دوره 13، شماره 3 - ( 9-1395 )                   جلد 13 شماره 3 صفحات 154-129 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shahbahrami A, Najafi K, Najafi T. Different Application Fields of Brain Signal Processing in Iran. JSDP 2016; 13 (3) :129-154
URL: http://jsdp.rcisp.ac.ir/article-1-305-fa.html
شاه بهرامی اسدالله، نجفی کیومرث، نجفی طاهره. حوزه های مختلف کاربردی پردازش سیگنال مغزی در ایران. پردازش علائم و داده‌ها. 1395; 13 (3) :129-154

URL: http://jsdp.rcisp.ac.ir/article-1-305-fa.html

حوزه های مختلف کاربردی پردازش سیگنال مغزی در ایران
اسدالله شاه بهرامی* ، کیومرث نجفی ، طاهره نجفی
دانشگاه گیلان
چکیده:   (12213 مشاهده)

پژوهش‌ها نشان می‌دهد که اعمال انسان نتیجه عملکرد نورونی داخل مغز وی است. بازخورد این عملکرد به‌صورت سیگنال ساطع‌شده از سطح جمجمه قابل دریافت و پردازش است. دریافت و ثبت سیگنال‌های مغزی توسط دستگاه EEG قابل انجام است. پژوهش‌گران از شیوه‌های گوناگونی در راستای اخذ و پیش پردازش سیگنال، استخراج و کاهش ویژگی و انواع طبقه‌بندی‌کننده‌ها در پژوهش‌های مختلف استفاده کرده‌اند. با توجه به مطالعات جمع‌آوری‌شده از پایگاه‌های علمی داخلی و خارجی که توسط پژوهش‌گران ایرانی تا سال 1394 در زمینۀ پردازش سیگنال مغزی انجام گرفته است، مشخص شد که بیشتر پژوهش‌ها در بخش‌های پزشکی و ارتباط مغز با رایانه صورت گرفته و نیز نمونه‌گیری و اخذ سیگنال از ناحیه مرکزی سطح جمجمه بیشتر مورد استفاده قرار گرفته است و در میان انواع مختلف روش‌های استخراج ویژگی و کاهش آن، روش آماری برای استخراج ویژگی و روش گزینشی برای کاهش آن استفاده شده است. در‌نهایت ماشین بردار پشتیبان بیشترین استفاده را در طبقه‌بندی‌کننده‌های سیگنال مغزی داشته است. در انتها با درنظرگرفتن فراوانی روش‌های استفاده‌شده در مراحل پردازش سیگنال مغز در بخش پزشکی، بر روی تشخیص اضطراب و افسردگی پنجاه سوژه، پژوهشی صورت گرفت و نتیجه با دقت 97 درصد حاصل شد.

واژه‌های کلیدی: استخراج ویژگی، کاهش ویژگی، طبقه‌بندی‌کننده، سیگنال مغز
متن کامل [PDF 6900 kb]   (2861 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1393/10/9 | پذیرش: 1395/6/17 | انتشار: 1396/2/3 | انتشار الکترونیک: 1396/2/3
فهرست منابع
1. 5[ س. خوش ضمیر، ع. رجائیان. معرفی پایگاه داده: کنترل هوشمند بازو با استفاده از سیگنالهای مغزی. دوازدهمین کنفرانس ملی سیستم‌های هوشمند، انجمن سیستم‌های هوشمند ایران. ۱۳۹۲.
2. ]6[ ر. خاتمی، ع. احمدی فرد. طبقه‌بندی تصور حرکتی چهار کلاسه با استفاده از بهینه‌سازی فیلترهای فضایی-فرکانسی. هشتمین کنفرانس ماشین بینایی و پردازش تصویر، دانشگاه زنجان. ۱۳۹۲.
3. ]7[ اربابی ا. بررسی وابستگی بررسی وابستگی میان ویژگی‌های موثر بکار رفته در روش‌های مختلف طبقه‌بندی سیگنال‌های مغزی در BCI. دانشگاه شریف. ۱۳۸۴.
4. ]10 [ف. شائق بروجنی، ع. عرفانیان امیدوار. حذف برخط آرتیفکت پلک زدن از سیگنال های مغزی در سیستم های ارتباطی مغز با کامپیوتر با استفاده از تحلیل وفقی مولفه های مستقل. نشریه مهندسی برق مهندسی کامپیوتر ایران ۷(۳): ۱۹۹-۲۱۰. ۱۳۸۸.
5. ]11[ ف. حمزه لو، ا. عرفانیان. تشخیص میزان پیچیدگی فعالیت های ذهنی به وسیله سیگنالهای مغزی با استفاده از شبکه های عصبی. دانشکده فنی دانشگاه تبریز. ۱۳۸۱.
6. ]12[ س. نوشادی، ح. ابوطالبی و همکاران. استفاده از فیلتر وفقی در حذف آرتیفکت EOG از سیگنال EEG مربوط به فعالیت های ذهنی. هفدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۹.
7. ]13[ ص. لشگری، م. خلیل زاده. نمره بندی آرتیفکت های چشمی و عضلانی سیگنال EEG با استفاده از تبدیل ویولت. چهارمین کنفرانس مهندسی برق و الکترونیک ایران، دانشگاه آزاد اسلامی واحد گناباد. ۱۳۹۱.
8. ]14[ ذ. صابری مبارکه، ح. میروزیری. بهبود طبقه‌بندی فعالیت های ذهنی در سیستم های رابط مغز - رایانه با استفاده از الگوریتم بهینه سازی ازدحام ذرات مبتنی بر توپولوژی حلقوی. همایش ملی مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدل سازی و امنیت سیستمها، موسسه آموزش عالی خاوران. ۱۳۹۲.
9. ]15[ ر. محمدی، ع. محلوجی فر. تعیین خودکار پارامترهای پس پردازش درطراحی سوئیچ مغزی آسنکرون مبتنی برحرکت پا. بیستمین کنفرانس مهندسی برق ایران، دانشگاه تهران. ۱۳۹۱.
10. ]16 [م. پرستار فیض آبادی، م. یزدچی و همکاران. تحلیل غیر خطی سیگنال مغزی کودکان مبتلا به نوشتار پریشی در حین و بعد از مهارت نوشتن جهت فهم بهتر عملکرد مغزی. مجله دانشکده پزشکی اصفهان ۳۲(۲۸۳). ۱۳۹۳.
11. ]17[ س. ع. حسینی، م. خلیل زاده همکاران. آشکارسازی فشار هیجانی به کمک ویژگی‌های غیرخطی و طیف مرتبه بالای سیگنال مغزی. مجله مهندسی برق دانشگاه تبریز 39(2): 14-25. 1388.
12. ]18[ ع. راستجو اردکانی، ح. عرب علی بیک. ارزیابی عملکرد مدل پنهان مارکوف ‍‍برای آشکارسازی مولفه P300 در سیستم های رابط مغز و کامپیوتر. مجله فیزیک پزشکی ایران ۵(۲):۲۵-۳۸. ۱۳۸۷.
13. ]19[ غ. چمن آباد. ارزیابی تغییرات سیگنال‌های مغزی در اختلال اضطراب فراگیر (Generalized Anxiety Disorder. مهندسی پزشکی دانشگاه صنعتی امیرکبیر. ۲۰۱۲.
14. ]20[ س. رضانیا، ز. سیدصالحی و همکاران. استخراج ویژگی از پتانسیل های وابسته به رخداد با استفاده از تبدیل موجک پیوسته و آزمون t. پانزدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۷.
15. ]21[ ا. ویسی، ع. کریم پور و همکاران. معرفی معیاری جدید برای تشخیص صرع در سیگنالهای الکتروانسفالوگرام نویزی و کوتاه مدت بر اساس تحلیل الگوهای ترتیبی. مجله فیزیک پزشکی ایران ۷(۱):۷۹-۹۲. ۲۰۱۰.
16. ]22[ ع. اسلامی، ح. دهقانی و همکاران. پیاده سازی یک سامانه BCI برای تصور دو حرکت دست چپ و راست. شانزدهمین کنفرانس دانشجویی مهندسی برق ایران، سازمان علمی دانشجویی مهندسی برق کشور. ۱۳۹۲.
17. ]23[ س. آموزگار، م. پویان و همکاران. استفاده از شبکه‌های تجمیع خبرگان به منظور طبقه‌بندی سیگنال مغزی افراد سالم و بیماران صرعی. نشریه سیستم‌های هوشمند در مهندسی برق ۴(۱):۱-۸. ۱۳۹۲.
18. ]24[ ا. ح. مهرنام، ع. مطیع نصرآبادی و همکاران .بازشناسی دانش فرد خطاکار به کمک سیگنال های تک ثبت مغزی، مبتنی بر روش غیرخطی منحنی های بازگشتی. دو فصل نامه پردازش علائم و داده‌ها (۲): ۳۷-۴۸. 1391.
19. ]25[ س. ع. حسینی، م. خلیل زاده و همکاران. داده کاوی سیگنالهای سایکوفیزیولوژیکی و مغزی به منظور ارزیابی استرس هیجانی. ۲۰۰۹.
20. ]26[ م. وطن خواه، م. ر. اکبرزاده توتونچی و همکاران. اندازه گیری سطح درد با استفاده از سیگنالهای مغزی. Journal of Mathematics. ۲۰۱۰.
21. ]27[ ا. ایل بیگی، م. یزدچی. بازشناسی حالتهای مختلف احساسی با استفاده از سیگنال EEG. بیستمین کنفرانس مهندسی برق ایران، دانشگاه تهران. ۱۳۹۱.
22. ]28[ ع. ا. کیخا جوان، ج. شیرازی. تشخیص احساسات برمبنای سیگنالهای مغزی بااستفاده ازتبدیل موجک وروش دسته‌بندی SVM. پنجمین کنفرانس ملی مهندسی برق و الکترونیک ایران، دانشگاه آزاد اسلامی واحد گناباد. ۱۳۹۲.
23. ]29[ حسینی س. طبقه‌بندی هیجانات به کمک تحلیل طیف مرتبه بالای سیگنال مغزی. مجله تازه های علوم شناختی ۱۴(۲):۲۳-۳۴. ۲۰۱۲.
24. ]30[ ا. ایل بیگی، م. ر. یزدچی و همکاران. بهبود تشخیص خودکار احساسات با استفاده از سیگنال EEG. دو فصل نامه پردازش علائم و داده‌ها (۲):۲۱-۳۴.۱۳۹۲.
25. ]31[ ن. حافظی مطلق ، م. خلیل زاده و همکاران. حذف آرتیفکت پلک زدن از سیگنال EEG: مقایسه الگوریتم PCA و فیلتر تطبیقی. پانزدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۷.
26. ]33[ ع. میرجلیلی، و. ابوطالبی و همکاران. بهبود کارایی طبقه‌بندی‌کننده تنک در سیستم‌های واسط مغز ـ کامپیوتر با استفاده از الگوریتم الگوهای مکانی مشترک. دومین کنفرانس بیوالکترومغناطیس ایران، انجمن مهندسی پزشکی ایران. ۱۳۹۲.
27. ]34[ ع. اسلامی، ح. دهقانی و همکاران. کاهش بعد به روش FLD در سیستم های واسطه مغز کامپیوتر. شانزدهمین کنفرانس دانشجویی مهندسی برق ایران، سازمان علمی دانشجویی مهندسی برق کشور. ۱۳۹۲.
28. ]35[ ر. سبحانی جنبه سرائی، م. ر. دلیری و همکاران. ترکیب بردارهای ویژگی برای افزایش کارایی یک سیستم ارتباط مغز-رایانه. همایش ملی پژوهشهای کاربردی در علوم و مهندسی، دانشگاه آزاد اسلامی واحد تاکستان. ۱۳۹۲.
29. ]37[ و. ابوطالبی، م. صادقی و همکاران. انتخاب یک فضای ویژگی بهینه در تفکیک فعالیت‌های ذهنی بر پایه الگوریتم EMD. مجله دانشکده پزشکی اصفهان ۲۹(۱۷۴). ۱۳۹۰.
30. ]38[ ن. بخشنده باورساد، ع. عصاره و همکاران. استفاده از دسته‌بندی کننده ترکیبی برای تفکیک سیگنالهای الکتروانسفالوگرام مربوط به پنج فعالیت ذهنی. اولین همایش ملی رویکردهای نوین در مهندسی کامپیوتر و بازیابی اطلاعات، دانشگاه آزاد اسلامی واحد رودسر و املش. ۱۳۹۲.
31. ]39[ ن. بخشنده باورساد، ع. عصاره و همکاران. پیش پردازش و دسته‌بندی سیگنال های مغزی بااستفاده ازروشهای یادگیری ماشین. پنجمین کنفرانس ملی مهندسی برق و الکترونیک ایران، دانشگاه آزاد اسلامی واحد گناباد. ۱۳۹۲.
32. ]40[ ر. محمدی، ع. محلوجی فر. استفاده از سیگنال EEG تک کانال به منظور آشکارسازی حرکت پا در سیستم واسط مغز- رایانه کاربرفرما. هجدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۹۰.
33. ]41[ م. شهاب شهوازیان، و. ابوطالبی و همکاران. استفاده از ترکیب ویژگی های مختلف سیگنال EEG تک‌کاناله به منظور تأئید هویت. هجدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۹۰.
34. ]42[ ا. جهانتاب، م. خلیل زاده و همکاران. ارتباط مغز کامپیوتر (BCI) با استفاده از مؤلفه های شناختی ERP. یازدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳8۲.
35. ]43[ پ. اسکندری، ع. عرفانیان امیدوار. بررسی اثر مراقبه در کارایی سیستم های واسط مغز با کامپیوتر. شانزدهیمن کنفرانس مهندسی برق ایران، دانشگاه تربیت مدرس. ۱۳۸۷.
36. 44[ ف. خیری، س. حسینی. مقایسه و شبیه سازی سیستم تعیین هوشمند Bipolar Disorder توسط EEG. دومین کنفرانس ملی ایده های نو در مهندسی برق، دانشگاه آزاد اسلامی واحد خوراسگان. ۱۳۹۲.
37. ]46[ ز. امینی، ح. ربانی. تشخیص تشنج در کودکان مبتنی بر مدل سازی الکتروانسفاگرافی با مدل فرآیند گوسی. مجله دانشکده پزشکی اصفهان ۳۱(۲۴۳):۹۸۵-۹۹۶. 2013.
38. ]47[ م. عرب، ا. صورتگر و همکاران. پردازش سیگنال‌های الکتروآنسفالوگرافی به منظور تشخیص انواع تشنجات صرعی پتی مال وگراندمال با استفاده از شبکه‌های عصبی مصنوعی. مجله دانشگاه علوم پزشکی اراک ۱۱(۳): ۸۹-۹۷. ۲۰۰۸.
39. ]48[ م. تقوی کن، ج. امیر همایون و همکاران. طبقه‌بندی پتانسیل ‌های عمل نرونی با استفاده از شبکه‌ های عصبی شعاعی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. ۱۳۸۹.
40. ]49[ و. ابوطالبی، م. شمس‌الهی. تجزیه و تحلیل سیگنال EEG با استفاده از طیف‌های زمان - فرکانس مرتبه بالا. یازدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۲.
41. ]50[ ا. مزروعی راد، ج. شیرازی و همکاران. استفاده از هم بستگی متقابل در ماشینهای بردار پشتیبان برای دسته‌بندی سیگنال مغزی. چهارمین کنفرانس مهندسی برق و الکترونیک ایران، دانشگاه آزاد اسلامی واحد گناباد. ۱۳۹۱.
42. ]51[ م. توحیدی پور، ا. صورتگر و همکاران. طراحی سیستم تشخیص صرع کانونی با استفاده از نگاشت مغز، تکنیک‌های پردازش تصویر و شبکه‌های عصبی مصنوعی. مجله دانشگاه علوم پزشکی اراک ۱۶(۱): ۲۴-۳۳. ۲۰۱۳.
43. ]52[ م. اسماعیل پور، ا. نومی گلزار و همکاران. تحلیل سیگنالهای الکتروآنسفالوگرافی برای تشخیص بیماری صرع با استفاده از شبکه های عصبی مصنوعی. همایش ملی پژوهشهای کاربردی در علوم و مهندسی، دانشگاه آزاد اسلامی واحد تاکستان. ۱۳۹۲.
44. ]53[ ع. مهری دهنوی، ر. امیرفتاحی و همکاران. ارتباط بین سطح هشیاری و فعالیت الکتریکی سلول های مغزی در بیماران تحت جراحی تعویض دریچه آئورت. مجله علمی دانشگاه علوم پزشکی گرگان ۱۰(۲):۴۴-۴۹. ۱۳۸۷.
45. ]54[ ت. ذوقی، ر. بوستانی. ارائه روشهایی جدید برای تعیین عمق بیهوشی. نشریه کنترل ۴(۴):۳۹. ۱۳۸۹.
46. ]55[ و. ابوطالبی، م. خلیل‌زاده و همکاران. بررسی تأثیر هیپنوتیزم بر روی EEG با استفاده از طیف های مرتبه بالا. نهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۷.
47. [56] ع. گشوارپور، س. راحتی قوچانی و همکاران. ارزیابی دینامیک‌ های غیرخطی سیگنال الکتروآنسفالوگرام در هنگام مدیتیشن. نشریه فنی و مهندسی ۳(۱):۱۰۱-۱۱۲. ۱۳۸۸.
48. ]58[ ف. خیری، س. حسینی. طبقه‌بندی سیگنال‌های الکتروانسفالوگرام براساس شبکه عصبی شعاع مبنا ( RBF). دومین کنفرانس ملی ایده های نو در مهندسی برق، دانشگاه آزاد اسلامی واحد خوراسگان. ۱۳۹۲.
49. ]61[ س. شفیعی دارابی، س. فیروزآبادی و همکاران. اثر تشدیدی ناشی از تابش موضعی میدان مغناطیسی کم شدت با فرکانس بسیار پایین بر سیگنال های مغزی: کارآزمایی بالینی تصادفی شده. مجله دانشگاه علوم پزشکی قم ۵(۱):۵۳-۶۰. ۱۳۹۰.
50. ]62[ س. برجسته، ح. نویدی و همکاران. ارزیابی حساسیت و ویژگی نمای مقیاس بندی نوارمغزی در تشخیص سکته مغزی. نشریه پژوهش در پزشکی ۳۶ (۲):۸۲-۸۸.۱۳۹۱.
51. ]63[ رضانیا، ع. مطیع نصرآبادی و همکاران. طبقه‌بندی اثرات قدیم/جدید در فرآیند بازیابی حافظه با استفاده از ماشین همیار: بررسی پتانسیل های وابسته به رخداد مغزی. پانزدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۷.
52. ]64[ س. ز. سیدصالحی، ع. مطیع نصرآبادی و همکاران. به کارگیری تحلیل زمان-فرکانس و ماشین همیار درتشخیص خودکار مولفه P300 جهت ارتباط مغز با رایانه. دو فصل نامه پردازش علائم و داده‌ها (۲):۵۷-۷۰.۱۳۸۷.
53. ]65[ ب. پرسه، ا. شرافت. استخراج پتانسیل برانگیخته بینایی با استفاده از ترکیب تبدیل موجک گسسته و ICA مقید در P300Speller. شانزدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۸.
54. ]67[ ن. طالبی، ع. مطیع نصرآبادی. به کارگیری روش غیرخطی منحنی بازگشتی برای شناسایی مولفه های حافظه ای بر مبنای تک ثبت. دو فصل نامه پردازش علائم و داده‌ها (۲):۳۹-۵۲.۱۳۸۸.
55. ]68[ و. ابوطالبی، م. مرادی و همکاران. دروغ سنجی با استفاده از مؤلفه های شناختی سیگنال مغز. دوازدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۴.
56. ]69[ و. ابوطالبی، م. مرادی و همکاران. استفاده از استراتژی یادگیری مدولاربه منظور تشخیص مولفه های شناختی درسیگنالهای مغزی. یازدهمین کنفرانس مهندسی برق، دانشگاه شیراز. ۱۳۸۲.
57. ]70[ ا. ابراهیم‌زاده، س. علوی و همکاران. طراحی و پیاده‌سازی سیستم دروغ‌سنجی مبتنی بر سیگنال الکتروانسفالوگرافی (EEG). مجله علمی پژوهشی دانشگاه علوم پزشکی ارتش-بهار 1392. ۲۰۱۱.
58. ]71[ ا. محمدیان، و. ابوطالبی. طبقه‌بندی تک ثبت سیگنال های ERP به منظور آشکارسازی تحریک هدف. دو فصل نامه پردازش علائم و داده‌ها (۱):۳-۱۲.۱۳۸۷.
59. ]72[ م. عبدالصالحی، م. خلیل زاده و همکاران. تشخیص و بررسی کاهش دامنه P300 در پتانسیل های وابسته به رویداد شنوایی تک ثبت با استفاده از الگوریتم ژنتیک و طبقه‌بندی کننده شبکه عصبی. دو فصل نامه پردازش علائم و داده‌ها (۱):۷۱-۷۸.۱۳۸۸.
60. ]73[ ا. محمدیان، و. ابوطالبی و همکاران. استفاده از زمان پاسخ، مولفه شناختی P300 و تلفیق دو مد به منظور تشخیص «دانش فرد خطاکار». دو فصل نامه پردازش علائم و داده‌ها (۱):۲۳-۳۲.۱۳۸۸.
61. ]75[ ا. ابراهیم‌زاده، س. علوی و همکاران. شناسایی فریب از طریق پردازش سیگنال‌های مغزی مبتنی بر روش مقایسه همبستگی. مجله علمی پژوهشی پدافند غیرعامل 14(2): 57-64. 1392.
62. ]76[ ا. امیدوارنیا، ف. عطری و همکاران. استفاده از ویژگی‌های فرکتالی سیگنال EEG در حوزه فرکانس برای طبقه‌بندی فعالیت‌های ذهنی خاص. گروه مهندسی برق و کامپیوتر دانشکده فنی دانشگاه تهران. 2004.
63. ]77[ م. توتونچیان، ع. عرفانیان امیدوار. اثر تمرینات ذهنی و بیوفیدبک بر روی سیگنال های مغزی در هنگام تصور حرکت دست با استفاده از آنالیز بای سپکتروم به روش بازگشتی مرتبه سه. دوازدهمین کنفرانس مهندسی پزشکی ایران، انجمن مهندسی پزشکی ایران. ۱۳۸۴.
64. ]78[ ز. خلیلی، م. ح. مرادی. طبقه‌بندی احساس افراد با استفاده از سیگنال های مغزی و محیطی. دو فصل نامه پردازش علائم . داده‌ها (۱):۳۳-۵۲.۱۳۸۸.
65. ]79[ ع. عرفانیان امیدوار، ع. عرفانی. تشخیص الگوهای EEG در هنگام تصور حرکت دست با استفاده از یک طبقه‌بندی کننده مبتنی بر تجزیه و تحلیل مولفه های مستقل. نشریه مهندسی برق و الکترونیک ایران ۱(۳):۳۳-۴۳. ۱۳۸۳.
66. ]80[ ز. امینی، و. ابوطالبی و همکاران. ارزیابی و مقایسه روش‌های الگوهای مکانی مشترک و قطعه بندی هوشمند در آشکارسازی مولفه P300. نشریه سیستم‌های هوشمند در مهندسی برق ۲(۲): ۳۷-۵۴. ۱۳۹۰.
67. [1] B. Graimann, B. Allison, et al. Brain- Computer Interfaces, Revolutionizing Human Computr Interraction, 2010. [DOI:10.1007/978-3-642-02091-9] [PMID]
68. [2] S. V. Hiremath, W. Chen, et al. Brain Computer Interface Learning for Systems Based on Electrocorticography and Intracortical Microelectrode Arrays. Frontiers in Integrative Neuroscience: Review 9(40) , 2015.
69. [3] A. Bashashati, M. Fatourechi, et al. A Survey of Signal Processing Algorithms in Brain–Computer Interfaces Based on Electrical Brain Signals. Journal of Neural engineering 4(2): R32, 2007. [DOI:10.1088/1741-2560/4/2/R03] [PMID]
70. [4] S. R. Kheradpisheh, A. Nowzari-Dalini, et al. An Evidence-Based Combining Classifier for Brain Signal Analysis. PLoS ONE 9(1), 2014. [DOI:10.1371/journal.pone.0084341] [PMID] [PMCID]
71. [5] S. Khosh Zamir, A. Rajaeian, et al. Database Introduction: Intelligent Arm Control Using Brain Signals. 12th Iranian Conference on Intelligent Systems. Intelligent Systems Scientific Society of Iran (ISSSI) , 2013.
72. [6] R. Khatami, A. Ahmadi Fard. Classification of Four-Category Movement Visualization Using Spatial-Frequency Filters Optimization. 8th Conference on Machine Vision and Image Processing. University of Zanjan, 2013.
73. [7] A. Arbabi. A Correlation Analysis of Effective Features in Brain Signal Classification Methods in BCI. Sharif University of Technology, 2005.
74. [8] M. Azarnoosh, A. Motie Nasrabadi, et al. Investigation of Mental Fatigue Through EEG Signal Processing Based on Nonlinear Analysis: Symbolic dynamics. Chaos, Solitons & Fractals 44(12): 1054-1062, 2011. [DOI:10.1016/j.chaos.2011.08.012]
75. [9] D. Fattahi, B. Nasihatkon, et al. A General Framework to Estimate Spatial and Spatio-Spectral Filters for EEG Signal Classification. Neurocomputing 119: 165-174, 2013. [DOI:10.1016/j.neucom.2013.03.044]
76. [10] F. Shaegh Boroojeni, A. Erfanian Omidvar. Online Removal of Blinking Artifacts from Brain Signals in BCIs Using Adaptive Independent Component Analysis. Iranian Journal of Electrical and Computer Engineering 7 (3): 199-210, 2009.
77. [11] F. Hamzehloo, A. Erfanian. EEG-based Detection of Mental Workload by Using Artificial Neural Networks. University of Tabriz Faculty of Engineering,2002.
78. [12] S. Nowshadi, H. Abu-Talebi, et al. Using Adaptive Filter in EOG Artifact Removal from the EEG Signals of Mental Processes. 17th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2010.
79. [13] S. Lashgari, M. Khalilzadeh. Grading Eye and Muscular Artifacts of EEG Signals Using Violet Transformation. 4th Iranian Conference on Electrical & Electronics Engineering. Gonabad Islamic Azad University, 2012. [PMCID]
80. [14] Dh. Saberi Mobarakeh, H. Mirvaziri. An Improved Classification of Mental Processes in BCIs Using Particle Swarm Optimization Algorithm On the Basis of Ring Topology National Symposium on Computer Engineering and Sustainable Development: Computer Networks, Modeling, and System Security (CNMSecur). Khavaran Institute of Higher Education (KHI) ,2013.
81. [15] R. Mohammadi, A. Mahloojifar. Automatic Determination of Post-Processing Parameters in Designing an Asynchronous Brain Switch Based on Foot Movement. 20th Iranian Conference on Electrical Engineering. University of Tehran, 2012.
82. [16] M. Parastar Feyzabadi, M. Yazdchi, et al. Nonlinear Brain Signal Analysis in Dysgraphic Children during and After Writing for a Better Understanding of Mental Processes. Journal of Isfahan Medical School 32 (283), 2014.
83. [17] S. M. Hosseini, M. Khalil Zadeh, et al. Emotional Stress Detection Using Nonlinear and Higher Order Spectra Features in EEG Signals. University of Tabriz Journal of Electrical Engineering 39 (2):14-25, 2009.
84. [18] A. Rastjoo Ardakani, H. Arab Alibeyk. An Evaluation of the Performance of HMM in Detection of P300 Component in BCIs. Iranian Journal of Medical Physics 5 (2): 25-38, 2008.
85. [19] Gh. Chaman abad. An Evaluation of Brain Signal Variations in Generalized Anxiety Disorder. Department of Biomedical Engineering, Amir Kabir University of Technology, 2012.
86. [20] S. Rezania, Z. Seyed Salehi, et al. Event Potential Feature Extraction Using CWT and t-Distribution. 15th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2008. [PMCID]
87. [21] A. Veysi, A. Karimpour, et al. Introducing A New Criterion for Diagnosing Epilepsy in Short and Noisy EEG Signals Based on Sequential Pattern Mining. Iranian Journal of Medical Physics 7 (1): 79-92, 2010.
88. [22] A. Eslami, H. Dehghani, et al. Implementation of Brain-Computer Interface for Visualizing Left and Right Hand Movements. 16th Iranian Student Conference on Electrical Engineering. National Student Scientific Organization of Electrical Engineering, 2013.
89. [23] S. Amoozgar, M. Pouyan, et al, 2013. Using Mixture of Expert Models for Classification of Brain Signals of Healthy and Epileptic Individuals. The Quarterly Journal of Intelligent Systems in Elec-trical Engineering 4 (1): 1-8.
90. [24] A. H. Mehrnam, A. Motie Nasrabadi, et al. Guilty Knowledge Test Using Single-Registration Brain Signals, Based on Nonlinear Recurrence Plot Analysis. A Bi-Quarterly Journal of Signal and Data Processing (2): 37-48, 2012.
91. [25] S. M. Hosseini, M. Khalil Zadeh, et al. Data mining of Psychophysiological and Brain Signals for The Assessment of Emotional Stress. Journal of Mathematics, 2009.
92. [26] M. Vatankhah, M. R. Akbarzadeh Tootoonchi, et al. Measuring Pain Intensity Using Brain Signals. Journal of Mathematics, 2010.
93. [27] A. Il-Beygi, M. Yazdchi. Recognition of Emotional States Using EEG Signals. 20th Iranian Conference on Electrical Engineering. University of Tehran, 2012.
94. [28] A. A. Keykha Javan, J. Shirazi. Detection of Emotions according to Brain Signals Using CWT and SVM Classification 5th Iranian Conference on Electrical & Electronics Engineering. Gonabad Islamic Azad University, 2013.
95. [29] S. Hosseini. Classification of Emotions Using Higher Order Spectral Brain Signal Analysis. Journal of Advances in Cognitive Science 14 (2): 23-34, 2012.
96. [30] A. Il-Beygi, M. R. Yazdchi, et al. Improving Automatic Detection of Emotions Using EEG Signals. A Bi-Quarterly Journal of Signal and Data Processing (2): 21-34, 2013.
97. [31] N. Hafezi Motlagh, M. Khalil Zadeh, et al. Removing the Winking Artifact from EEG Signals. PCA Algorithm and Adaptive Filters: A Comparison. 15th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2008.
98. [32] F. Shayegh, A. Erfanian. Real-Time Ocular Artifacts Suppression from EEG Signals Using an Unsupervised Adaptive Blind Source Separation. Engineering in Medicine and Biology Society. EMBS'06. 28th Annual International Conference of the IEEE, IEEE, 2006. [DOI:10.1109/IEMBS.2006.259611]
99. [33] A. Mirjalili, V. Abu-Talebi, et al. Improving the Performance of Classifier in BCIs Using Common Spatial Patterns Algorithm. 2nd Iranian Conference on Bio-electromagnetism. Iranian Society for Biomedical Engineering, 2013.
100. [34] A. Eslami, H. Dehghani, et al. Dimension Reduction Using FLD in BCIs. 16th Iranian Student Conference on Electrical Engineering. National Student Scientific Organization of Electrical Engineering, 2013.
101. [35] R. Sobhani, M. R. Daliri, et al. Feature Vectors Combination for Optimization of BCIs National Conference on Applied Researches in Sciences and Engineering. Takestan Islamic Azad University, 2013.
102. [36] F. Abdollahi, A. Motie-Nasrabadi. Combination of Frequency Bands in EEG for Feature Reduction in Mental Task Classification. Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th Annual International Conference of the IEEE, IEEE, 2006. [DOI:10.1109/IEMBS.2006.260229]
103. [37] V. Abu-Talebi, M. Sadeghi, et al. An Optimum Property Space for Distinguishing Mental Processes Based on EMD Algorithm. Journal of Isfahan Medical School 29 (174), 2011.
104. [38] N. Bakhshandeh Bavarsad, A. Osareh, et al. Combined use of Classification to Separate the Electroencephalographic Signals Corresponding to the Five Mental Activity. The first National Conference on Emerging Trends in Computer Engineering and Data Recovery. Islamic Azad University of Roodsar and Amlash, 2013.
105. [39] N. Bakhshandeh Bavarsad, A. Osareh, et al. Pre-processing and Classification of Brain Signals Using Machine Learning Methods. 5th Iranian Conference on Electrical & Electronics Engineering. Gonabad Islamic Azad University, 2013.
106. [40] R. Mohammadi, A. Mahloojifar. Using Single-Channel EEG Signals for Foot Movement Detection in User-Controlled BCIs. 18th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2011.
107. [41] M. Shahab Shahvazian, V. Abu-Talebi, et al. Person Authentication System Using Feature Level Fusion of a Single Channel EEG Signal. 18th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2011.
108. [42] A. Jahantab, M. Khalil Zadeh, et al. BCI Using ERP Cognitive Components. 11th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2003.
109. [43] P. Eskandari, A. Erfanian Omidvar. An Analysis of the Effect of Meditation on Brain-Computer Interfaces 16th Iranian Conference on Electrical Engineering. Tarbiat Modares University, 2008.
110. [44] F. Kheiri, S. Hosseini. A Comparison and Simulation of Bipolar Disorder Intelligent Diagnosis System Using EEG Signals. 2nd National Conference on New Ideas in Electrical Engineering. Khorasgan Islamic Azad University, 2013.
111. [45] B. Mahmoudi, A. Erfanian. Electroencephalogram Based Brain–Computer Interface: Improved Performance by Mental Practice and Concentration Skills. Medical and Biological Engineering and Computing 44(11): 959-969, 2006. [DOI:10.1007/s11517-006-0111-8] [PMID]
112. [46] Z. Amini, H. Rabbani. Detecting Seizures in Children on the basis of EEG Modeling Using Gaussian Processes. Journal of Isfahan Medical School 31 (243): 985-996, 2013.
113. [47] M. Arab, A. Sooratgar, et al. EEG Signal Analysis for Diagnosing Petit Mal (Absence) and Grand Mal Epileptic Seizures Using Artificial Neural Networks. Arak Medical University Journal 11 (3): 89-98, 2008.
114. [48] M. Taghavi Kani, J. Amir Homayoun, et al. Classification of Neuronal Action Potentials Using RBFN. Tehran University Medical Journal, 2010.
115. [49] V. Abu-Talebi, M. Shamsullahi. EEG Signal Analysis Using Higher Order Time-Frequency Spectra. 11th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2003.
116. [50] A. Mazrouie Rad, J. Shirazi, et al. Using Reciprocal Correlation in Support Vector Machines for Brain Signal Classification. 4th Iranian Conference on Electrical & Electronics Engineering. Gonabad Islamic Azad University, 2013. [51] M. Tohidi Pour, A. Suratgar, et al. Designing a Local Seizure Detection System Using Brain Mapping, Image Processing Techniques, and Artificial Neural Networks. Arak Medical University Journal 16 (1): 24-33, 2013.
117. [52] M. Esmaeil-Pour, A. Nowmi Golzar, et al. EEG Signal Analysis Using Artificial Neural Networks for Detecting Epilepsy. National Conference on Applied Researches in Sciences and Engineering. Takestan Islamic Azad University, 2013.
118. [53] A. Mehri Dehnavi, R. Amir Fattahi, et al. The Correlation between Consciousness Level and Electrical Activity of Brain Cells in Patients during Aortic Valve Replacement. The Scientific Journal of Gorgan University of Medical Sciences 10 (2): 44-49, 2008.
119. [54] T. Zoughi, R. Boostani. Proposing New Methods to Determine Depth of Anesthesia. Journal of Control 4 (4): 39-50, 2010.
120. [55] V. Abu-Talebi, M. Khalil-Zadeh, et al. An Analysis of the Effects of Hypnotism on EEG Signals Using Higher Order Spectra. 9th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2008.
121. [56] A. Gashvarpoor, S. Rahati Ghoochani, et al. Nonlinear Dynamics Evaluation of EEG Signals during Meditation. Mashhad Islamic Azad University Journal of Technology and Engineering 3 (1): 101-112, 2009.
122. [57] M. Vatankhah,V. Asadpour, et al. Perceptual Pain Classification Using ANFIS Adapted RBF Kernel Support Vector Machine for Therapeutic Usage. Applied Soft Computing 13(5): 2537-2546, 2013. [DOI:10.1016/j.asoc.2012.11.032]
123. [58] F. Kheiri, S. Hosseini. EEG Signals Classification on the Basis of RBF. 2nd National Conference on New Ideas in Electrical Engineering. Khorasgan Islamic Azad University, 2013.
124. [59] D. Jarchi, R. Boostani, et al. Seizure Source Localization Using a Hybrid Second Order Blind Identification and Extended Rival Penalized Competitive Learning Algorithm. Biomedical Signal Processing and Control 4(2): 108-117, 2009. [DOI:10.1016/j.bspc.2009.01.004]
125. [60] M. R. Arab, A. A. Suratgar, et al. Electroencephalogram Signals Processing for Topographic Brain Mapping and Epilepsies Classification. Computers in biology and medicine 40(9): 733-739, 2010. [DOI:10.1016/j.compbiomed.2010.06.001] [PMID]
126. [61] S. Shafiei Darabi, M. Firuzabadi, et al. Investigation of Resonance Effect Caused by Local Exposure of Extremely Low Frequency Magnetic Field on Brain Signals: A Randomize Clinical Trial. The Journal of University Medical Science of Qom 5 (1): 53-60, 2011.
127. [62] S. Barjasteh, H. Navidi, et al. Assessing the sensitivity and specificity of EEG Scaling Scheme for the Diagnosis of Brain Strokes. Journal of Research in Medicine 36 (2): 82-88, 2012.
128. [63] S. Rezania, S. Motie Nasrabadi, et al. Classification of Old/Recent Effects in Memory Retrieval Using Assistive Machine: A Survey of Event Potentials. 15th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2008. [PMCID]
129. [64] S. Z. Seyed Salehi, A. Motie Nasrabadi, et al. Using Time-Frequency Analysis and Assistive Machine in the Automatic Detection of P300 Component in BCIs. A Bi-Quarterly Journal of Signal and Data Processing (2): 57-70, 2008.
130. [65] B. Porseh, A. Sherafat. VEP Extraction Using DWT and Bound ICA Methods in P300-Speller. 16th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2009.
131. [66] G. Salimi-Khorshidi, A. M. Nasrabadi, et al. Fusion of Classic P300 Detection Methods' Inferences in a Framework of Fuzzy Labels. Artificial intelligence in medicine 44(3): 247-259, 2008. [DOI:10.1016/j.artmed.2008.06.002] [PMID]
132. [67] N. Talebi, A. Motie Nasrabadi. Using Nonlinear Recurrence Plot Analysis for Detection of Single-Registration Memory Components. A Bi-Quarterly Journal of Signal and Data Processing (2): 39-52, 2009.
133. [68] V. Abu-Talebi, M. Moradi, et al. Polygraphy (Lie Detection) Using Brain Signal Cognitive Components. 12th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2005.
134. [69] V. Abu-Talebi, M. Moradi, et al. Detecting Cognitive Factors in Brain Signals Using Modular Learning Strategy. 11th Iranian Conference on Electrical Engineering. Shiraz University, 2003.
135. [70] A. Ebrahim-Zadeh, S. Alavi, et al. Designing and Implementation of a Lie Detection System (Polygraph) Based on EEG Signals. Annals of Military and Health Sciences Research, 2011.
136. [71] S. Mohammadian, V. Abu-Talebi. Single-Registration Classification of ERP Signals for Detecting Target Stimulation. A Bi-Quarterly Journal of Signal and Data Processing (1): 3-12, 2008.
137. [72] M. Abdossalehi, M. Khalilzadeh, et al. Determination and Analysis of P300 Amplitude Reduction in Single-Registration Auditory Event Related Potentials Using Genetic Algorithm and Neural Network Classification. A Bi-Quarterly Journal of Signal and Data Processing (1): 71-78, 2009.
138. [73] A. Mohammadian, V. Abu-Talebi, et al. U-sing Reaction Time, P300 Cognitive Component and Their Combination for Guilty Knowledge Test (GKT). A Bi-Quarterly Journal of Signal and Data Processing (1): 23-32, 2009.
139. [74] Y. Shahriari, A. Erfanian. Improving the Performance of P300-based Brain–Computer Interface Through Subspace-based Filtering. Neurocomputing 121: 434-441, 2013. [DOI:10.1016/j.neucom.2013.05.001]
140. [75] A. Ebrahim-Zadeh, S. Alavi, et al. Detecting Deception through Processing Brain Signals Using Correlation Analysis. Passive Defense Quarterly, 14, 2, 57-64, 2013.
141. [76] A. Omidvarnia, F. Atri, et al. Classification of Special Mental Processes Using the fractal properties of EEG signals in frequency spectrum. Department of Electrical and Computer Engineering, Faculty of Engineering, University of Tehran, 2004.
142. [77] M. Tootoonchian, A. Erfanian Omidvar. The Effects of Mental Exercises and Biofeedback on Brain Signals during Envisioning of Hand Movement Using Bispectrum Analysis with Third Order Recurrence Method. 12th Iranian Conference on Biomedical Engineering. Iranian Society for Biomedical Engineering, 2005.
143. [78] Z. Khalili, M.H. Moradi. Classification of Emotions Using Brain and Environmental Signals. A Bi-Quarterly Journal of Signal and Data Processing (1): 33-52, 2009.
144. [79] A. Erfanian Omidvar, A. Erfani. EEG Pattern Detection during Hand Movement Visualization Using A Classifier Based on Dependent Component Analysis. Iranian Journal of Electrical & Electronics Engineering 1 (3): 33-43, 2004.
145. [80] Z. Amini, V. Abu-Talebi. et al. A comparative evaluation of Common Spatial Pattern and Intelligent Segmentation in the elicitation of the P300 Component. The Quarterly Journal of Intelligent Systems in Electrical Engineering 2 (2): 37-54, 2011.
146. [81] M. A. Khalilzadeh, S. M. Homam, et al. Qualitative and Quantitative Evaluation of Brain Activity in Emotional Stress. Iranian Journal of Neurology 8(28): 605-618, 2010.
147. [82] M. Jalili, E. Barzegharan, M. Knyazeva. Synchronization of EEG: Bivariate and multivariate measures. IEEE Trans. Neural Syst. Rehabil. Eng. 22, 212–221, 2013. [DOI:10.1109/TNSRE.2013.2289899] [PMID]
148. [83] P. Gifani, H. Rabiee, et al. Nonlinear Analysis of Anesthesia Dynamics by Fractal Scaling Exponent. Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th Annual International Conference of the IEEE, IEEE, 2006. [DOI:10.1109/IEMBS.2006.260501]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.