1387 5 2 10 104

مدل‌سازی بازشناسی واجی کلمات فارسی asww 1 1 در این مقاله مدلی برای درک و بازشناسی کلمات زبان فارسی ارائه شده است. مدل پیشنهادی مبتنی بر نظریه‌ی صوت‌شناختی درک گفتار است. اساس این نظریه، در بازنمود آوایی هر واحد زبانی، مجموعه‌ای از الگوهای صوت‌شناختی به‌عنوان الگوهای آوایی مرجع، ذخیره می‌‌شوند و درک آن واحد از طریق انطباق‌ الگوهای‌ صوت‌شناختی‌ درون‌‌داد با الگوهای‌ آوایی‌ مرجع‌ در بازنمایی‌ آوایی‌ صورت‌ می‌گیرد. انگاره‌ی پیشنهادی برای درک و بازشناسی بازنمود آوایی و واجی کلمات از ترکیب مدل المان و مک کللند (1) تحت عنوان "اثر" و مدل بورسما (2) تحت عنوان "دستور ادراکی و دستور بازشناسی" است. 2 Abstract of spoken word recognition is proposed. This model is particularly concerned with extraction of cues from the signal leading to a specification of a word in terms of bundles of distinctive features, which are assumed to be the building blocks of words. In the model proposed, auditory input is chunked into a set of successive time slices. It is assumed that the derivation of the underlying word pattern proceeds in three layers: Features, phonemes, words. The feature layer has a complete set of feature detectors at every time slice. In this layer, the detection of the underlying pattern of distinctive features from the speech signal proceeds in three steps. In the first step, numerical values for features are obtained measuring acoustic attributes in each time slice. The acoustic attributes are either acoustic landmarks corresponding to articulator-free features which are identified, based on amplitude changes in various energy bands, or acoustic cues in the vicinity of the landmarks corresponding to articulator-bound features. Continuous perceptual feature values are, then processed into a much more structured representation, namely phonological surface structure. This is carried out in Perception Grammar as suggested by Boersma (1998). In the third step, a further processing is carried out to turn the discrete representation into an abstract one yielding the underlying pattern of distinctive features. The next layer of the model has a complete set of phoneme detectors for every three time slices, but each set spans six time slices so the sets overlap. This means that the detection of adjacent phonemes will also overlap; this is supposed to simulate coarticulation. The top layer has a complete set of word detectors centered on every three time slices; again, the sets overlap, the number of time slices per word detector is variable because it depends on the length of each individual word. 3 16 2009/03/19 1387/12/29 2018/02/21 1396/12/2 وحید صادقی دانشگاه امام خمینی vsadeghi5603@gmail.com Optimality- Perception Grammar- Recognition Grammar- Acoustic constrai بهینگی دستور ادراکی و بازشناسی الگوهای آوایی مرجع محدودیت‌های صوت‌شناختی و واجی - بی‌جن‌خان، محمود (1374). بازنمایی واجی و آوایی زبان فارسی و کاربرد آن در بازشناسی خودکار گفتار، پایان‌نامه دکتری، دانشگاه تهران، دانشکده ادبیات و علوم انسانی، گروه زبانشناسی.##- صادقی، وحید (1385). بازشناسی واجی کلمات فارسی: رویکردی مبتنی بر نظریه بهینگی، پایان‌نامه دکتری، دانشگاه تهران، دانشکده ادبیات و علوم انسانی، گروه زبان‌شناسی.## -Boersma, Paul (1998). Functional phonoloy: Formalizing the interactions between articulatory and perceptual devices. ph.D dissertation, University of Amesterdam.## - Cho, T., S.- A. Jun, S. Jung and P. Ladefoged (2000). An acoustic and Aerodynamic study of consonants in Cheju. Speech Sciences, 7, 109-142##- Elman and McClelland (1988). The Trace Model. Psycholinguistic Approaches To Spoken Word Recognition. Tutorial 2B.##- Kenstowicz, M. (1994). Phonology in Generative Grammar. Cambridge, MA, and Oxford: Blackwell Publishers.##- Ladefoged, P.and Cho, T. (1999). Variation and Universals in Vot: Evidence from 18 languages. Journal of phonetics, 27, 207-229.##- Ladefoged, P. and Maddieson, I. (1996). The Sounds of the World’s languages. Cambridge M, blackwell Modelling Persian Spoken Word Recognition In this paper, A model.##- بی‌جن‌خان، محمود (1374). بازنمایی واجی و آوایی زبان فارسی و کاربرد آن در بازشناسی خودکار گفتار، پایان‌نامه دکتری، دانشگاه تهران، دانشکده ادبیات و علوم انسانی، گروه زبانشناسی.##- صادقی، وحید (1385). بازشناسی واجی کلمات فارسی: رویکردی مبتنی بر نظریه بهینگی، پایان‌نامه دکتری، دانشگاه تهران، دانشکده ادبیات و علوم انسانی، گروه زبان‌شناسی.## -Boersma, Paul (1998). Functional phonoloy: Formalizing the interactions between articulatory and perceptual devices. ph.D dissertation, University of Amesterdam.## - Cho, T., S.- A. Jun, S. Jung and P. Ladefoged (2000). An acoustic and Aerodynamic study of consonants in Cheju. Speech Sciences, 7, 109-142##- Elman and McClelland (1988). The Trace Model. Psycholinguistic Approaches To Spoken Word Recognition. Tutorial 2B.##- Kenstowicz, M. (1994). Phonology in Generative Grammar. Cambridge, MA, and Oxford: Blackwell Publishers.##- Ladefoged, P.and Cho, T. (1999). Variation and Universals in Vot: Evidence from 18 languages. Journal of phonetics, 27, 207-229.##- Ladefoged, P. and Maddieson, I. (1996). The Sounds of the World’s languages. Cambridge M, blackwell Modelling Persian Spoken Word Recognition In this paper, A model.## ##

طبقه‌بندی پتانسیل‌های وابسته به رخداد مربوط به حافظه در بازشناسی تصاویر جدید و قدیم با استفاده ‌از ویژگی‌های زمان-فرکانس Classification of Memory Correlated Event Related Potentials in Old/New Items Recall using Time-Frequency Features 1 1 هدف از این تحقیق طراحی یک سیستم ارزیاب حافظه با استفاده از پتانسیل‌های وابسته به رخداد مغزی است. به این منظور، از دادگان پتانسیل‌های وابسته به رخداد ثبت شده روی سه کانال Pz، Czو Fz استفاده شده است که در آن طی آزمایشی از افراد خواسته شده، تصاویر بی‌معنایی را که در فاز آموزش مشاهده ‌کرده اند، از تصاویری که تاکنون ندیده‌اند تفکیک نمایند. جهت تحقق این امر، از ویژگی‌های مرتبط با فعالیت حافظه در حوزه زمان-فرکانس استفاده‌گردید. ضرایب تبدیل موجک گسسته پتانسیل‌های وابسته به رخداد، محاسبه شد و سپس با استفاده از میانگین، واریانس و انرژی ضرایب برخی باندها، مجموعا 36 ویژگی روی سه کانال به‌دست‌آمد. پس از انتخاب ویژگی‌های مناسب روی تک کانال‌ها و مجموع سه کانال، آنالیز تفکیک خطی، جهت به دست آوردن درصد تفکیک دو گروه توسط ویژگی‌های منتخب انجام گرفت. سرانجام با ترکیب ویژگی‌های سه کانال، دادگان دو گروه با درصد درستی 3/89% در مرحله آزمون تفکیک شدند. 2 Abstract: The object of this research is development of memory assessment system, using Event Related Potentials. Our approach is using ERPs recorded on Fz, Cz and Pz electrodes. Subjects made old/new recognition judgments on new unstudied unmeaning pictures and old pictures which had been presented at study phase. Features related with memory activity in time-frequency domain were used to achieve this purpose. So that discrete wavelet transform coefficients of Event Related Potentials computed, then using mean, variance and power of specific frequency bands, 36 features on 3 channels were obtained entirely. After appropriate feature selection on single and three channels Linear discriminant analysis was done to get classification results using selected features. Finally we discriminated groups with 89.3% accuracy in test group by combination of three channels features. 17 28 2009/03/192009/03/19 1387/12/29 2018/02/212018/02/21 1396/12/2 ساجده رضانیا rezania@rcisp.com وحید ابوطالبی داشنگاه یزد abootalebi@yazd.ac.ir مجید قشونی ghoshuni@mshdiau.ac.ir علی مطیع نصرآبادی دانشگاه شاهد nasrabai@mshdiau.ac.ir Memory Event Related Potentials discrete wavelet transform Linear Discriminant Analysis Feature selection. پتانسیل‌های وابسته به رخداد تبدیل موجک گسسته آنالیز تفکیک خطی [1] Wright, P. Stern, J. Phelan, M.,"Core psychiatry", 2nd edition, Elsevier Saunders, ch. 5, pp. 69.##[2] Johnson, R. Jr, "Event-related potential insights into neurobiology of memory systems", the handbook of neuropsychology, vol. 10, Amsterdam: Elsevier Science Publishers; 1995a, pp. 135-164.##[3] Rugg, MD., "ERP studies of memory", Electrophysiology of mind: event-related brain potentials and cognition, New York: Oxford University Press, 1995, vol. 15, pp. 132-170.##[4] Friedman, D.;"ERPs during continuous recognition memory for words"; Biological Psychology; 1990; vol. 30, pp. 61–87.##[5] Besson, M., Kutas, M., Van Petten, C.; "An event related potential (ERP) analysis of semantic congruity and repetition effects in sentences"; Journal of Cognitive Neuroscience; 1992; vol. 4, pp. 132–149.##[6] Finnigan, S., Humphreys, MS., Dennis, S., Geffen, G.;"ERP ‘old/new’ effects: memory strength and Decisional factor(s)"; Neuropsychologia; 2002, vol. 40, pp.2288-2304.##[7] Dzulkifli, M. A., Herron, J.E., Wilding, E. L., "Memory retrieval processing: Neural indices of processes supporting episodic retrieval", Neuropsychologia, 2006, vol. 44, pp. 1120-1130.##] 8[ قشونی، مجید؛ "کمی سازی سیگنال مغزی (ERP) در طی فرآیند حافظه episodic" پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه آزاد اسلامی واحد مشهد، 1385.##[9] Daubechies, I., "The wavelet transform, time-frequency localization, and signal analysis", IEEE Trans Info Theory1990, vol. 36, pp. 961–1005.##[10] Ademoglu, A., Micheli-Tzanakou, E., Istefanopulos, Y., "Analysis of pattern reversal visual evoked potentials (PRVEP’s) by spline wavelets", IEEE Trans Biomed Eng 1997, vol. 44, pp. 881–90.##[11] Kolev, V., Demiralp, T., Yordanova, J., Ademoglu, A., Isoglu-Alkac. U., "Timefrequency analysis reveals multiple functional components during oddball P300", Neuroreport, 1997, vol. 8, pp. 2061–5.##[12] Yordanova, J., Devrim, M., Kolev, V., Ademoglu, A., Demiralp, T., "Multiple time-frequency components account for the complex functional reactivity of P300", Neuroreport 2000, vol. 11, pp. 1097–103.##[13] Quiroga, R. Q., "Quantitative Analysis of EEG Signals: Time-Frequency Methods and Chaos Theory", Phd. Thesis, Medical University of Lübeck, Germany, 1998.##[14] Quiroga, R. Q., Sakowitz, O. W., Basar, E., Schurmann, M., "Wavelet transform in the analysis of frequency composition of evoked potentials", Brain Research Protocols, 2001, vol. 8, pp. 16-24.##[15] Polich, J., "Updating P300: An integrative theory of P3a and P3b", ELSEVIER Trans, Clinical Neurophysiology, 2007, vol. 118, pp. 2128–2148.##[16] Ademoglu, A., Demiralp, T., Yordanova, J., Kolev, V., Devrim, M., "Decomposition of event-related brain potentials into multicomponents using wavelet transform", Appl Signal Process 1998, vol. 5, pp. 142–151.##[17] Samar, VJ., Swartz, KP., Raghuveer, MR., "Multi-resolution analysis of event related potentials by wavelet decomposition", Brain Cognition 1995, vol. 27, pp. 398–438.## [18] Qian, S., "Introduction to Time-Frequency and Wavelet Transforms", Prentice Hall Inc., 2002, ch. 5.##]19[ شبیهی، شبیر، "طبقه‌بندی افراد مستعد به الکلیسم وافراد غیر مستعد با استفاده از پتانسیل‌های وابسته به رخداد" پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، 1386.##]20 [شبیهی، شبیر؛ مطیع نصرآبادی، علی؛ مرادی، محمدحسن ، " تفکیک افراد مستعد به الکلیسم و غیرمستعد بر مبنای پتانسیل‌های وابسته به رخداد، به کمک ماشین‌های بردار پشتیبان و ویژگی‌های آماری ویولت" سیزدهمین کنفراس مهندسی پزشکی، اسفند 1385.##]21[ سلیمی خورشیدی، غلامرضا؛ ""استفاده از شبکه‌های عصبی به منظور آشکارسازی مؤلفه‌های شناختی سیگنال الکتروانسفالوگرام"، پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385.##]22[ ابوطالبی، وحید؛ "تجزیه و تحلیل مؤلفه‌های شناختی سیگنال الکتریکی مغز و کاربرد آن‌ها در دروغ سنجی"، پایان نامه دکتری مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385.##]23[ ابوطالبی، وحید؛ مرادی، محمدحسن؛ خلیل‌زاده، محمدعلی، "تشخیص مؤلّفه‌‌های شناختی در سیگنال‌‌های مغزی با استفاده از ضرایب ویولت"، مجله‌ مهندسی پزشکی، دوره‌ اول، شماره‌ اول، ص‌ص. 25-46, 1383.##]24[ عطری، فرید؛ "استخراج و پردازش EEG متاثر از بیوفیدبک جهت ارسال حروف الفبای مورد توجه فرد"، پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه تهران، 1385.##[25] Salkind, N. J., ”STATISTICS for People Who (Think They) HATE STATISTICS”, 2nd edition, 2004, SAGE, ch. 9-10, pp. 160-190.##[26] Obermaier, B., Guger, C., Neuper, C., Pfurtsheller, G., ”Hidden Markov models for online classification of single trial EEG data”, Elsevier, 2001, Pattern Recognition Letters 22, pp. 1299-1309.####[1] Wright, P. Stern, J. Phelan, M.,"Core psychiatry", 2nd edition, Elsevier Saunders, ch. 5, pp. 69.##[2] Johnson, R. Jr, "Event-related potential insights into neurobiology of memory systems", the handbook of neuropsychology, vol. 10, Amsterdam: Elsevier Science Publishers; 1995a, pp. 135-164.##[3] Rugg, MD., "ERP studies of memory", Electrophysiology of mind: event-related brain potentials and cognition, New York: Oxford University Press, 1995, vol. 15, pp. 132-170.##[4] Friedman, D.;"ERPs during continuous recognition memory for words"; Biological Psychology; 1990; vol. 30, pp. 61–87.##[5] Besson, M., Kutas, M., Van Petten, C.; "An event related potential (ERP) analysis of semantic congruity and repetition effects in sentences"; Journal of Cognitive Neuroscience; 1992; vol. 4, pp. 132–149.##[6] Finnigan, S., Humphreys, MS., Dennis, S., Geffen, G.;"ERP ‘old/new’ effects: memory strength and Decisional factor(s)"; Neuropsychologia; 2002, vol. 40, pp.2288-2304.##[7] Dzulkifli, M. A., Herron, J.E., Wilding, E. L., "Memory retrieval processing: Neural indices of processes supporting episodic retrieval", Neuropsychologia, 2006, vol. 44, pp. 1120-1130.##] 8[ قشونی، مجید؛ "کمی سازی سیگنال مغزی (ERP) در طی فرآیند حافظه episodic" پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه آزاد اسلامی واحد مشهد، 1385.##[9] Daubechies, I., "The wavelet transform, time-frequency localization, and signal analysis", IEEE Trans Info Theory1990, vol. 36, pp. 961–1005.##[10] Ademoglu, A., Micheli-Tzanakou, E., Istefanopulos, Y., "Analysis of pattern reversal visual evoked potentials (PRVEP’s) by spline wavelets", IEEE Trans Biomed Eng 1997, vol. 44, pp. 881–90.##[11] Kolev, V., Demiralp, T., Yordanova, J., Ademoglu, A., Isoglu-Alkac. U., "Timefrequency analysis reveals multiple functional components during oddball P300", Neuroreport, 1997, vol. 8, pp. 2061–5.##[12] Yordanova, J., Devrim, M., Kolev, V., Ademoglu, A., Demiralp, T., "Multiple time-frequency components account for the complex functional reactivity of P300", Neuroreport 2000, vol. 11, pp. 1097–103.##[13] Quiroga, R. Q., "Quantitative Analysis of EEG Signals: Time-Frequency Methods and Chaos Theory", Phd. Thesis, Medical University of Lübeck, Germany, 1998.##[14] Quiroga, R. Q., Sakowitz, O. W., Basar, E., Schurmann, M., "Wavelet transform in the analysis of frequency composition of evoked potentials", Brain Research Protocols, 2001, vol. 8, pp. 16-24.##[15] Polich, J., "Updating P300: An integrative theory of P3a and P3b", ELSEVIER Trans, Clinical Neurophysiology, 2007, vol. 118, pp. 2128–2148.##[16] Ademoglu, A., Demiralp, T., Yordanova, J., Kolev, V., Devrim, M., "Decomposition of event-related brain potentials into multicomponents using wavelet transform", Appl Signal Process 1998, vol. 5, pp. 142–151.##[17] Samar, VJ., Swartz, KP., Raghuveer, MR., "Multi-resolution analysis of event related potentials by wavelet decomposition", Brain Cognition 1995, vol. 27, pp. 398–438.## [18] Qian, S., "Introduction to Time-Frequency and Wavelet Transforms", Prentice Hall Inc., 2002, ch. 5.##]19[ شبیهی، شبیر، "طبقه‌بندی افراد مستعد به الکلیسم وافراد غیر مستعد با استفاده از پتانسیل‌های وابسته به رخداد" پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، 1386.##]20 [شبیهی، شبیر؛ مطیع نصرآبادی، علی؛ مرادی، محمدحسن ، " تفکیک افراد مستعد به الکلیسم و غیرمستعد بر مبنای پتانسیل‌های وابسته به رخداد، به کمک ماشین‌های بردار پشتیبان و ویژگی‌های آماری ویولت" سیزدهمین کنفراس مهندسی پزشکی، اسفند 1385.##]21[ سلیمی خورشیدی، غلامرضا؛ ""استفاده از شبکه‌های عصبی به منظور آشکارسازی مؤلفه‌های شناختی سیگنال الکتروانسفالوگرام"، پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385.##]22[ ابوطالبی، وحید؛ "تجزیه و تحلیل مؤلفه‌های شناختی سیگنال الکتریکی مغز و کاربرد آن‌ها در دروغ سنجی"، پایان نامه دکتری مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385.##]23[ ابوطالبی، وحید؛ مرادی، محمدحسن؛ خلیل‌زاده، محمدعلی، "تشخیص مؤلّفه‌‌های شناختی در سیگنال‌‌های مغزی با استفاده از ضرایب ویولت"، مجله‌ مهندسی پزشکی، دوره‌ اول، شماره‌ اول، ص‌ص. 25-46, 1383.##]24[ عطری، فرید؛ "استخراج و پردازش EEG متاثر از بیوفیدبک جهت ارسال حروف الفبای مورد توجه فرد"، پایان نامه کارشناسی ارشد مهندسی پزشکی، دانشگاه تهران، 1385.##[25] Salkind, N. J., ”STATISTICS for People Who (Think They) HATE STATISTICS”, 2nd edition, 2004, SAGE, ch. 9-10, pp. 160-190.##[26] Obermaier, B., Guger, C., Neuper, C., Pfurtsheller, G., ”Hidden Markov models for online classification of single trial EEG data”, Elsevier, 2001, Pattern Recognition Letters 22, pp. 1299-1309.## ##

مقایسـه ی ویژگی های خطی و غیرخطی سیگنال تغییرات نرخ ضربان قلب به منظور کمّی سازی سطح استرس با استفاده از الگوریتم تکاملی شبکه ی عصبی asas 1 1 سیستم اعصاب خودکار توسط دو شاخه سمپاتیک و پاراسمپاتیک، سیستم قلبی- عروقی را در شرایط مختلف کنترل می کند. دینامیک این سیستم متناسب با حالات روانی مختلف از جمله استرس دستخوش تغییرات شده و از این رو می توان به وسیله تحلیل سیگنال های خروجی آن، فعالیت سیستم اعصاب خودکار را آشکار کرد. در این تحقیق با طراحی آزمایشی مطمئن و ایجاد سطوح مختلف استرس در فرد به دنبال کمّی سازی سطح استرس با استفاده از سیگنال HRV بوده ایم. با توجه به اینکه سیستم قلب ماهیت آشوبگونه دارد، لذا در این تحقیق دیدگاه غیرخطی نیز برای تحلیل این سیگنال به کار گرفته شده است. به این ترتیب علاوه بر ویژگی های معمول در حوزه زمان، فرکانس و زمان-فرکانس، ویژگی های غیرخطی نظیر آنتروپی، معیار پوآنکاره و بعد فرکتال از سیگنال HRV استخراج شده است. سپس با استفاده از ترکیب الگوریتم تکاملی و شبکه عصبی، ویژگی¬های بهینه که بیشترین درصد تفکیک بین سطوح مختلف استرس را مهیا می سازند، مشخص شده است و در نهایت با استفاده از شبکه عصبی و ویژگی های بهینه، تفکیک بین سطوح انجام شد. همچنین مقایسه ویژگی های خطی و غیرخطی سیگنال HRV انجام شد. نتایج بدست آمده نشان می دهد که با استفاده از ترکیب ویژگی های خطی و غیرخطی می توان به درصد تفکیک بیشتری دست یافت، در حالی که ویژگی های غیرخطی نسبت به تغییرات نمونه های ورودی مقاوم تر می باشند. 2 asdgaa 29 40 2009/03/192009/03/192009/03/19 1387/12/29 2018/02/212018/02/212018/02/21 1396/12/2 رضا عارفی شیروان دانشگاه آزاد اسلامی مشهد arefi.reza@googhmail.com محمد علی خلیل زاده دانشگاه آزاد اسلامی مشهد makhalilzadeh@mshdiau.ac.ir احسان تهامی دانشگاه آزاد اسلامی مشهد ehsantahami@yahoo.com وحید سعادتیان دانشگاه آزاد اسلامی مشهد drsaadatian2005@yahoo.com asdadad تغییرات نرخ ضربان قلب استرس بعد فرکتال معیار پوآنکاره آنتروپی الگوریتم تکاملی شبکه عصبی [1] R. YEH, J. SHIEH, Y. HAN2, Y. WANG, S. TSENG, "Detrended Fluctuation Analyses of Short term Heart Rate Variability in Surgical Intensive Care Units", BIOMEDICAL ENGINEERING APPLICATIONS, BASIS & COMMUNICATIONS, Vol. 18, pp. 67-72, April 2006.##[2] J. Andrich, T. Schmitz, C. Saft, et al, “Autonomic nervous system function in Huntington's disease,” J-Neurol-Neurosurg-Psychiatry, vol. 72, pp. 726-31, 2002.##[3] F. Lombardi . Chaos theory,”heart rate variability, and Arrhythmic mortality”, Circulation, Vol. 10, pp. 8–10,2000.##[4] V. SHUSTERMAN and O. BARNEA, " Sympathetic Nervous System Activity in Stress and Biofeedback Relaxation", IEEE ENGINEERING IN MEDICINE AND BIOLOGY MAGAZINE, pp.52-57, MARCH/APRIL, 2005.##[5] C. D. Spielberger, "State-Trait Anxiety Inventory for Adults", http://www.mindgarden.com/products/staisad.htm.##[6] K. Dedovic, R. Renwick, N. Khalili Mahani," The Montreal Imaging Stress Task: using functional imaging to investigate the effects of perceiving and processing psychosocial stress in the human brain", CMA Media Inc, 2005.##[7] C. Soga and C.Wada, "Quantitative assessment of physiological stress effect correlated with mood states", SICE annual conference in Sapporo, PP. 2261-2265, japon, 2006.##[8] Y. Y. Gu, Y. T. Zhang," Reducing the Influence of Contacting Force Applied on Photoplethysmographic Sensor on Heart Rate Variability Estimation ", Proc. of 25th Annu. Conf. IEEE EMBS, Vol. 21 , pp. 2618–2620, Sep,2003.##[9] R. D. Wan , L. J. Woo,"Feature Extraction and Emotion Classification Using Bio-Signal", IEEE TRANSACTIONS ON ENGINEERING, COMPUTING AND TECHNOLOGY, Vol. 2 , pp. 317–320, June. 2004.##[10] S. Pincus," Approximate entropy as a measure of system complexity", Proc. Nat. Acad. Sci. USA, Vol. 88, pp. 2297-301,1991.##[11] Y. Fusheng, T. Qingyu,"Approximate entropy and its application in biosignal analysis. [In:] Nonlinear biomedical signal processing", Vol II: Dynamic analysis and modeling (ed. Metin Akay), New York: IEEE Press and John Wiley & Sons, Inc. pp. 72-91, 2001.##[12] C. Lerma, O. Infante, H. Grovas, M. V. Jose, " Poincare´ plot indexes of heart rate variability capture dynamic adaptations after haemodialysis in chronic renal failure patients",Clin. Physiol. & Func. Im., Vol. 23, pp72–80, 2003.##[13] E. Ganiero, M. Risk, J. F. Sobh, A.Wamirez, J. P. Saul,” Heart Rate Variability Analysis Using Wavelet Transform”, Computeirs in Cardiology,IEEE,1996.##[14] J. A. Healey and R. W. Picard," Detecting Stress During Real-World Driving Tasks Using Physiological Sensors ", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.##[15] S.R.Jang "Neuro-Fuzzy and Soft Computing", Prentice hall,1997.##[16] G. Kudaiberdieva, B. Görenek, B.Timuralp, ” Heart rate variability as a predictor of sudden cardiac death”,Anatol ##J Cardiol, Suppl , pp. 68-70, 2007. ##[17] S. H. Liu, C. T. Lin and W. H. Chao,” The Short-Time Fractal Scaling of Heart Rate Variability to Estimate the Mental Stress of Driver”, Proceedings of the International Conference on Networking, Sensing & Control , IEEE, pp. 21-23, 2004.##[18] K, Stein, A. Reddy,” Non-Linear Heart Rate Variability and Risk Stratification in Cardiovascular Disease“,Indian Pacing and Electrophysiology Journal (ISSN 0972-6292), 5(3): 210-220 ,2005.##[19] J. Zhai, A. B. Barreto, C. Chin, C. Li,"Realization of Stress Detection using Psychophysiological Signals for Improvement of Human-Computer Interactions",IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 5, NO. 3, JUNE 2005.##[20] A. Jennifer,W. Rosalind,"Detecting Stress During Real-World Driving Tasks Using Physiological Sensors", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.##[21] H. M. Seong, J. S. Lee," The Analysis of Mental Stress using Time-Frequency Distribution of Heart Rate Variability Signal",Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA • September 1-5, 2004.##[22] F. Wang, K. Sagawa, H. Inooka," Time Domain Heart Rate Variability Index for Assessment of Dynamic Stress", Computers in Cardiology IEEE, Vol25, pp. 97-100, 1998.####[1] R. YEH, J. SHIEH, Y. HAN2, Y. WANG, S. TSENG, "Detrended Fluctuation Analyses of Short term Heart Rate Variability in Surgical Intensive Care Units", BIOMEDICAL ENGINEERING APPLICATIONS, BASIS & COMMUNICATIONS, Vol. 18, pp. 67-72, April 2006.##[2] J. Andrich, T. Schmitz, C. Saft, et al, “Autonomic nervous system function in Huntington's disease,” J-Neurol-Neurosurg-Psychiatry, vol. 72, pp. 726-31, 2002.##[3] F. Lombardi . Chaos theory,”heart rate variability, and Arrhythmic mortality”, Circulation, Vol. 10, pp. 8–10,2000.##[4] V. SHUSTERMAN and O. BARNEA, " Sympathetic Nervous System Activity in Stress and Biofeedback Relaxation", IEEE ENGINEERING IN MEDICINE AND BIOLOGY MAGAZINE, pp.52-57, MARCH/APRIL, 2005.##[5] C. D. Spielberger, "State-Trait Anxiety Inventory for Adults", http://www.mindgarden.com/products/staisad.htm.##[6] K. Dedovic, R. Renwick, N. Khalili Mahani," The Montreal Imaging Stress Task: using functional imaging to investigate the effects of perceiving and processing psychosocial stress in the human brain", CMA Media Inc, 2005.##[7] C. Soga and C.Wada, "Quantitative assessment of physiological stress effect correlated with mood states", SICE annual conference in Sapporo, PP. 2261-2265, japon, 2006.##[8] Y. Y. Gu, Y. T. Zhang," Reducing the Influence of Contacting Force Applied on Photoplethysmographic Sensor on Heart Rate Variability Estimation ", Proc. of 25th Annu. Conf. IEEE EMBS, Vol. 21 , pp. 2618–2620, Sep,2003.##[9] R. D. Wan , L. J. Woo,"Feature Extraction and Emotion Classification Using Bio-Signal", IEEE TRANSACTIONS ON ENGINEERING, COMPUTING AND TECHNOLOGY, Vol. 2 , pp. 317–320, June. 2004.##[10] S. Pincus," Approximate entropy as a measure of system complexity", Proc. Nat. Acad. Sci. USA, Vol. 88, pp. 2297-301,1991.##[11] Y. Fusheng, T. Qingyu,"Approximate entropy and its application in biosignal analysis. [In:] Nonlinear biomedical signal processing", Vol II: Dynamic analysis and modeling (ed. Metin Akay), New York: IEEE Press and John Wiley & Sons, Inc. pp. 72-91, 2001.##[12] C. Lerma, O. Infante, H. Grovas, M. V. Jose, " Poincare´ plot indexes of heart rate variability capture dynamic adaptations after haemodialysis in chronic renal failure patients",Clin. Physiol. & Func. Im., Vol. 23, pp72–80, 2003.##[13] E. Ganiero, M. Risk, J. F. Sobh, A.Wamirez, J. P. Saul,” Heart Rate Variability Analysis Using Wavelet Transform”, Computeirs in Cardiology,IEEE,1996.##[14] J. A. Healey and R. W. Picard," Detecting Stress During Real-World Driving Tasks Using Physiological Sensors ", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.##[15] S.R.Jang "Neuro-Fuzzy and Soft Computing", Prentice hall,1997.##[16] G. Kudaiberdieva, B. Görenek, B.Timuralp, ” Heart rate variability as a predictor of sudden cardiac death”,Anatol ##J Cardiol, Suppl , pp. 68-70, 2007. ##[17] S. H. Liu, C. T. Lin and W. H. Chao,” The Short-Time Fractal Scaling of Heart Rate Variability to Estimate the Mental Stress of Driver”, Proceedings of the International Conference on Networking, Sensing & Control , IEEE, pp. 21-23, 2004.##[18] K, Stein, A. Reddy,” Non-Linear Heart Rate Variability and Risk Stratification in Cardiovascular Disease“,Indian Pacing and Electrophysiology Journal (ISSN 0972-6292), 5(3): 210-220 ,2005.##[19] J. Zhai, A. B. Barreto, C. Chin, C. Li,"Realization of Stress Detection using Psychophysiological Signals for Improvement of Human-Computer Interactions",IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 5, NO. 3, JUNE 2005.##[20] A. Jennifer,W. Rosalind,"Detecting Stress During Real-World Driving Tasks Using Physiological Sensors", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.##[21] H. M. Seong, J. S. Lee," The Analysis of Mental Stress using Time-Frequency Distribution of Heart Rate Variability Signal",Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA • September 1-5, 2004.##[22] F. Wang, K. Sagawa, H. Inooka," Time Domain Heart Rate Variability Index for Assessment of Dynamic Stress", Computers in Cardiology IEEE, Vol25, pp. 97-100, 1998.## ##

حذف نویز از سیگنال گفتار با اصلاح طیف فرکانسی سیگنال نویزی – بررسی روشهای تخمین سیگنال به نویز محلی و کنترل و شکل دهی سطح نویز باقیمانده asda 1 1 دسته ی مهمی از روشهای بهبود کیفیت گفتار، طیف فرکانسی دوره کوتاه سیگنال نویزی را تغییر داده و اصلاح مینمایند اصلاحات طیفی این روشها به صورت یک فیلتر در حوزه فرکانسی بیان می شود و بهره فیلتر میتواند به صورت تابعی از سیگنال به نویز نمایش داده شود. در این مقاله روش های حذف نویر از سیگنال گفتار مورد بررسی و ارزیابی قرار میگیرد و بهره فیلتر برای برخی از روشهای حذف نویز شناخته شده به صورت تابعی از سیگنال به نویز نمایش داده می شود. روش های تخمین سیگنال به نویز بررسی می شود و یک تکنیک جدید برای تخمین سیگنال به نویزپیشنهاد شده و ارزیابی میگردد و برتری آن بر روشهای قبلی نشان داده میشود. در این مقاله اصلاح روشهای حذف نویز به منظور کم کردن اعوجاج سیگنال گفتار مطرح شده است. در این روشها اثرات اصلاح فرکانسی طوری تنظیم میگردد که با باقی گذاشتن مقداری از نویز اولیه، بهبود مشخصی در نسبت سیگنال به نویز بدست آید و در عوض اعوجاج سیگنال گفتار حداقل گردد. برای این کار با اعمال یک پارامتر، بهره چند روش حذف نویز برای دستیابی به سطح مشخصی از حذف نویز تنظیم میگردد. همچنین برای خوشایند کردن نویز باقی مانده از شکل دادن نویز باقی مانده استفاده شده است. به منظور ارزیابی این روشها تستهای شنوایی برای بررسی جنبههای مختلف گفتار از جمله نویز موسیقی، نویز باقیمانده، اکو و آثار غیر طبیعی نویز یاقیمانده طراحی و اجرا شده است. نتایج این تستها در مقاله حاضر برای چند روش حذف نویز گزارش شده است و روشهای حذف نویز با یکدیگر مقایسه شدهاند. 2 asdad 41 56 2009/03/192009/03/192009/03/192011/03/20 1389/12/29 2018/02/212018/02/212018/02/212018/02/21 1396/12/2 محسن رحمانی دانشگاه اراک m-rahmani@araku.ac.ir بابک ناصرشریف nasser_s@iust.ac.ir روح‌الله عبدی‌پور r_abdipour@iust.ac.ir احمد اکبری akbari@iust.ac.ir asda بهبود گفتار کاهش نویز نویز موسیقی اعوجاج و نویز باقی مانده سیگنال به نویز پیشین و سیگنال به نویز پسین [1] S. F. Boll, "Suppression of Acoustic Noise in Speech Using Spectral Subtraction,” IEEE International Conference on Acoustics, Speech, and Signal Processing, pp. 113-120, Apr.1979.##[2] Y. Ephraim, D. Malah, “Speech enhancement using a minimum mean-square error short-time spectral amplitude estimator,” IEEE Trans. on Acoustics, Speech, and Signal Processing, vol32, pp 1109-1121, Dec. 1984.##[3] R. Martin, “Spectral subtraction based on mini‌mum statis‌tics,” in Proc. 7th Eur. Signal Process. Conf. (EUSIPCO’94), pp. 1182-1185, Edin‌burgh, UK, 13-16 September, 1994.##[4] R. Martin, “Noise power spectral density estima‌tion based on optimal smoothing and minimum statistics,” IEEE Trans. Speech Audio Proc‌es. vol. 9, pp. 504-512, July 2001.##[5] I. Cohen, “Noise estimation by minima controlled recursive averaging for robust speech enhancement,” IEEE Signal Process. Lett., vol. 9, no. 1, pp. 12-15, January 2002. ##[6] I. Cohen, “Noise spectrum estimation in adverse envi‌ron‌ments: improved minima controlled recur‌sive aver‌ag‌ing,” IEEE Trans. Speech Audio Process., vol. 11, pp. 466 – 475, September 2003.##[7] R. J. McAulay, M. L. Malpass, “Speech enhancement using a soft-decision noise suppression filter,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol28, no. 2, pp. 137–145, Apr. 1980##[8] O. Cappe, “Elimination of the musical noise phenomenon with the Ephraim and Malah noise suppressor,” IEEE Transactions on Speech and Audio Processing, Vol. 2, pp 345 – 349, Apr 1994.##[9] P. Scalart, J.V. Filho, “Speech enhancement based on a priori signal to noise estimation,” IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 2 , pp 629 – 632, May 1996.##[10] T. Lotter and P. Vary, “Noise Reduction by Joint Maximum a Posteriori Spectral Amplitude and Phase Estimation with Super-Gaussian Speech Modeling,” European Signal Processing Conference, Sep 2001.##[11] P.J. Wolfe, S.J. Godsill, “simple alternative to the Ephraim and Malah suppression rule for speech enhancement,” 11th IEEE Workshop on Statistical Signal Processing, pp 496-499, Aug. 2001.##[12] P. J. Wolfe and S. J. Godsill. “Efficient alternatives to the Ephraim and Malah suppression rule for audio signal enhancement,” EURASIP Journal on Appl. Sig. Processing, pp 1043-1051, 2003.##[13] X. Huang, A. Acero, and H. W. Hon, Spoken Language Processing: A Guide to Theory, lgorithm, and System Development, Prentice Hall PTR, Upper Saddle River, N.J., 2001.##[14] Y. Ephraim, H.L. Ari, W.J.J. Roberts, A brief survey of speech enhancement, in The Electronic Handbook, Second edition, CRC Press, pp.2088-2097, 2003.##[15] I. Cohen, “On the Decision-Directed Estimation Approach of Ephraim and Malah,” IEEE International Conference on Acoustics, Speech, and Signal Processing, vol.1, pp 293-296. May 2004.##[16] Y. Ephraim and H. L. Van Trees, "A signal subspace approach for speech enhancement," IEEE Trans. Speech and Audio Proc., vol. 3, pp. 251-266, July 1995.##[17] E. Paajanen, B. Ayad, V.V. Mattila , "New Objective Measures for Characterization of Noise Suppression Algorithms," IEEE Workshop on Speech Coding, pp.23-25, 2000.##[18] ا. اکبری، "حذف نویز صوتی از سیگنال گفتار بر اساس استفاده از نسبت سیگنال به نویز پیشین "، سومین کنفرانس بینالمللی سالیانه انجمن کامپیوتر ایران، دی 1376##[1] S. F. Boll, "Suppression of Acoustic Noise in Speech Using Spectral Subtraction,” IEEE International Conference on Acoustics, Speech, and Signal Processing, pp. 113-120, Apr.1979.##[2] Y. Ephraim, D. Malah, “Speech enhancement using a minimum mean-square error short-time spectral amplitude estimator,” IEEE Trans. on Acoustics, Speech, and Signal Processing, vol32, pp 1109-1121, Dec. 1984.##[3] R. Martin, “Spectral subtraction based on mini‌mum statis‌tics,” in Proc. 7th Eur. Signal Process. Conf. (EUSIPCO’94), pp. 1182-1185, Edin‌burgh, UK, 13-16 September, 1994.##[4] R. Martin, “Noise power spectral density estima‌tion based on optimal smoothing and minimum statistics,” IEEE Trans. Speech Audio Proc‌es. vol. 9, pp. 504-512, July 2001.##[5] I. Cohen, “Noise estimation by minima controlled recursive averaging for robust speech enhancement,” IEEE Signal Process. Lett., vol. 9, no. 1, pp. 12-15, January 2002. ##[6] I. Cohen, “Noise spectrum estimation in adverse envi‌ron‌ments: improved minima controlled recur‌sive aver‌ag‌ing,” IEEE Trans. Speech Audio Process., vol. 11, pp. 466 – 475, September 2003.##[7] R. J. McAulay, M. L. Malpass, “Speech enhancement using a soft-decision noise suppression filter,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol28, no. 2, pp. 137–145, Apr. 1980##[8] O. Cappe, “Elimination of the musical noise phenomenon with the Ephraim and Malah noise suppressor,” IEEE Transactions on Speech and Audio Processing, Vol. 2, pp 345 – 349, Apr 1994.##[9] P. Scalart, J.V. Filho, “Speech enhancement based on a priori signal to noise estimation,” IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 2 , pp 629 – 632, May 1996.##[10] T. Lotter and P. Vary, “Noise Reduction by Joint Maximum a Posteriori Spectral Amplitude and Phase Estimation with Super-Gaussian Speech Modeling,” European Signal Processing Conference, Sep 2001.##[11] P.J. Wolfe, S.J. Godsill, “simple alternative to the Ephraim and Malah suppression rule for speech enhancement,” 11th IEEE Workshop on Statistical Signal Processing, pp 496-499, Aug. 2001.##[12] P. J. Wolfe and S. J. Godsill. “Efficient alternatives to the Ephraim and Malah suppression rule for audio signal enhancement,” EURASIP Journal on Appl. Sig. Processing, pp 1043-1051, 2003.##[13] X. Huang, A. Acero, and H. W. Hon, Spoken Language Processing: A Guide to Theory, lgorithm, and System Development, Prentice Hall PTR, Upper Saddle River, N.J., 2001.##[14] Y. Ephraim, H.L. Ari, W.J.J. Roberts, A brief survey of speech enhancement, in The Electronic Handbook, Second edition, CRC Press, pp.2088-2097, 2003.##[15] I. Cohen, “On the Decision-Directed Estimation Approach of Ephraim and Malah,” IEEE International Conference on Acoustics, Speech, and Signal Processing, vol.1, pp 293-296. May 2004.##[16] Y. Ephraim and H. L. Van Trees, "A signal subspace approach for speech enhancement," IEEE Trans. Speech and Audio Proc., vol. 3, pp. 251-266, July 1995.##[17] E. Paajanen, B. Ayad, V.V. Mattila , "New Objective Measures for Characterization of Noise Suppression Algorithms," IEEE Workshop on Speech Coding, pp.23-25, 2000.##[18] ا. اکبری، "حذف نویز صوتی از سیگنال گفتار بر اساس استفاده از نسبت سیگنال به نویز پیشین "، سومین کنفرانس بینالمللی سالیانه انجمن کامپیوتر ایران، دی 1376## ##

به‌کارگیری تحلیل زمان‌- فرکانس و ماشین‌ همیار درتشخیص خودکار مؤلّفه‌ی P300 جهت ارتباط مغز با رایانه Quadratic B-Spline Wavelet and Committee Machine for the P300 Detection in Brain Computer Interface 1 1 در این مطالعه، به بررسی ضرایب استخراج شده توسط تبدیل موجک Quadratic B-Splinee، به‌عنوان یک تحلیل زمان- فرکانس در مقایسه با دسته ویژگی‌های حوزه‌ی زمان (ضرایب AR و ویژگی‌های شکلی- زمانی) و فرکانس (فرکانس‌های میانگین، نما و میانه) بر روی پتانسیل وابسته به‌رخداد مغزی پرداخته شده است. بررسی‌ها روی دادگان II مسابقه BCI2005 انجام شده است. مجموعه ویژگی‌ها با سه معیار مقایسه شده‌اند: معیار تفکیک‌پذیری دیویس بولدین، روش مبتنی برهمبستگی و معیار درصد صحت طبقه‌بندی. با هر سه معیار بهترین نتیجه مربوط به مجموعه ضرایب تبدیل موجک بود. سپس با طبقه‌بندی با یک ماشین همیار مبتنی برLDA-SVM-MLP و ضرایب تبدیل موجک در مورد سوژه‌ی A در تشخیص سیگنال هدف و غیرهدف به‌طور میانگین برای دادگان آموزش، درصد صحّت تشخیص 97.6% و برای آزمون 94.2% به‌دست آمد. هم‌چنین در مورد سوژه‌ی B نیز نتایج عبارتند از: 98.2% در آموزش و 92.8% در آزمون. 2 Abstract: In this study we propose a new approach to analyze data from the P300 speller paradigm using the quadratic B-Spline wavelet coefficients in comparing to time and frequency features sets on the event related potentials. Data set II from the BCI competition 2005 was used. Mode frequency, Mean frequency, Median frequency and some morphologic parameters ware extracted as features. Three methods were used for comparing three feature subsets, first Davies Bouldin criteria, correlation based method and classification accuracy criteria. For all criteria, best result was extracted from wavelet coefficients, at the final wavelet coefficients were used as inputs into committee machines (CM) based on LDA, MLP and SVM. This algorithm achieved an accuracy of 97.6% for train data and 94.2% for test data of subject A in target and non target detection also accuracy of 98.2% for train data and 92.8% for test data of subject B. 57 70 2009/03/192009/03/192009/03/192011/03/202009/03/19 1387/12/29 2018/02/212018/02/212018/02/212018/02/212018/02/19 1396/11/30 زهره سیدصالحی z.seyyedsalehi@aut.ac.ir علی مطیع نصرآبادی دانشگاه شاهد nasrabadi@shahed.ac.ir وحید ابوطالبی دانشگاه یزد abootalebi@yazduni.ac.ir P300 Component Wavelet Transform BCI Speller 2005 and Committee Machines مؤلّفه‌ی P300 تبدیل موجک BCI Speller 2005 و ماشین همیار [1] واقفی، مهسا؛" بررسی روش‌های مبتنی بر موجک در ارتقای نتایج واسط مغز -کامپیوتر ،" سمینار کارشناسی ارشد، ، دانشگاه شاهد،1386.##[2] عطری، فرید؛"استخراج و پردازش EEG متأثر از بیوفیدبک جهت ارسال حروف الفبای مورد توجّه فرد،" پایان‌نامه‌ی کارشناسی ارشد، دانشگاه تهران،1385.##[3] ابوطالبی، وحید؛ مرادی، محمدحسن؛ خلیل‌زاده، محمدعلی؛ " تشخیص مؤلّفه‌‌های شناختی در سیگنال‌‌های مغزی با استفاده از ضرایب ویولت" مجله‌ی‌ مهندسی پزشکی، دوره‌ی‌ اول، شماره‌ی‌ اول، ص‌ص. 25-46, 1383.##[4] ابوطالبی، وحید؛ "تجزیه و تحلیل مؤلّفه‌‌های شناختی سیگنال الکتریکی مغز و کاربرد آن در دروغ‌سنجی،" پایان‌نامه‌ی دکترای، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385. ##[5] Polich, J.” Updating P300: An integrative theory of P3a and P3b,” ELSEVIER Trans, Clinical Neurophysiology, vol. 118, pp. 2128–2148,2007##[6] Polikoff, J. B; Bunnel, H. T; Borkowski, W. J; “Toward a P300_based Computer Interface,” Applied Science and Engineering Laboratories, A. I. duPont Institute,Wilmington.Available: www.asel.udel.edu/speach/reports/resna95 /p300.pdf ##[7] Farwell, L. A; Donchin, E; “Talking of top of your head: Toward a mental prostethis utilizing event-related brain potentials,” Electroencephalogr and Clin Neurophy, vol.70, pp.510-523, 1988.##[8] Donchin, E.; Spencer, K.M.; Wijensinghe, R.; “The Mental Prosthesis: Assessing the Speed of A P300-Based Brain-Computer Interface,” IEEE Trans. Rehab. Eng., vol. 8, pp. 174-179, 2000.##[9] BCI Competition 2003.## ida.first.fraunhofer.de/projects/bci/competition_ii/##[10] Bostanov, V.; “BCI Competition 2003—Data Sets Ib and IIb: Feature Extraction From Event-Related Brain Potentials With the Continuous Wavelet Transform and the t-Value Scalogram,” IEEE Trans, Biomed. Eng., vol. 51, no. 6,pp.1057-1061, June 2004## ##[11] Xu, N.; Gao, X.; Hong, B.; Miao, X.; Gao, S.; Yang, F.; “BCI Competition 2003_data Set IIb: enhancing P300 wave detection using ICA based subspace projections for BCI applications,” IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1067–1072, June 2004.##[12] Kaper, M.; Meinicke, P.; Grossekathoefer, U.; Lingner, T.; Ritter, H.; “BCI competition 2003—data set IIb: support vector machines for the P300 speller paradigm,” IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1073–1076, June 2004##[13] Hoffmann, U.; Garcia, G.; Vesin, J.M.; Diserens, K.; Ebrahimi, T.; “A Boosting Approach to P300 Detection with Application to Brain-Computer Interfaces,” IEEE Conf., pp.97 -100,2005.##[14] Liu, Y.; Zhou, Z.; Hut, D.; Dong, G.;” T-weighted Approach for Neural Information Processing in P300 based Brain-Computer Interface,” IEEE Conf., pp.1535-1539,2005.##[15] Wang, C.; Guan, C.; Zhang, H.; “P300 Brain-Computer Interface Design for Communication and Control Applications,” IEEE Conf., pp.5400 -5403, 2005.##[16] Hinic, V.; Petriu, E.; Whalen, T.; ”Human-Computer Symbiotic Cooperation in Robot-Sensor Networks,” IEEE Conf., pp.1-6, 2007.##[17] BCI Competition 2005,## ida.first.fraunhofer.de/projects/bci/competition_iii/##[18] Kalatzis, I.; Piliourasa, N.; Ventourasa, E.; Papageorgioub, C.C.; Rabavilas, A.D.; Cavourasa, B.D.; “Design and implementation of an SVM-based computer classification system for discriminating depressive patients from healthy controls using the P600 component of ERP signals”, Computer Methods and Programs in Biomedicine, vol. 75, pp.11-22, 2004.##[19] محمدیان، امین؛ ابوطالبی، وحید؛ " طبقه‌بندی تک‌ثبت سیگنال‌های ERP به‌منظور آشکارسازی تحریک هدف" مجله‌ی‌ پژوهشکده‌ی پردازش هوشمند علائم، شماره‌ی اول، پیاپی‌ پنجم، ص‌ص. 3-12, 1385.##[20] محمدیان، امین؛ "دسته‌بندی پتانسیل برانگیخته بینایی بر حسب نوع تحریک،" پایان‌نامه‌ی کارشناسی ارشد، دانشکده‌ی فنّی و مهندسی، دانشگاه تربیت مدرس، 1384.##[21] Basar, E.; Schurmann, M.; Demiralp, T.; “Event-related oscillations are ‘real brain responses’ wavelet analysis and new strategies” International Journal of Psychophysiology, vol.39, pp.91-127, 2001.##[22] محمدیان، امین؛ فیروزآبادی، سیدمحمد؛ جعفرزاده پور، ابراهیم؛ شرافت، احمدرضا؛" طبقه‌بندی سیگنال‌های پتانسیل برانگیخته بینایی مدوله شده اپتیکی با شبکه عصبی مصنوعی" یازدهمین کنفرانس مهندسی پزشکی ایران بهمن 1382.##[23] موسوی‌زاده، سید فرهود؛ خلیل‌زاده، محمدعلی؛ ابوطالبی، وحید؛ " تحلیل زمان-فرکانس ریزحالات مغزی به کمک شبکه‌های عصبی خودسازمانده،" سیزدهمین کنفرانس مهندسی پزشکی ایران اسفند 1385.##[24] شبیهی، شبیر؛ مطیع نصرآبادی، علی؛ مرادی، محمدحسن؛" تفکیک افراد مستعد به الکلیسم و غیرمستعد بر مبنای پتانسیل‌های وابسته به رخداد، به کمک ماشین‌های بردار پشتیبان و ویژگی‌های آماری ویولت" سیزدهمین کنفراس مهندسی پزشکی، اسفند 1385.##[25] Ademoglu, A.; Tzanakou, E.M.; Istefanopulos, Y.; “Analysis of Pattern Reversal Visual Evoked Potentials (PRVEPs) by Spline Wavelets,” IEEE Trans. Biomed. Eng., vol. 44, no. 9, SEP. 1997, pp. 881_890.##[26] Demiralp, T.; Istefanopulos, Y.; Ademoglu, A.; Yordanova, J.; Kolev, V.; “Analysis of functional components of P300 by wavelet transform,” in Proc.20rd Conf. Engineering in Medicine and Biology Society, vol.4, pp. 1992 - 1995. 29 Oct-1 Nov 1988. ##[27] شبیهی، شبیر؛ "طبقه‌بندی افراد مستعد به الکلیسم و افراد غیرمستعد با استفاده از پتانسیل‌های وابسته به رخداد،" پایان‌نامه‌ی کارشناسی ارشد، واحد علوم و تحقیقات، دانشگاه آزاد، 1385.##[28] بوستانی، رضا؛ "بهبود عملکرد یک سیستم واسطه کامپیوتری مغزی به منظور افزایش قابلیت افراد قطع نخاع در تعامل با محیط اطراف،" پایان‌نامه‌ی دکتری، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر،1383.##[29] Hall, M.A.; “Correlation-Based Feature Selection for Machine Learning,” PhD Thesis , University of Waikato, 1999##[30] Volker T.; “Committee Machines,” in Handbook of NEURAL NETWORK SIGNAL PROCESSING, CRC Press, 2002. ##[31] Seyyedsalehi, S.Z; Nasrabadi, A.M; Abootalebi, V; “Committee Machines and Quadratic B-Spline Wavelet for the P300 Speller Paradigm,” Accepted for AICCSA-08##[32] Zheng, Y.; Jiang, H.; Yan, “Committee machines with ensembles of multilayer perceptron for the support of diagnosis of heart diseases,” in Proc. 3rd Conf. Communications, Circuits and Systems Proceedings, V3, pp. 2046–2050. 25-28 June 2006.##[33] Fukunaga, J; 1990. Statistical Pattern Recognition, 2nd ed.Academic Press, New York, 1990.##[34] سیدصالحی، سیده‌زهره; نصرآبادی، علی; ابوطالبی، وحید; "استفاده از تبدیل موجک Quadratic B-Spline درتشخیص خودکار مؤلفه‌ی P300 جهت ارتباط مغز با رایانه،" اولین کنفرانس داده‌کاوی، ایران، آبان 1386.##[35] Basar, E.; Schurmann, M.; “Preface Toward new theories of brain function and brain dynamics,” International Journal of Psychophysiology, vol.39, pp.87-89, 2001.##[1] واقفی، مهسا؛" بررسی روش‌های مبتنی بر موجک در ارتقای نتایج واسط مغز -کامپیوتر ،" سمینار کارشناسی ارشد، ، دانشگاه شاهد،1386.##[2] عطری، فرید؛"استخراج و پردازش EEG متأثر از بیوفیدبک جهت ارسال حروف الفبای مورد توجّه فرد،" پایان‌نامه‌ی کارشناسی ارشد، دانشگاه تهران،1385.##[3] ابوطالبی، وحید؛ مرادی، محمدحسن؛ خلیل‌زاده، محمدعلی؛ " تشخیص مؤلّفه‌‌های شناختی در سیگنال‌‌های مغزی با استفاده از ضرایب ویولت" مجله‌ی‌ مهندسی پزشکی، دوره‌ی‌ اول، شماره‌ی‌ اول، ص‌ص. 25-46, 1383.##[4] ابوطالبی، وحید؛ "تجزیه و تحلیل مؤلّفه‌‌های شناختی سیگنال الکتریکی مغز و کاربرد آن در دروغ‌سنجی،" پایان‌نامه‌ی دکترای، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، 1385. ##[5] Polich, J.” Updating P300: An integrative theory of P3a and P3b,” ELSEVIER Trans, Clinical Neurophysiology, vol. 118, pp. 2128–2148,2007##[6] Polikoff, J. B; Bunnel, H. T; Borkowski, W. J; “Toward a P300_based Computer Interface,” Applied Science and Engineering Laboratories, A. I. duPont Institute,Wilmington.Available: www.asel.udel.edu/speach/reports/resna95 /p300.pdf ##[7] Farwell, L. A; Donchin, E; “Talking of top of your head: Toward a mental prostethis utilizing event-related brain potentials,” Electroencephalogr and Clin Neurophy, vol.70, pp.510-523, 1988.##[8] Donchin, E.; Spencer, K.M.; Wijensinghe, R.; “The Mental Prosthesis: Assessing the Speed of A P300-Based Brain-Computer Interface,” IEEE Trans. Rehab. Eng., vol. 8, pp. 174-179, 2000.##[9] BCI Competition 2003.## ida.first.fraunhofer.de/projects/bci/competition_ii/##[10] Bostanov, V.; “BCI Competition 2003—Data Sets Ib and IIb: Feature Extraction From Event-Related Brain Potentials With the Continuous Wavelet Transform and the t-Value Scalogram,” IEEE Trans, Biomed. Eng., vol. 51, no. 6,pp.1057-1061, June 2004## ##[11] Xu, N.; Gao, X.; Hong, B.; Miao, X.; Gao, S.; Yang, F.; “BCI Competition 2003_data Set IIb: enhancing P300 wave detection using ICA based subspace projections for BCI applications,” IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1067–1072, June 2004.##[12] Kaper, M.; Meinicke, P.; Grossekathoefer, U.; Lingner, T.; Ritter, H.; “BCI competition 2003—data set IIb: support vector machines for the P300 speller paradigm,” IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp. 1073–1076, June 2004##[13] Hoffmann, U.; Garcia, G.; Vesin, J.M.; Diserens, K.; Ebrahimi, T.; “A Boosting Approach to P300 Detection with Application to Brain-Computer Interfaces,” IEEE Conf., pp.97 -100,2005.##[14] Liu, Y.; Zhou, Z.; Hut, D.; Dong, G.;” T-weighted Approach for Neural Information Processing in P300 based Brain-Computer Interface,” IEEE Conf., pp.1535-1539,2005.##[15] Wang, C.; Guan, C.; Zhang, H.; “P300 Brain-Computer Interface Design for Communication and Control Applications,” IEEE Conf., pp.5400 -5403, 2005.##[16] Hinic, V.; Petriu, E.; Whalen, T.; ”Human-Computer Symbiotic Cooperation in Robot-Sensor Networks,” IEEE Conf., pp.1-6, 2007.##[17] BCI Competition 2005,## ida.first.fraunhofer.de/projects/bci/competition_iii/##[18] Kalatzis, I.; Piliourasa, N.; Ventourasa, E.; Papageorgioub, C.C.; Rabavilas, A.D.; Cavourasa, B.D.; “Design and implementation of an SVM-based computer classification system for discriminating depressive patients from healthy controls using the P600 component of ERP signals”, Computer Methods and Programs in Biomedicine, vol. 75, pp.11-22, 2004.##[19] محمدیان، امین؛ ابوطالبی، وحید؛ " طبقه‌بندی تک‌ثبت سیگنال‌های ERP به‌منظور آشکارسازی تحریک هدف" مجله‌ی‌ پژوهشکده‌ی پردازش هوشمند علائم، شماره‌ی اول، پیاپی‌ پنجم، ص‌ص. 3-12, 1385.##[20] محمدیان، امین؛ "دسته‌بندی پتانسیل برانگیخته بینایی بر حسب نوع تحریک،" پایان‌نامه‌ی کارشناسی ارشد، دانشکده‌ی فنّی و مهندسی، دانشگاه تربیت مدرس، 1384.##[21] Basar, E.; Schurmann, M.; Demiralp, T.; “Event-related oscillations are ‘real brain responses’ wavelet analysis and new strategies” International Journal of Psychophysiology, vol.39, pp.91-127, 2001.##[22] محمدیان، امین؛ فیروزآبادی، سیدمحمد؛ جعفرزاده پور، ابراهیم؛ شرافت، احمدرضا؛" طبقه‌بندی سیگنال‌های پتانسیل برانگیخته بینایی مدوله شده اپتیکی با شبکه عصبی مصنوعی" یازدهمین کنفرانس مهندسی پزشکی ایران بهمن 1382.##[23] موسوی‌زاده، سید فرهود؛ خلیل‌زاده، محمدعلی؛ ابوطالبی، وحید؛ " تحلیل زمان-فرکانس ریزحالات مغزی به کمک شبکه‌های عصبی خودسازمانده،" سیزدهمین کنفرانس مهندسی پزشکی ایران اسفند 1385.##[24] شبیهی، شبیر؛ مطیع نصرآبادی، علی؛ مرادی، محمدحسن؛" تفکیک افراد مستعد به الکلیسم و غیرمستعد بر مبنای پتانسیل‌های وابسته به رخداد، به کمک ماشین‌های بردار پشتیبان و ویژگی‌های آماری ویولت" سیزدهمین کنفراس مهندسی پزشکی، اسفند 1385.##[25] Ademoglu, A.; Tzanakou, E.M.; Istefanopulos, Y.; “Analysis of Pattern Reversal Visual Evoked Potentials (PRVEPs) by Spline Wavelets,” IEEE Trans. Biomed. Eng., vol. 44, no. 9, SEP. 1997, pp. 881_890.##[26] Demiralp, T.; Istefanopulos, Y.; Ademoglu, A.; Yordanova, J.; Kolev, V.; “Analysis of functional components of P300 by wavelet transform,” in Proc.20rd Conf. Engineering in Medicine and Biology Society, vol.4, pp. 1992 - 1995. 29 Oct-1 Nov 1988. ##[27] شبیهی، شبیر؛ "طبقه‌بندی افراد مستعد به الکلیسم و افراد غیرمستعد با استفاده از پتانسیل‌های وابسته به رخداد،" پایان‌نامه‌ی کارشناسی ارشد، واحد علوم و تحقیقات، دانشگاه آزاد، 1385.##[28] بوستانی، رضا؛ "بهبود عملکرد یک سیستم واسطه کامپیوتری مغزی به منظور افزایش قابلیت افراد قطع نخاع در تعامل با محیط اطراف،" پایان‌نامه‌ی دکتری، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر،1383.##[29] Hall, M.A.; “Correlation-Based Feature Selection for Machine Learning,” PhD Thesis , University of Waikato, 1999##[30] Volker T.; “Committee Machines,” in Handbook of NEURAL NETWORK SIGNAL PROCESSING, CRC Press, 2002. ##[31] Seyyedsalehi, S.Z; Nasrabadi, A.M; Abootalebi, V; “Committee Machines and Quadratic B-Spline Wavelet for the P300 Speller Paradigm,” Accepted for AICCSA-08##[32] Zheng, Y.; Jiang, H.; Yan, “Committee machines with ensembles of multilayer perceptron for the support of diagnosis of heart diseases,” in Proc. 3rd Conf. Communications, Circuits and Systems Proceedings, V3, pp. 2046–2050. 25-28 June 2006.##[33] Fukunaga, J; 1990. Statistical Pattern Recognition, 2nd ed.Academic Press, New York, 1990.##[34] سیدصالحی، سیده‌زهره; نصرآبادی، علی; ابوطالبی، وحید; "استفاده از تبدیل موجک Quadratic B-Spline درتشخیص خودکار مؤلفه‌ی P300 جهت ارتباط مغز با رایانه،" اولین کنفرانس داده‌کاوی، ایران، آبان 1386.##[35] Basar, E.; Schurmann, M.; “Preface Toward new theories of brain function and brain dynamics,” International Journal of Psychophysiology, vol.39, pp.87-89, 2001.## ##

شناسایی میکرو آمبولی مغزی در سیگنال داپلر از روی ویژگی های غیر خطی Detection of cerebral micro emboli in Doppler Signal using nonlinear features 1 1 آمبولی، توده‌های مجتمع از گلبول های قرمز، چربی و یا حباب های گاز می‌باشند که آزادانه در سیستم گردش خون در جریان هستند و وجود آن ها نشانه ی خطر اسکیمی می‌باشد. در بررسی جریان خون در زمان واقعی به روش داپلر ترانس کرانیال (TCD) با عبور میکرو آمبولی جامد و یا گاز از منطقه ی تحت بررسی با داپلر، سیگنالی کوتاه¬مدت با دامنه ی زیاد ایجاد می‌گردد. در هنگام ثبت، عواملی مانند حرکت پروب و یا سرفه، باعث ایجاد آرتیفکت با دامنه ی زیاد در سیگنال داپلر می‌شود که شناسائی آن را از آمبولی را دشوار می‌کند. صرف وقت زیاد و همچنین احتمال خطای فرد متخصص در تشخیص آمبولی از آرتیفکت، انگیزه ی اصلی طراحی سیستم های تشخیص خودکار می‌باشد. پیاده‌سازی این‌گونه سیستم ها همواره با دو چالش عمده¬ی استخراج ویژگی های مناسب و طراحی دسته‌بند مطلوب روبرو می باشد. در این تحقیق هر دو موضوع مورد مطالعه قرار گرفت. در بخش ویژگی، ضرایب موجک، آنتروپی موجک، بُعد فرکتالی و ویژگی Besov از سیگنال استخراج شد و به کمک تحلیل آماری ویژگی های با بالاترین میزان تفکیک معرفی شد. در بخش دسته‌بند، شیوه¬ی جدیدی برای شناسایی آمبولی و تفکیک آن از آرتیفکت به وسیله مدل مارکف پنهان (HMM) ارائه شد و نتایج آن با نتایج دسته‌بند شبکه¬ی عصبی فازی تطبیقی (ANFIS) مقایسه شد. در مجموع با استفاده از ضرایب موجک و مدل مارکف پنهان طراحی شده، توانستیم به صحت 3/95% و وضوح 7/92% در شناسایی آمبولی برسیم. 2 Abstract: An embolus is a blood clot, a fat globule or gas bubbles that may be freely circulating in bloodstream can stop the blood flow and lead to ischemia. In real time assessment of blood flow by Trans Cranial Doppler (TCD) method, travelling solid or gaseous micro emboli in the bloodstream by passing across the assessment area, causes a short time signal with high intensity. While TCD recording including movement of the probe, coughing, sneezing, and head rotation generate high intensity artifacts that make it difficult to make differentiate from embolus. Time consuming and also human mistakes in differentiating emboli from artifact are the main motivations of design of the automatic detection systems. Implementing such systems is nowadays faced with two main challengeous problems: extracting suitable features and designing the proper classifier. In this research, we studied two issues together. In feature extraction part, wavelet coeffiecient, wavelet entropy, fractal dimention and Besov property of signal is extracted, and using by statistical methods we introduced the feature with highest separability rate. In classifier part, a novel method based on hidden markov models for detecting emboli from artifact is proposed, and the results is compared with the results of Adaptive Neuro Fuzzy Inference System classifier. In total, using wavelet coefficients and hidden markov model, we achieved an accuracy rate of 95.3% and specificity of 92.7%. 71 85 2009/03/192009/03/192009/03/192011/03/202009/03/192009/03/19 1387/12/29 2018/02/212018/02/212018/02/212018/02/212018/02/192018/02/21 1396/12/2 سعید راحتی قوچانی دانشگاه ازاد اسلامی مشهد rahati@mshdiau.ac.ir محمودرضا آذرپژوه دانشگاه ازاد اسلامی مشهد azarpazhooh@yahoo.com آزاده معلمی‌دمنه دانشگاه ازاد اسلامی مشهد azad_moalemi@yahoo.com MES Adaptive Neuro Fuzzy Inference System (ANFIS) Hidden Markov Model (HMM) Entropy Wavelet coefficients. MES شبکه عصبی فازی تطبیقی مدل مارکف پنهان آنتروپی ضرایب موجک. [1] E. B. Ringelstein, D. W. Droste, V. L. Babikian, D. H. Evans, D. G. Grosset, M. Kaps, H. S. Markus, D. Russell, and M. Siebler, "Consensus on Microembolus Detection by TCD," Stroke, vol. 29, pp. 725-729, 1998.##[2] M. R. Azarpazhooh and B. R. Chambers, "Clinical application of transcranial Doppler monitoring for embolic signals," Journal of Clinical Neuroscience, vol. 13, pp. 799-810, 2006.##[3] N. Aydin and T. Araslan, "Frequency and Scale Domain Analysis of Complex Quadrature Embolic Doppler Ultrasound Signals," Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis (ISPA), vol. 2, pp. 1054-1059, 2003.##[4] V. Kemeny, D. W. Droste, S. Hermes, D. G. Nabavi, G. S. Altedorneburg, M. Siebler, and E. B. Ringelstein, "Automatic Embolus Detection by a Neural Network," Stroke, vol. 30, pp. 807-810, 1999.##[5] N. Aydin and H. S. Markus, "Optimization of processing parameters for the analysis and detection of embolic signals," European journal of ultrasound, vol. 12, pp. 69-79, 2000.##[6] B. J. Krongold, A. M. Sayeed, M. A. Moehring, J. A. Ritcey, M. P. Spencer, and D. L. Jones, "Time-scale detection of microemboli in flowing blood with Doppler ultrasound," IEEE Transaction on Biomedical Engineering, vol. 46, pp. 1081-1089, 1999.##[7] I. Guler, F. Hardalac, and M. Kaymaz, "Comparison of FFT and adaptive ARMA methods in transcranial Doppler signals recorded from the cerebral vessels," Computers in Biology and Medicine, vol. 32, pp. 445–453, 2002.##[8] E. D. Ubeyl and I. Guler, "Comparison of eigenvector methods with classical and model-based methods in analysis of internal carotid arterial Doppler signals," Computers in Biology and Medicine, vol. 33 pp. 473–493, 2003.##[9] J. M. Girault, D. Kouame, A. Ouahabi, and F. Patat, "Micro-emboli detection: an ultrasound doppler signal processing viewpoint," IEEE Transaction on Biomedical Engineering, vol. 47, pp. 1431-1439, 2000.##[10] N. Aydin, F. Marvasti, and H. S. Markus, "Embolic doppler ultrasound signal detection using discrete wavelet transform," IEEE Transaction on Information Technology in Biomedicine, vol. 8, pp. 182-190, 2004.##[11] S. Marvasti, M. Ghandi, A. Marvasti, A. Deb, and H. Markus, "Improved Detection of Embolic Signals using Multi Scale Wavelet Filtering, AR and ANN, for TCD Ultrasound," in IEE International Seminar of Medical Applications of Signal Processing (MASP05), London, UK, November 3-4, 2005.##[12] D. Kouamé, M. Biard, J. M. Girault, and A. Bleuzen, "Adaptive AR and Neuro-fuzzy approaches: access to cerebral particle signatures," IEEE Transactions on Information Technology in Biomedicine, vol. 10, pp. 559-566, 2006.##[13] Y. Zhang, H. Zhang, and N. Zhang, "Microembolic Signal Characterization Using Adaptive Chirplet Expansion," IEEE transactions on ultrasonics, ferroelectrics, and frequency control, vol. 52, 2005.##[14] N. Aydin and D. H. Evans, "Implementation of directonal Doppler techniques using a digital signal processor," Electrocardiography, Myocardial Contraction and Blood Flow supplement, 1994.##[15] R. Dittrich, M. A. Ritter, and D. W. Droste, "Microembolus detection by transcranial doppler sonography," European Journal of Ultrasound, vol. 16 pp. 21-30, 2002.##[16] S. M. Pincus, "approximate entropy (ApEn) as complexity measure," in Proc Natl Acad, Sci USA. vol. 88, 1991, pp. 2297-2301.##[17] O. A. Rosso, S. Blanco, J. Yordanova, V. Kolev, A. Figliola, M. Schurmann, and E. Basar, "Wavelet Entropy: A new tool for analysis of short duration brain electrical signals," Journal of Neuroscience Methods vol. 105, pp. 65-75, 2001.##[18] G. Wornell, Signal Processing with Fractals: A Wavelet-Based Approach: Prentice Hall PTR, 1996.##[19] S. Mallat, A Wavelet Tour Of Signal Processing, second ed.: Academic Press, 1999.##[20] J.-S. R. Jang, C. T. Sun, and E. Mizutani, Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River, NJ: Prentice-Hall, 1997.##[21] Z. Ghahramani, "An Introduction to Hidden Markov Models and Bayesian Networks," journal of pattern recognition and artificial intelligence, vol. 15, pp. 9-42, 2001.##[22] L. R. Rabiner, "A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition," Proceedings of the IEEE, vol. 77, pp. 257-286, 1989.##[23] محمد میکائیلی، محمدرضا هاشمی گلپایگانی، "ارزیابی میزان پیچیدگی یا نظم امواج گذرای مغزی (EEG) در حین خواب براساس تئوری پاره موج و مفهوم آنتروپی" مجله علم و تکنولوژی ایران، دوره 26، شماره B4، پاییز 1381، 639-646.##[24] آ. معلمی دمنه، م. ر. آذرپژوه، و س. ر. قوچانی، "شناسائی میکروآمبولی به وسیله شبکه عصبی فازی (ANFIS) در سیزدهمین کنگره بیماریهای مغز و اعصاب، تهران، 1385.##[25] سید رضا هاشمی، سعید راحتی قوچانی "تشخیص آمبولی و آرتیفکت در سیگنال TCD با استفاده از HMM" سیزدهمین کنفرانس مهندسی پزشکی، دانشگاه صنعتی شریف، 2-3 اسفند 1385.##[26] سید رضا هاشمی، سعید راحتی قوچانی، محمود رضا آذرپژوه، "تفکیک آمبولی و آرتیفکت در سیگنال ترانس‌کرانیال‌داپلر با استفاده از ماشینهای بردار پشتیبان" سیزدهمین کنفرانس مهندسی کامپیوتر، دانشگاه صنعتی شریف، 19-21 اسفند 1386.## ##[1] E. B. Ringelstein, D. W. Droste, V. L. Babikian, D. H. Evans, D. G. Grosset, M. Kaps, H. S. Markus, D. Russell, and M. Siebler, "Consensus on Microembolus Detection by TCD," Stroke, vol. 29, pp. 725-729, 1998.##[2] M. R. Azarpazhooh and B. R. Chambers, "Clinical application of transcranial Doppler monitoring for embolic signals," Journal of Clinical Neuroscience, vol. 13, pp. 799-810, 2006.##[3] N. Aydin and T. Araslan, "Frequency and Scale Domain Analysis of Complex Quadrature Embolic Doppler Ultrasound Signals," Proceedings of the 3rd International Symposium on Image and Signal Processing and Analysis (ISPA), vol. 2, pp. 1054-1059, 2003.##[4] V. Kemeny, D. W. Droste, S. Hermes, D. G. Nabavi, G. S. Altedorneburg, M. Siebler, and E. B. Ringelstein, "Automatic Embolus Detection by a Neural Network," Stroke, vol. 30, pp. 807-810, 1999.##[5] N. Aydin and H. S. Markus, "Optimization of processing parameters for the analysis and detection of embolic signals," European journal of ultrasound, vol. 12, pp. 69-79, 2000.##[6] B. J. Krongold, A. M. Sayeed, M. A. Moehring, J. A. Ritcey, M. P. Spencer, and D. L. Jones, "Time-scale detection of microemboli in flowing blood with Doppler ultrasound," IEEE Transaction on Biomedical Engineering, vol. 46, pp. 1081-1089, 1999.##[7] I. Guler, F. Hardalac, and M. Kaymaz, "Comparison of FFT and adaptive ARMA methods in transcranial Doppler signals recorded from the cerebral vessels," Computers in Biology and Medicine, vol. 32, pp. 445–453, 2002.##[8] E. D. Ubeyl and I. Guler, "Comparison of eigenvector methods with classical and model-based methods in analysis of internal carotid arterial Doppler signals," Computers in Biology and Medicine, vol. 33 pp. 473–493, 2003.##[9] J. M. Girault, D. Kouame, A. Ouahabi, and F. Patat, "Micro-emboli detection: an ultrasound doppler signal processing viewpoint," IEEE Transaction on Biomedical Engineering, vol. 47, pp. 1431-1439, 2000.##[10] N. Aydin, F. Marvasti, and H. S. Markus, "Embolic doppler ultrasound signal detection using discrete wavelet transform," IEEE Transaction on Information Technology in Biomedicine, vol. 8, pp. 182-190, 2004.##[11] S. Marvasti, M. Ghandi, A. Marvasti, A. Deb, and H. Markus, "Improved Detection of Embolic Signals using Multi Scale Wavelet Filtering, AR and ANN, for TCD Ultrasound," in IEE International Seminar of Medical Applications of Signal Processing (MASP05), London, UK, November 3-4, 2005.##[12] D. Kouamé, M. Biard, J. M. Girault, and A. Bleuzen, "Adaptive AR and Neuro-fuzzy approaches: access to cerebral particle signatures," IEEE Transactions on Information Technology in Biomedicine, vol. 10, pp. 559-566, 2006.##[13] Y. Zhang, H. Zhang, and N. Zhang, "Microembolic Signal Characterization Using Adaptive Chirplet Expansion," IEEE transactions on ultrasonics, ferroelectrics, and frequency control, vol. 52, 2005.##[14] N. Aydin and D. H. Evans, "Implementation of directonal Doppler techniques using a digital signal processor," Electrocardiography, Myocardial Contraction and Blood Flow supplement, 1994.##[15] R. Dittrich, M. A. Ritter, and D. W. Droste, "Microembolus detection by transcranial doppler sonography," European Journal of Ultrasound, vol. 16 pp. 21-30, 2002.##[16] S. M. Pincus, "approximate entropy (ApEn) as complexity measure," in Proc Natl Acad, Sci USA. vol. 88, 1991, pp. 2297-2301.##[17] O. A. Rosso, S. Blanco, J. Yordanova, V. Kolev, A. Figliola, M. Schurmann, and E. Basar, "Wavelet Entropy: A new tool for analysis of short duration brain electrical signals," Journal of Neuroscience Methods vol. 105, pp. 65-75, 2001.##[18] G. Wornell, Signal Processing with Fractals: A Wavelet-Based Approach: Prentice Hall PTR, 1996.##[19] S. Mallat, A Wavelet Tour Of Signal Processing, second ed.: Academic Press, 1999.##[20] J.-S. R. Jang, C. T. Sun, and E. Mizutani, Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Upper Saddle River, NJ: Prentice-Hall, 1997.##[21] Z. Ghahramani, "An Introduction to Hidden Markov Models and Bayesian Networks," journal of pattern recognition and artificial intelligence, vol. 15, pp. 9-42, 2001.##[22] L. R. Rabiner, "A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition," Proceedings of the IEEE, vol. 77, pp. 257-286, 1989.##[23] محمد میکائیلی، محمدرضا هاشمی گلپایگانی، "ارزیابی میزان پیچیدگی یا نظم امواج گذرای مغزی (EEG) در حین خواب براساس تئوری پاره موج و مفهوم آنتروپی" مجله علم و تکنولوژی ایران، دوره 26، شماره B4، پاییز 1381، 639-646.##[24] آ. معلمی دمنه، م. ر. آذرپژوه، و س. ر. قوچانی، "شناسائی میکروآمبولی به وسیله شبکه عصبی فازی (ANFIS) در سیزدهمین کنگره بیماریهای مغز و اعصاب، تهران، 1385.##[25] سید رضا هاشمی، سعید راحتی قوچانی "تشخیص آمبولی و آرتیفکت در سیگنال TCD با استفاده از HMM" سیزدهمین کنفرانس مهندسی پزشکی، دانشگاه صنعتی شریف، 2-3 اسفند 1385.##[26] سید رضا هاشمی، سعید راحتی قوچانی، محمود رضا آذرپژوه، "تفکیک آمبولی و آرتیفکت در سیگنال ترانس‌کرانیال‌داپلر با استفاده از ماشینهای بردار پشتیبان" سیزدهمین کنفرانس مهندسی کامپیوتر، دانشگاه صنعتی شریف، 19-21 اسفند 1386.## ## ##

تصدیق مستقل از متن هویت گوینده با مدل آمیزه های گوسی تطبیق یافته ی ساختاری Asdad 1 1 در این مقاله، روش مدل آمیزهی گوسی ساختار یافته1 (SGMM) که به منظور سرعت بخشی الگوریتم2 GMM-UBMM در سیستم تصدیق هویت گوینده، پیشنهاد شده است، مورد بررسی قرار می گیرد. تأثیر برخی پارامترها در ساخت مدل پس زمینه ی ساختاری 3 (SBM) به تفصیل مورد بررسی و مقادیر بهینه در ساخت مدل مورد استفاده قرار می گیرد. همچنین برای پردازش امتیازهای خروجی ساختار SBM-SGMM ساختاری با عنوان شناسایی کننده GMM پیشنهاد می شود. شبیه سازی های انجام یافته نشان می دهد ساختار بهینه ی SBM در ترکیب با پردازنده ی امتیازهای پیشنهاد شده، عملکرد بهتری نسبت به سیستم پایه در ترکیب با شبکه ی عصبی دارد و این در حالتی است که پیچیدگی سیستم پیشنهاد شده، پائین تر از شبکه ی عصبی می باشد. با استفاده از سیستم پیشنهادی، نرخ سرعت بخشی برابر با 7/2 حاصل گردید و در عین حال عملکرد سیستم نیز نسبت به سیستم GMM-UBM بهبود نشان می دهد. در بهترین حالت می¬توان به نرخ خطای برابر معادل %35/0دست یافت که نسبت به عملکرد سیستم GMM-UBM با نرخ خطای برابر %71/1 بهبود قابل ملاحظه ای حاصل می شود. 2 asdafdf 85 104 2009/03/192009/03/192009/03/192011/03/202009/03/192009/03/192009/03/19 1387/12/29 2018/02/212018/02/212018/02/212018/02/212018/02/192018/02/212018/02/21 1396/12/2 رحیم سعیدی پژوهشکده برق جهاد دانشگاهی rahim.saeidi@gmail.com حمیدرضا صادق محمدی پژوهشکده برق جهاد دانشگاهی mohammadis@iust.ac.ir asdad تصدیق هویت مستقل از متن گوینده GMM UBM SBM SGMM. [1] م. مندولکانی؛ م. لطفی‌زاد؛ «تشخیص هویت گوینده توسط کامپیوتر»، دومین کنفرانس مهندسی برق ایران؛ دانشگاه تربیت مدرس؛ تهران، ایران؛ 1373؛ صص 353-360.##[2] م. ص. حدائق؛ م. لطفی‌زاد؛ «تصدیق هویت گوینده توسط کامپیوتر»، دومین کنفرانس مهندس برق ایران؛ دانشگاه تربیت مدرس؛ تهران، ایران؛ 1373؛ صص 212-221.##[3] ا. صیادیان؛ ح. غفوری‌فرد؛ «استفاده از تغییرات دینامیکی ضرایب LSPF جهت کاهش خطای سیستمهای بازشناسی گوینده»؛ سومین کنفرانس مهندس برق ایران؛ دانشگاه علم و صنعت ایران؛ تهران 1374؛ صص 207-212## [4] ح. مقصودلو؛ م. ر. نخعی؛ م. تبیانی؛ «سیستم تأیید هویت گوینده وابسته به متن با استفاده از روش کوانتیزاسیون برداری»؛ سومین کنفرانس مهندسی برق ایران؛ دانشگاه علم و صنعت ایران؛ تهران، ایران؛ 1374؛ صص. 155-162.##[5] ج. شیخ زادگان ؛ "تعیین هویت گوینده به صورت مستقل از متن"؛ رساله دکترای مهندسی برق مخابرات؛ دانشکده فنی و مهندسی دانشگاه تربیت مدرس؛ بهمن 1374.##[6] س. د. فیض‌آبادی؛ س. صدوقی؛ «سیستم تشخیص گوینده»؛ ششمین کنفرانس مهندسی برق ایران؛ دانشگاه صنعتی خواجه ‌نصیرالدین طوسی؛ تهران، ایران؛ 1377؛ صص. 369-372. ##[7] م. م. همایون‌پور؛ ا. نجاری؛ «تصدیق هویت گوینده توسط تلفیق شبکه‌های عصبی و الگوریتم‌های ژنتیکی»؛ پنجمین کنفرانس بین‌المللی سالانه انجمن کامپیوتر ایران؛ دانشگاه شهید بهشتی؛ تهران، ایران، 1378؛ صص. 257-264. ##[8] ا. نوری وند ؛ "بازشناسی گوینده مستقل از متن بر اساس گفتار تلفنی توسط شبکه های عصبی"؛ پایان نامه کارشناسی ارشد مهندسی برق مخابرات؛ دانشکده فنی دانشگاه تهران؛ دی 1378.## [9]. صیادیان؛ ک. بدیع؛ م. حکاک؛ م. ر. بیک‌زاده؛ «ارائه روش TSD-PGMM در بازشناسی گوینده مستقل از متن»؛ هشتمین کنفرانس مهندسی برق ایران؛ دانشگاه صنعتی اصفهان؛ اصفهان، ایران؛ 1379؛ صص. 376-382.##[10]. م. ش. معین؛ ر. بوستانی؛ «مقایسه روش‌های، GMM و HMM, SVM به منظور بررسی هویت گوینده»؛ یازدهمین کنفرانس مهندسی برق ایران؛ 1383؛ دانشگاه شیراز؛ شیراز، ایران؛ صص. 313-319##[11]. م. م. همایون‌پور؛ ج. کبودیان؛ به «تعیین و تصدیق هویت گوینده بر روی خط تلفن به کمک یک سیستم هیبرید مقاوم در برابر نویز و اثر انتقال کانال همراه با نرمالیزاسیون امتیازات»؛ مجله فنی و مهندسی مدرس؛ دانشکده فنی و مهندسی دانشگاه تربیت مدرس؛ ویژه‌نامه مهندسی برق ـ شماره شانزدهم، به 1383؛ صص. 33-48.##[12] D. A. Reynolds, A Gaussian mixture modeling approach to text independent speaker identification, Ph.D. thesis, Georgia Institute of Technology, Atlanta, Ga, USA, September 1992.##[13] D. A. Reynolds, T. F. Quatieri, and R. B. Dunn, “Speaker verification using adapted Gaussian mixture models,” Digital Signal Processing, vol. 10, pp. 19–41, 2000.##[14] R. Auckenthaler and J. Mason, “Gaussian selection applied to text-independent speaker verification,” in Proc. A Speaker Odyssey—Speaker Recognition Workshop, 2001.##[15] B. Xiang and Toby Berger, “Efficient text-independent speaker verification with structural Gaussian mixture models and neural network,” IEEE Trans. Speech Audio Processing, vol. 11, no. 5, pp. 447-456, September 2003.##[16] D. A. Reynolds and R. C. Rose, “Robust text-independent speaker identification using Gaussian mixture speaker models,” IEEE Transactions on Speech Audio Processing vol. 3, pp. 72-83, 1995.##[17] J. L. Gauvain and C.-H. Lee, “Maximum a posteriori estimation for multivariate Gaussian mixture observations of Markov chains,” IEEE Trans. Speech Audio Processing, vol. 2, pp. 291–298, Apr. 1994.##[18] Huo Q., Chan C., Lee C., “Bayesian Adaptive Learning of the Parameters of Hidden Markov Model for Speech Recognition”, IEEE Trans. Speech Audio Processing, vol. 3, no. 5, pp. 334-345, 1995.##[19] K. Shinoda and C. H. Lee, "A structural Bayes approach to speaker adaptation", IEEE Trans. Speech Audio Processing, vol. 9, no. 3, pp. 276-287, March 2001.##[20] J. Navrátil, U. V. Chaudhari, and G. N. Ramaswamy, “Speaker verification using target and background dependent linear transforms and multi-system fusion,” in Proc. Eurospeech, pp. 1389-1392, 2001.##[21] S. Raudys, Statistical and Neural Classifiers: An Integrated Approach to Design. New York: Springer, 2001.##[22] D. A. Reynolds, “Comparison of background normalization methods for text-independent speaker verification,” in Proc. 5th European Conference on Speech Communication and Technology (Eurospeech ’97), vol. 2, pp. 963–966, Rhodes, Greece, September 1997.##[23] F. Bimbot, J. Bonastre, C. Fredouille, G. Gravier, I. Chagnolleau, S. Meignier, T. Merlin, J. Ortega-Garcia, D. Petrovska, and D. A. Reynolds, “A Tutorial on Text-Independent Speaker Verification,” EURASIP Journal on Applied Signal Processing, vol. 4, pp. 430–451, 2004.##[24] [Online] Available: http://www.nist.gov/speech/tests/spk/index.htm.##[25] A.Martin, G.Doddington, “the DET Curve in Assessment of Detection Task Performance”, in Proc. Eurospeech, pp.1895-1898, 1997.##[26] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amir-Hosseini, "An efficient GMM classification post-processing method for structural Gaussian mixture model based speaker verification," in Proc.ICASSP’06, vol. 1, pp. 909-912, , Toulouse, France, May 2006.##[27] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amirhosseini “Study of model parameters effects in adapted Gaussian mixture models based text independent speaker verification”, in Proc. International Symposium of Telecommunications, IST2005, vol. 1, pp. 387-392, Shiraz, Iran, 2005.##[28] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amirhosseini, ''Efficient GMM-UBM system in text independent speaker verification using structural Gaussian mixture models,'' in Proc. International Symp. of Telecommunications, IST2005, vol. 1, pp. 39-44, Shiraz, Iran, Sept. 2005.##[1] م. مندولکانی؛ م. لطفی‌زاد؛ «تشخیص هویت گوینده توسط کامپیوتر»، دومین کنفرانس مهندسی برق ایران؛ دانشگاه تربیت مدرس؛ تهران، ایران؛ 1373؛ صص 353-360.##[2] م. ص. حدائق؛ م. لطفی‌زاد؛ «تصدیق هویت گوینده توسط کامپیوتر»، دومین کنفرانس مهندس برق ایران؛ دانشگاه تربیت مدرس؛ تهران، ایران؛ 1373؛ صص 212-221.##[3] ا. صیادیان؛ ح. غفوری‌فرد؛ «استفاده از تغییرات دینامیکی ضرایب LSPF جهت کاهش خطای سیستمهای بازشناسی گوینده»؛ سومین کنفرانس مهندس برق ایران؛ دانشگاه علم و صنعت ایران؛ تهران 1374؛ صص 207-212## [4] ح. مقصودلو؛ م. ر. نخعی؛ م. تبیانی؛ «سیستم تأیید هویت گوینده وابسته به متن با استفاده از روش کوانتیزاسیون برداری»؛ سومین کنفرانس مهندسی برق ایران؛ دانشگاه علم و صنعت ایران؛ تهران، ایران؛ 1374؛ صص. 155-162.##[5] ج. شیخ زادگان ؛ "تعیین هویت گوینده به صورت مستقل از متن"؛ رساله دکترای مهندسی برق مخابرات؛ دانشکده فنی و مهندسی دانشگاه تربیت مدرس؛ بهمن 1374.##[6] س. د. فیض‌آبادی؛ س. صدوقی؛ «سیستم تشخیص گوینده»؛ ششمین کنفرانس مهندسی برق ایران؛ دانشگاه صنعتی خواجه ‌نصیرالدین طوسی؛ تهران، ایران؛ 1377؛ صص. 369-372. ##[7] م. م. همایون‌پور؛ ا. نجاری؛ «تصدیق هویت گوینده توسط تلفیق شبکه‌های عصبی و الگوریتم‌های ژنتیکی»؛ پنجمین کنفرانس بین‌المللی سالانه انجمن کامپیوتر ایران؛ دانشگاه شهید بهشتی؛ تهران، ایران، 1378؛ صص. 257-264. ##[8] ا. نوری وند ؛ "بازشناسی گوینده مستقل از متن بر اساس گفتار تلفنی توسط شبکه های عصبی"؛ پایان نامه کارشناسی ارشد مهندسی برق مخابرات؛ دانشکده فنی دانشگاه تهران؛ دی 1378.## [9]. صیادیان؛ ک. بدیع؛ م. حکاک؛ م. ر. بیک‌زاده؛ «ارائه روش TSD-PGMM در بازشناسی گوینده مستقل از متن»؛ هشتمین کنفرانس مهندسی برق ایران؛ دانشگاه صنعتی اصفهان؛ اصفهان، ایران؛ 1379؛ صص. 376-382.##[10]. م. ش. معین؛ ر. بوستانی؛ «مقایسه روش‌های، GMM و HMM, SVM به منظور بررسی هویت گوینده»؛ یازدهمین کنفرانس مهندسی برق ایران؛ 1383؛ دانشگاه شیراز؛ شیراز، ایران؛ صص. 313-319##[11]. م. م. همایون‌پور؛ ج. کبودیان؛ به «تعیین و تصدیق هویت گوینده بر روی خط تلفن به کمک یک سیستم هیبرید مقاوم در برابر نویز و اثر انتقال کانال همراه با نرمالیزاسیون امتیازات»؛ مجله فنی و مهندسی مدرس؛ دانشکده فنی و مهندسی دانشگاه تربیت مدرس؛ ویژه‌نامه مهندسی برق ـ شماره شانزدهم، به 1383؛ صص. 33-48.##[12] D. A. Reynolds, A Gaussian mixture modeling approach to text independent speaker identification, Ph.D. thesis, Georgia Institute of Technology, Atlanta, Ga, USA, September 1992.##[13] D. A. Reynolds, T. F. Quatieri, and R. B. Dunn, “Speaker verification using adapted Gaussian mixture models,” Digital Signal Processing, vol. 10, pp. 19–41, 2000.##[14] R. Auckenthaler and J. Mason, “Gaussian selection applied to text-independent speaker verification,” in Proc. A Speaker Odyssey—Speaker Recognition Workshop, 2001.##[15] B. Xiang and Toby Berger, “Efficient text-independent speaker verification with structural Gaussian mixture models and neural network,” IEEE Trans. Speech Audio Processing, vol. 11, no. 5, pp. 447-456, September 2003.##[16] D. A. Reynolds and R. C. Rose, “Robust text-independent speaker identification using Gaussian mixture speaker models,” IEEE Transactions on Speech Audio Processing vol. 3, pp. 72-83, 1995.##[17] J. L. Gauvain and C.-H. Lee, “Maximum a posteriori estimation for multivariate Gaussian mixture observations of Markov chains,” IEEE Trans. Speech Audio Processing, vol. 2, pp. 291–298, Apr. 1994.##[18] Huo Q., Chan C., Lee C., “Bayesian Adaptive Learning of the Parameters of Hidden Markov Model for Speech Recognition”, IEEE Trans. Speech Audio Processing, vol. 3, no. 5, pp. 334-345, 1995.##[19] K. Shinoda and C. H. Lee, "A structural Bayes approach to speaker adaptation", IEEE Trans. Speech Audio Processing, vol. 9, no. 3, pp. 276-287, March 2001.##[20] J. Navrátil, U. V. Chaudhari, and G. N. Ramaswamy, “Speaker verification using target and background dependent linear transforms and multi-system fusion,” in Proc. Eurospeech, pp. 1389-1392, 2001.##[21] S. Raudys, Statistical and Neural Classifiers: An Integrated Approach to Design. New York: Springer, 2001.##[22] D. A. Reynolds, “Comparison of background normalization methods for text-independent speaker verification,” in Proc. 5th European Conference on Speech Communication and Technology (Eurospeech ’97), vol. 2, pp. 963–966, Rhodes, Greece, September 1997.##[23] F. Bimbot, J. Bonastre, C. Fredouille, G. Gravier, I. Chagnolleau, S. Meignier, T. Merlin, J. Ortega-Garcia, D. Petrovska, and D. A. Reynolds, “A Tutorial on Text-Independent Speaker Verification,” EURASIP Journal on Applied Signal Processing, vol. 4, pp. 430–451, 2004.##[24] [Online] Available: http://www.nist.gov/speech/tests/spk/index.htm.##[25] A.Martin, G.Doddington, “the DET Curve in Assessment of Detection Task Performance”, in Proc. Eurospeech, pp.1895-1898, 1997.##[26] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amir-Hosseini, "An efficient GMM classification post-processing method for structural Gaussian mixture model based speaker verification," in Proc.ICASSP’06, vol. 1, pp. 909-912, , Toulouse, France, May 2006.##[27] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amirhosseini “Study of model parameters effects in adapted Gaussian mixture models based text independent speaker verification”, in Proc. International Symposium of Telecommunications, IST2005, vol. 1, pp. 387-392, Shiraz, Iran, 2005.##[28] R. Saeidi, H. R. Sadegh Mohammadi, and M. Khalaj Amirhosseini, ''Efficient GMM-UBM system in text independent speaker verification using structural Gaussian mixture models,'' in Proc. International Symp. of Telecommunications, IST2005, vol. 1, pp. 39-44, Shiraz, Iran, Sept. 2005.## ##