگنال‌هاي الكتريكي مغز، P300، فعاليت‌هاي شناختي، توزيع ويگنر_ويل، تبديل ويولت گسسته، استراتژي يادگيري مدولار

7

 

" طبقه‌بندي سيگنال‌هاي ERP تک‌ثبت به منظور آشکارسازي مؤلفة شناختي P300 ":

امين محمديان، وحيد ابوطالبي و فهيمه ممشلي، مجموعه مقالات پانزدهمين كنفرانس مهندسي‌‌برق ايران (مرکز تحقيقات مخابرات ايران)، ارديبهشت‌‌‌ماه 1386.

چكیده :

هدف از اين تحقيق تشخيص تحريك هدف و غيرهدف افراد با  استفاده از مولفه شناختي P300 موجود در سيگنال برانگيخته بينايي وابسته به رخداد آنها است. اين كار با استفاده از چندين مشخصه سيگنالهاي وابسته به رخداد تک­ثبت گرفته شده از ناحيه Pz  سر انجام شده است. بدين‌منظور پس از استخراج ويژگيهايي چون فرکانس بيشينه، فركانس ميانگين، فركانس ميانه، ضرايب تبديل موجک گسسته و چندين پارامتر ريخت­شناسي و انتخاب ويژگيهاي بهينه از بين آنها به طبقه بندي تك­ثبتهاي حاوي P300 و فاقد آن پرداخته شده است. انتخاب ويژگي توسط دو روش كاهش بعد سلسله مراتبي و جستجوي ژنتيك انجام مي­شود. طبقه بندي كننده­ها :  LDAو  درخت تصميم بودند. صحت تشخيص 63.13% براي داده آموزشي و 62.81% براي داده آزمايشي سيگنالهاي هدف و غيرهدف با استفاده از انتخاب ويژگيهاي بهينه و طبقه­­بندي كننده LDA  از نتايج بدست آمده در اين تحقيق است.

كليد واژه :
 
مولفه P300، الگوريتم ژنتيك، درخت تصميم، تبديل موجك

8

 

" دروغ‌سنجي‌ با استفاده از مؤلفه‌هاي شناختي سيگنال مغز ":

وحيد ابوطالبي، دكتر محمدحسن مرادي و دكتر محمدعلي خليل‌‌زاده، مجموعه مقالات دوازدهمين كنفرانس مهندسي‌‌پزشكي ايران (دانشگاه صنعتي سهند)، آبان‌‌ماه 1384.

چكيده: در سال‌هاي اخير روش‌هاي دروغ‌سنجي با استفاده از امواج مغزي به عنوان جايگزيني براي روش‌ استاندارد دروغ‌سنجي (Polygraphy) مطرح شده‌اند. در اين تحقيق نيز روشي براي دروغ‌سنجي مبتني بر مؤلفه‌هاي شناختي P300 در سيگنال مغز مورد مطالعه قرار گرفت. بدين منظور پروتکل انجام تست به گونه‌اي طراحي گرديد که خطاکار بودن فرد منجر به توليد مولفة P300 در هنگام مواجهة وي با تحريک مرتبط با تست گردد. سپس داده‌هاي آزمايشي از تعدادي سوژه ثبت گرديد و با استفاده از دو روش پردازشي مقايسة دامنه (BAD) و مقايسة همبستگي (BCD) نسبت به تشخيص گناهکار/بي‌گناه بودن سوژه اقدام گرديد. دقت به دست‌آمده از اين روش‌ها وابسته به ميزان قطعيت لازم تعيين‌شده براي جواب است. بر اساس نتايج به دست‌آمده از داده‌هاي جمع‌آوري‌‌شده، دقت کلي روش BAD براي تشخيص دو گروه گناهکار و بي‌گناه در بهترين وضعيت برابر 75 درصد و همين دقت براي روش BCD برابر 85 درصد بوده است. بنابراين از بين دو روش مورد بررسي، روش BCD نتايج بهتري را نسبت به روش BAD ارائه داده‌است.

واژه‌هاي کليدي:

پردازش سيگنال‌هاي حياتي- دروغ‌سنجي- سيگنال‌هاي الکتريکي مغز- P300

9

 

"تشخيص مؤلفه P300 با استفاده از مدل هاي مخفي مارکوف،“:

سيدصالحي، سيده زهره; نصرآبادي، علي; ابوطالبي، وحيد; چهاردهمين کنفرانس مهندسي پزشکي ايران اسفند 1386.

In this study we used Hidden Markov Model for P300 detection for the first. We propose a new approach to analyze data from the P300 speller paradigm using the modular learning strategy and HMM. Data set II from the BCI competition 2005 were used. We used modular learning strategy based on principal component analysis and HMM and SVM. Principal component analysis was used for reduced of dimension of feature space and HMM was used for modeling and SVM for classification. Quadratic B-spline wavelet coefficients were used for feature. We compared results of CDHMM_SVM with results of classification by LDA_SVM. Classification accuracy is obtained by averaging 10 times-10 folds cross validation. Detection accuracy was %95.81 in training data and %87.25 in test data for the CDHMM_SVM but detection accuracy of LDA_SVM was %85.15 in training data and %84.21 in test data.

 

Keywords: P300 Component,Linear Discriminator Analysis, Principal Component Analysis, Modular Learning Strategy, Brain Computer Interface

در اين تحقيق مدل مخفي مارکوف که يک مدل آماري با پايه رياضي قوي مي­­باشد، براي نخستين بار در تشخيص مؤلفه P300 بکار گرفته شده­است. CDHMM­ها که از نوع پيوسته مدلهاي مارکوف هستند با استفاده از روش يادگيري مدولار براي تفکيک دادگان حاوي P300 و فاقد آن در دادگان II BCI2005-، استفاده شده­اند. ضرايب استخراج شده توسط تبديل موجک Quadratic B-spline به عنوان زنجيره ويژگي براي مدلها استفاده شد. اين ضرايب براي 64 کانال استخراج و با اعمال PCA در فضاي ويژگي­ها کاهش بعد صورت گرفت. بعد از آموزش دو مدل CDHMM برای سیگنالهای حاوی P300 و فاقد آن، ميزان شباهت به هر مدل توسطSVM بررسي و تصميم­گيري نهايي انجام شد. با روش ارزيابي10 بار 10 دسته دادگان، 95.8% صحت تشخيص مؤلفهP300 براي داده آموزش و 87.3% براي داده آزمون بدست آمد، در حاليکه براي ساختار مشابه، اما با جايگزين شدن CDHMM با LDA، نتايج 85.2% صحت تشخيص مؤلفهP300 براي داده آموزش و 84.2% براي داده آزمون بدست آمد.

واژه‌هاي كليدي:

مؤلفه P300 ، مدل مخفي مارکوف، روش يادگيري مدولار،ضرايب تبديل موجک

10

 

"استفاده از تبديل موجک Quadratic B-Spline درتشخيص خودکار مؤلفه P300 جهت ارتباط مغز با رايانه،":

سيدصالحي، سيده زهره; نصرآبادي، علي; ابوطالبي، وحيد اولين کنفرانس داده کاوي، ايران، آبان 1386.

در اين مطالعه به بررسي ضرايب استخراج شده توسط تبديل موجک Quadratic B-spline در مقايسه با دسته ويژگيهاي حوزه زمان و فرکانس بر روي مجموعه دادگان II مسابقه BCI2005 پرداخته شده است. در اينجا تبديل موجکQuadratic B-spline بخاطر شباهت تابع مادرش به پتانسيل­هاي عمل و همچنين شکل غير متقارنش براي تشخيص مؤلفه P300 مناسب ارزيابي شده ­است. از 5 سطح ضرايب تبديل موجک در باندهاي دلتا و تتا استفاده شده است. همچنين مجموعه ويژگيهاي فرکانسي (فرکانسهاي ميانگين، نما و ميانه)، ضرايب AR و ويژگي­هاي شکلي- زماني استخراج گرديد. مجموعه ويژگي­ها با سه معيار مقايسه شدند اول معيار تفکيک پذيري ديويس بولدين، دوم معيار درصد صحت طبقه بندي و سوم روش مبتني همبستگي است.  با هر سه معيار بهترين نتيجه مربوط به مجموعه ضرايب تبديل موجک بود. صحت طبقه بندي اين دسته از ويژگيها نيز 92% است که با استفاده از روش اعتبار سنجی «10 بار- 10 دسته» بدست آمده است.

کلمات کليدي :

سيستم­هاي  BCI، مؤلفهP300، تبديل موجک گسسته، آناليز تفکيک خطي

Abstract :

In this study we compare quadratic B-spline wavelet coefficients with time and frequency features on the Data set II from the BCI competition 2005. We use quadratic B-Spline as mother functions due to their similarity with the evoked responses and anti symmetric their Shape. The data were decomposed into five-octave frequency bands. We used coefficients between 4-8 Hz (theta) and 0.5-4 Hz (delta) frequency ranges as features. Other subsets, frequency features (fmode, fmedian, fmean), Ar-coefficients and morphologic features, were extracted. Subsets were compared with three criteria: first the accuracy of LDA classifier second Davies-Bouldin discriminative criteria and third correlation based criteria. The best result related to wavelet subset. Accuracy of classification was 92% by cross validation methods.

Key words

Brain computer interface system, P300 components, Discrete wavelet transform, Linear discriminator analysis.

11

 

"بررسي تفکيک پذيري پتانسيل هاي برانگيخته بينايي تک ثبت بر حسب نوع تحريک،":

سيدصالحي، سيده زهره; ميکايلي، محمد; محمديان، امين; جعفرزاده پور، ابراهيم اولين کنفرانس داده کاوي، ايران، آبان 1386.

پتانسيل­هاي برانگيخته انواعي از سيگنالهاي مغزي هستند که در نتيجه وجود تحريک در مغز ايجاد مي­شوند، اجزاء پتانسيل­هاي برانگيخته به دو نوع درون­زا و برون­زا تقسيم مي­شود. اجزاء برون­زا به واسطه شاخصه­­هاي فيزيکي محرک تعيين مي­شود در حاليکه اجزاء درون­زا مستقل از محرک مي­باشد و تنها به عنوان عملکرد پردازش ذهني مختص به آن تحريک بروز مي­کند. جهت بررسي تفکيک سيگنالها بر حسب مشخصات تحريک لازم است تا پتانسيل­هاي برانگيخته مورد پردازش قرار گرفته و ويژگي­هايي از آنها که مربوط به نوع تحريک است انتخاب شود. در اين تحقيق پتانسيل­هاي برانگيخته بينايي از سه فرد نرمال در رنج سني 18 تا 35 سال با تحريک توسط الگوهاي معکوس شونده با نرخ تحريک 1.2 در ثانيه ثبت شده است. الگوها در کانتراست 100%  و رنگ سياه و سفيد با فرکانسهاي فضايي 15، 60، 90 درجه بر دور اعمال شدند. به منظور بررسي يک فرضيه مبني بر تاثير تغيير فرکانس فضائي تحريک در مشخصات فرکانسي سيگنال برانگيخته اين ويژگيها در کنار مجموعه ديگري از ويژگيها قرار گرفتند و با دو روش الگوريتم ژنتيک و کاهش بعد سلسله مراتبي ارزيابي شدند. درصد طبقه­بندي 60% توسط طبقه­بندي­کننده درخت تصميم با استفاده از مجموعه بهينه روش کاهش بعد سلسله مراتبي به عنوان بهترين نتيجه بدست آمد. اما بر خلاف فرضيه اوليه، تغيير در فرکانس­هاي فضايي الگوها تاثير زيادي بر تفکيک­پذيري سيگنالها نداشت.

کلمات كليدی:

پتانسيل برانگيخته بينايي ، الگوريتم ژنتيک، کاهش بعد سلسه مراتبي

Abstract:

Stimulus Based Evaluation of Discrimination of Single Traial Visual Evoked Potential Evoked potentials (EPs) can be roughly defined as the changes of the ongoing EEG due to stimulation. EPs is contain endogenous and exogenous components.Endogenous component to indicate its dependence on internal rather than external factors and exogenous components to indicate their dependence on external rather than internal factors. In this study signals were recorded and processed for three individuals aged 18-35 years, who were subjected to checker board reversing visual stimulus with 100% contrast and spatial frequencies of 15, 60, and 90 cycles per degree. For compare this theory about the relationship between spatial frequencies of stimulus and frequency space of vep extracted frequency feature inside of the other feature. Two methods hiarchicaly dimention reduction and genetic algorithms use for select good features. 60% accuracy is best result in classification by optimum features and decision tree classifier is not concept able for theory validity.

Key words: Visaul Evoked Potential, Genetic Algorithm, Hierarchically Dimension Reduction.

12

 

"‌بررسي ارتباط ويژگي‌هاي شکلي ERP با سطح توجه ماندگار":

ف. قاسمي، م. ح. مرادي، م. تهراني دوست، و. ابوطالبي، آ. خرمي، ا. محمديان، پانزدهمین کنفرانس مهندسي پزشکي ايران بهمن 1387.

چکیده:

" توجه"، يکي از جذاب‌ترين جنبه‌هاي فعاليت شناختي مغز است که اهميت و جلوه خاص آن در ميان محققين، علاوه بر کاربردهاي ويژه‌اش در حوزه‌هاي مختلف، به تاثير بارز آن در کاهش و يا افزايش شدت فعاليت‌هاي ديگر برمي‌گردد. سنجش توجه در مبدأ شکل‌گيري آن يعني مغز، بجاي روشهاي متداول که نمودهايي از توجه را اندازه‌گيري مي‌کنند، در حذف عوامل واسط بسيار موثر بوده و امکان انجام اين ارزيابي را عموميت بيشتري مي‌بخشد. اين پژوهش به بررسي ارتباط ويژگي‌هاي شکليERP با سطح توجه ماندگار مي‌پردازد. براي سنجش سطح توجه ماندگار از آزمون عملکرد پيوسته استفاده شده و 30 ويژگي شکلي در سيگنال ثبت شده از کانال Pz در 19 سوژه مورد بررسي قرار گرفته است. سوژه‌ها براساس توجه به 3 کلاس تقسيم شده و براي جداسازي هر دو کلاس،  طبقه‌بندي‌کننده LDA بکار رفته است. با استفاده از 2 ويژگي (ترکيب دامنه و تاخير) دقت 92% در جداسازي دوبدوي کلاس‌ها بدست آمده است و نتايج کيفي حاصله نيز با تحقيقات قبلي انجام شده مطابقت داشته است.

كليد واژه:
 
آزمون عملکرد پيوسته، پتانسيل وابسته به رخداد، توجه ماندگار، طبقه بندی کننده LDA و مولفه P300.

13

" تحليل پروتکل توجه بينايي ماندگار " آزمون عملکرد پيوسته" با استفاده از پتانسيل وابسته به رخداد بينايي افراد بزرگسال":

خرمي آناهيتا، سيد صالحي سيد علي، تهراني دوست مهدي، محمديان امين،  قاسمي فرناز،  ابوطالبي وحيد، مجموعه مقالات هفدهمین كنفرانس مهندسي‌‌برق ايران، ارديبهشت‌‌‌ماه 1388.

14

"آشکارسازي و طبقه بندي استرس رواني گوينده":

شهلا ترابي، فرشاد الماس گنج، امين محمديان و آذر طلوعي، مجموعه مقالات هفدهمین كنفرانس مهندسي‌‌برق ايران، ارديبهشت‌‌‌ماه 1388.

 
 

عناوين مقالات کنفرانس هاي بين المللي

1

;“Committee Machines and Quadratic B-Spline Wavelet for the P300 Speller Paradigm,”

Seyyedsalehi, S.Z; Nasrabadi, A.M; Abootalebi, V IEEE Conf. Computer Systems & Applications, 2008

2

Classification of Old/New effects during memory retrieval Using Committee Machine: an Event-Related Potential study”

S. Rezania1, A. M. Nasrabadi2, V. Abootalebi1,3, M. Ghoshuni4, Cairo International Biomedical Engineering Conference 2008, Wouldpublish in the IEEE Xplore.

3

;“Multimodal Detection of Deception Using fusion of Reaction Time and P300 component

A. Mohammadian, V. Abootalebi, M. H. Moradi, M. A. Khalilzadeh, Cairo International Biomedical Engineering Conference 2008, Wouldpublish in the IEEE Xplore.

4

:“Semi-supervised classification of speaker’s psychological stress

S. Torabi, F. AlmasGanj, A. Mohammadian, Cairo International Biomedical Engineering Conference 2008, Would publish in the IEEE Xplore.

5

CLASSIFICATION OF CHAOTIC SIGNALS USING HMM CLASSIFIERS: EEG-BASED MENTAL TASK CLASSIFICATION"

Soroosh Solhjoo1, Ali Motie Nasrabadi2, and Mohammad Reza Hashemi Golpayegani.و 13th European Signal Processing Conference, September 4-8 , 2005 Antaly

6

:" EEG-Based Mental Task Classification"

Linear and Nonlinear Classification of Movement Imagery Athena Akrami, Soroosh Solhjoo, Ali Motie-Nasrabadi, Mohammad-Reza Hashemi-Golpayegani, Engineering in Medicine and Biology 27th Annual Conference, September 1-4, 2005

7

“EEG-Based Mental Task Classification in Hypnotized and Normal Subjects"

Soroosh Solhjoo, Ali Motie Nasrabadi, Mohammad Reza Hashemi Golpayegani, Engineering in Medicine and Biology 27th Annual Conference, September 1-4, 2005

8

“SELECTING BETTER EEG CHANNELS FOR CLASSIFICATION OF MENTAL TASKS”

KOUHYAR TAVAKOLIAN, A.M. NASRABADI, SIAMAK REZAEI  ISCAS 2004.