معرفی مراجع و مقالات پردازش سیگنال پزشکی

آموزش کاربردهای پردازش سیگنال های صدا و ارتعاشات در سامانه های مکانیکی و زیستی در متلب

در فرادرس آموزش هایی با عنوان کاربردهای پردازش سیگنال های صدا و ارتعاشات در سامانه های مکانیکی و زیستی در متلب در این لینک (+) منتشر شده است که در مورد معرفی مراجع و مقالات پردازش سیگنال پزشکی سوالاتی برای مخاطبینی که این آموزش ها را تهیه کرده بودند ایجاد شد.

سوال یکی از مخاطبین به این صورت بود:

آموزش کاربردهای پردازش سیگنال های صدا و ارتعاشات در سامانه های مکانیکی و زیستی در متلب

در فرادرس آموزش هایی با عنوان کاربردهای پردازش سیگنال های صدا و ارتعاشات در سامانه های مکانیکی و زیستی در متلب در این لینک (+) منتشر شده است که در مورد معرفی مراجع و مقالات پردازش سیگنال پزشکی سوالاتی برای مخاطبینی که این آموزش ها را تهیه کرده بودند ایجاد شد.

سوال یکی از مخاطبین به این صورت بود:

“با سلام؛

با استفاده از این فیلم آموزشی دید کلی راجع به این موضوع پیدا کردم. در خواست تهیه پردازش سیگنال های الکتریکی در رشته پزشکی را دارم.”

این سوال را با مدرس در میان گذاشتیم؛ ایشان پاسخ را ارائه نموده اند:

با سلام؛

پردازش سیگنال های الکتریکی در پزشکی (و اصولا سیگنال های زیستی) عموما با استفاده از تبدیل موجک انجام می شود؛ چرا که این سیگنال ها دارای محتوای فرکانسی بسیار متغیر و لحظه ای بوده و کاملا ناپایدار هستند. همچنین این سیگنال ها گذرا نیز هستند؛ به این معنی که فرکانس های غالب در زمان های بسیار کم در آنها رخ می دهد. به همین دلیل به شما توصیه می شود که مباحث تبدیل موجک را بیشتر مورد توجه قرار دهید.

شایان ذکر است پردازش سیگنال های الکتریکی پزشکی با همان اصول و روش های یاد شده در زمینه پردازش سیگنال های مکانیکی انجام می شود. اما تجزیه و تحلیل نتایج آن متفاوت است و به تجربه و دانش پزشکی نیاز دارد. مطالعه مقالات زیر در این زمینه مفید است.

Bozhokin, S. V., and I. B. Suslova. “Wavelet-based analysis of spectral rearrangements of EEG patterns and of non-stationary correlations.” Physica A: Statistical Mechanics and its Applications 421 (2015): 151-160.

Chen, Guangyi. “Automatic EEG seizure detection using dual-tree complex wavelet-Fourier features.” Expert Systems with Applications 41.5 (2014): 2391-2394.

Chen, Lanlan, et al. “Automatic detection of alertness/drowsiness from physiological signals using wavelet-based nonlinear features and machine learning.” Expert Systems with Applications (2015).

Liao, Ke, Min Zhu, and Lei Ding. “A new wavelet transform to sparsely represent cortical current densities for EEG/MEG inverse problems.” Computer methods and programs in biomedicine 111.2 (2013): 376-388.

Chen, Hui, et al. “Continuous wavelet transform-based feature selection applied to near-infrared spectral diagnosis of cancer.” Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 151 (2015): 286-291.

از حضور شما در فرادرس خوشحالیم و منتظر دیدار دوباره شما هستیم.

موفق و پیروز باشید.

 

مطالب پیشنهادی‎

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *