فهرست مطالب
فصلنامه مهندسی پزشکی زیستی
سال دهم شماره 3 (پاییز 1395)
- تاریخ انتشار: 1395/07/01
- تعداد عناوین: 7
-
-
صفحات 197-209
نوزادان کم وزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگ و میر، ناهنجاری های مادرزادی، عقب ماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یک سوم مقدار فعلی، به عنوان یکی از اهداف برنامه یونیسف مطرح شده است. با توجه به موارد ذکر شده، پیش آگهی تولد این نوزادان، نقش مهمی در پیش گیری از وقوع آن دارد. به علاوه ، زمینه را برای تصمیم گیری های بالینی به موقع و موثر برای حفظ سلامت آنان فراهم می آورد. در این پژوهش، از شبکه های فازی شواهدی، به عنوان مدل پیش آگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد این شبکه ها با استفاده از منطق فازی و تیوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج به دست آمده از به کارگیری شبکه های فازی شواهدی و سایر مدل های پرکاربرد در این زمینه، مانند درخت تصمیم گیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه داده مربوط به سه بیمارستان شهر تهران، نشان داد که شبکه فازی شواهدی با صحت 84.8% ، عملکرد بهتری از سایر مدل ها دارد. در رویکردی دیگر، ترکیب نتایج شبکه فازی شواهدی با مدل بیز ساده، به افزایش صحت پیش آگهی به 85.2 % منجر شد. علاوه بر این، توانایی این شبکه ها در برخورد با داده های گمشده، به عنوان یکی از چالش های رایج در مجموعه داده های پزشکی، بررسی شد. شبکه فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جا نهی داده های گمشده در مقایسه با سایر مدل ها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روش ها روبرو شد.
کلیدواژگان: وزن کم هنگام تولد، مدل پیش آگهی، شبکه های فازی شواهدی، داده های گمشده، جا نهی، مدیریت عدم قطعیت -
صفحات 211-221
در پژوهش حاضر، سیگنال های الکتروانسفالوگرام بیماران مبتلا به تومور مغزی و افراد سالم را برای مطالعه تغییرات ناشی از بروز تومور مغزی در سیگنال های مغزی و در نهایت امکان سنجی تشخیص این بیماری توسط سیگنال های EEG، بررسی کرده ایم. برای این منظور از داده های EEG ثبت شده از چهار کانال F3، F4، T3 و T4 برای پنج فرد مبتلا به تومور مغزی و چهار فرد سالم، استفاده شده است. پس از پیش پردازش، ویژگی های خطی زمانی و طیف فرکانسی و ویژگی های غیرخطی بعد فرکتال و آنتروپی، استخراج شد. سپس تمایزپذیری میان دو گروه، با استفاده از اندیس دیویس-بولدین، طبقه بندی خطی LDA، غیرخطی KNN و SVM بررسی شد. بر اساس مقادیر به دست آمده برای اندیس دیویس-بولدین در وضعیت استراحت ذهنی چشم بسته، ویژگی های RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی و در وضعیت استراحت ذهنی چشم باز، ویژگی های RMS و توان مطلق باند تتا، بیشترین تمایزپذیری را میان دو گروه سالم و بیمار نشان دادند. در این مرحله، طبقه بندی دو گروه سالم و بیمار با استفاده از تک ویژگی ها انجام شد، که بهترین صحت طبقه بندی مربوط به ویژگی RMS در حالت استراحت ذهنی چشم بسته و 88.89% به دست آمد. این موضوع نشان دهنده این است که ویژگی خطی RMS در افراد سالم و مبتلایان به تومور مغزی، تمایز خوبی ایجاد می کند. در پایان نیز برای دو حالت استراحت ذهنی چشم بسته و چشم باز و با استفاده از تمامی ویژگی های منتخب، طبقه بندی انجام شد. با توجه به نتایج، بیشترین صحت طبقه بندی 82.54% با استفاده از ویژگی های برتر RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی در حالت استراحت ذهنی چشم بسته، به دست آمد. با توجه به نتایج مشاهده می شود که ویژگی های خطی، قابلیت خوبی برای جداسازی سیگنال های EEG افراد سالم و بیماران مبتلا به تومور مغزی دارند، که می توان از آنها، به دلیل سادگی و بار محاسباتی کم، برای تشخیص برخط بیماری تومور مغزی، به خصوص در آزمون های دوره ای غربالگری، استفاده کرد.
کلیدواژگان: تشخیص بیماری تومور مغزی، سیگنال های الکتروانسفالوگرام، اندیس دیویس-بولدین، ویژگی های خطی و غیرخطی سیگنال های EEG -
تحلیل عددی مدل سه بعدی طناب نخاعی در شرایط بیماری سیرنگومیلی با استفاده از روش بر هم کنش سیال و جامدصفحات 223-230بزرگ شدن سیرینکس در بیماری سیرنگومیلی، باعث بروز آسیب نورولوژیکی پیشرونده میشود؛ بنابراین، بررسی عوامل دخیل در توسعه سیرینکس، در یافتن روش هایی برای کنترل این بیماری بسیار اهمیت دارد. یکی از فرضیات بالینی مهم در رابطه با علت توسعه سیرینکس، انتشار موج شوک فشار در سیال فضای ساب آراکنویید را عامل اصلی حرکت سیال داخل سیرینکس و در طولانی مدت، توسعه سیرینکس و آسیب فزاینده به نخاع، می داند. مدل سازی و تحلیل حاضر در راستای آزمودن این فرضیه و به کمک روش المان محدود انجام شده است؛ به این ترتیب که یک مدل سه بعدی، شامل سیرینکس، طناب نخاعی، سیال مغزی-نخاعی در فضای ساب آراکنویید، لایه سخت شامه و گرفتگی، ایجاد شد. تحریک پالس فشار به سطح بالایی مدل سیال فضای ساب آراکنویید، که تاثیر پالس شریانی جمجمه ای را شبیه سازی میکرد، اعمال شد. سیال مغزی-نخاعی، به صورت نیوتنی و جریان آن، به صورت لایه ای فرض شد. رفتار جامد نیز، الاستیک خطی در نظر گرفته شد. تحلیل برهم کنش سیال و جامد توسط نرم افزار ADINA اجرا شده و مشخصات جریان سیال، شامل میدان سرعت و فشار و همچنین تنش های ایجاد شده در بافت ها، استخراج شد. نتایج نشان می دهد که انتشار موج فشار در سیال فضای ساب آراکنویید، به القای حرکت در سیال سیرینکس منجر می شود و با توقف سیال در انتهای سیرینکس، افزایش فشار موضعی به ایجاد تمرکز تنش در بافت نخاعی می انجامد؛ اما مقادیر این تنش ها، کمتر از حد تحمل بافت نخاعی است و انتشار موج فشار در این شرایط، نمی تواند عامل اصلی توسعه سیرینکس باشد.کلیدواژگان: هیدرودینامیک سیال مغزی-نخاعی، روش المان محدود، انتشار موج فشار، سیرینکس
-
صفحات 231-244
شبکه های حسگر بی سیم بدنی، مجموعه ای از حسگرهای حیاتی برای مشاهده وضعیت سلامت بیماران از راه دور هستند. تشخیص و تمایز وضعیت های غیرعادی، شامل خطای حسگرها یا وضعیت های اضطراری، علاوه بر رفع نیاز دایمی به متخصص، می تواند باعث کاهش نرخ هشدارهای نادرست شود. در این پژوهش، برای تشخیص و تمایز وضعیت های غیرعادی، روشی تک متغیره، بدون سرپرست و بی درنگ با قابلیت پیاده سازی سخت افزاری آسان، ارایه شده و همچنین روشی جدید برای تصحیح خطاهای گذرا پیشنهاد شده است. روش پیشنهادی، سریع تر از روش های موجود در پژوهش های پیشین عمل می کند و دقت آن به طور کامل قابل مقایسه با روش های موجود است. شبیه سازی روش پیشنهادی روی مجموعه داده های اینترنتی انجام شده است و نتایج حاصل از آن با روش های موجود، مقایسه شده اند. همچنین برای ارزیابی و اعتبارسنجی نهایی روش پیشنهادی، از داده های ثبت شده در یک آزمایش واقعی استفاده شده است، که نتایج آن بر عملکرد مناسب روش پیشنهادی در تشخیص وضعیت های غیرعادی و تصحیح خطاهای گذرا تاکید می کند.
کلیدواژگان: شبکه های حسگر بی سیم بدنی، تشخیص وضعیت غیرعادی، تصحیح خطا -
صفحات 245-256هدف از انجام این پژوهش، بررسی عددی و آزمایشگاهی استفاده از روش عکس برداری حرارتی (ترموگرافی) برای تشخیص غده تیرویید در بافت گردن است. برای این کار، ابتدا مدلی واقعی و سه بعدی از گردن انسان و اندام های اصلی قرار گرفته در آن شامل نای، غده تیرویید و سرخرگ و سیاهرگ گردنی، بر اساس عکس های گرفته شده با استفاده از روش عکس برداری مقطع نگاری رایانه ای (سی تی اسکن) از بیمار سالم و بیمار مبتلا به سرطان تیرویید، ساخته می شود. سپس، از مدل ساخته شده برای تحلیل انتقال حرارت در بافت گردن استفاده می شود. در تحلیل حرارتی غده تیرویید، به عنوان یک منبع حرارتی که گرمای تولیدی در آن تابع دمای لحظه ای بافت است، در نظر گرفته می شود. انتقال گرما نیز در اثر پدیده جا به جایی بین لایه درونی نای و هوای تنفس شده، بین سطح پوست گردن و محیط اطراف و همچنین انتقال گرما از سرخرگ و سیاهرگ گردنی، در مدل سازی لحاظ می شود. نتیجه مدل سازی، نقشه حرارتی (ترموگرام) سطح پوست گردن است که نشان دهنده افزایش دمای 5/0 تا 4/1 درجه سلسیوس ناحیه ای از گردن در مجاورت غده تیرویید، برای نمونه سالم است. بررسی تاثیر وجود توده سلولی سرطانی در بافت تیرویید نیز روی نقشه حرارتی، نشان دهنده افزایش دمای 7/0 تا 6/1 درجه سلسیوس است، که در اثر متابولیسم بالاتر توده سرطانی نسبت به بافت سالم رخ می دهد. برای بررسی عملی کاربردی بودن روش ترموگرافی، ارزیابی آزمایشگاهی روی یک نمونه سالم در شرایط مشابه با مدل سازی، توسط یک دوربین حرارتی با دقت بالا انجام می شود. تشابه نقاط سطح گردن با دمای افزایش یافته در تست آزمایشگاهی با نتایج مدل سازی، نشان دهنده توانایی روش عکس برداری حرارتی برای تشخیص غده تیرویید از روی سطح گردن است.کلیدواژگان: غده تیروئید، عکس برداری حرارتی، انتقال حرارت در بافت، سرطان تیروئید، مدل سازی اجزای محدود
-
صفحات 257-266با توجه به اهمیت مغز و سلول های عصبی و بیماری ها و آسیب های مربوط به این سلول ها، تحقیقات بسیار گسترده ای در این حوزه انجام می شود؛ اما به دلیل تخصصی بودن رفتار این سلول ها، هر تحقیقی تنها یک جنبه(الکتروفیزیولوژیکی، شیمیایی و مکانیکی) از این سلول را بررسی کرده است. تحقیقی که بتواند تاثیر این عوامل را بر هم و به طور جامع بر رفتار سلول عصبی نشان دهد، انجام نشده است. از آنجا که ارتباط روابط مکانیکی و الکتریکی سلول عصبی، نقش تعیین کننده ای در بسیاری از بیماری ها، آسیب ها(مانندضربات مغزی) و درمان ها (مانند تحریک با امواج فراصوت) دارد؛ از این رو نیاز به مدل سازی اثر نیروی مکانیکی بر عملکرد الکتروفیزولوژیک سلول عصبی حس می شود. این تحقیق، یکی از اولین گام ها برای دست یابی به این هدف است که با در نظر گرفتن ویژگی حساسیت مکانیکی کانال های یونی، تاثیر نیروی مکانیکی را بر موج پتانسیل عمل به دست آوریم. در این مدل، خواص مکانیکی و الکتروفیزیولوژی نورون و بر هم کنش آنها بر یکدیگر در نظر گرفته شده است. مدل جامعی بر اساس میراگر کسری، برای مدل سازی مکانیکی و معادلات هاجکین هاکسلی، برای مدل الکتروفیزیولوژی سلول ارایه شده است. از آزمایشات موجود نیز برای ارتباط این دو مدل استفاده شده است؛در واقع با اعمال تنش، رفتار الکتروفیزیولوژیکی سلول(پتانسیل غشا و جریان کانال های یونی) را بررسی می کنیم. کرنش به دست آمده از مدل میراگر کسری، بر فعال سازی و غیر فعال سازی کانال های یونی و در نتیجه معادلات هاجکین هاگسلی اثر می گذارد. نتایج، نقص عملکردی سلول عصبی را در زمان آسیب نشان می دهد، که باعث کاهش اندازه موج پتانسیل عمل می شود. این کاهش می تواند بسته به میزان آسیب(کرنش پلاستیک) سلول، بازگشت پذیر یا بازگشت ناپذیر باشد.کلیدواژگان: آسیب، سلول عصبی، الکتروفیزیولوژی، میراگر کسری، هاجکین هاکسلی، نیروی مکانیکی
-
صفحات 267-277استخراج ویژگی های تفکیک پذیر، بخشی مهم در سیستم های واسط مغز-کامپیوتر (BCI) است، که می تواند بر کارایی طبقه بندی، تاثیر گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستم های BCI مبتنی بر تصورات حرکتی، استفاده می شود. CSP سعی می کند تا مناسب ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. به طور معمول پیش از اعمال CSP، سیگنال های EEG در باند فرکانسی 30-8 هرتز، فیلتر می شوند تا ریتم های مربوط به ناهمگامی وابسته به رویداد (ERD)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، می تواند تاثیر بسزایی در بهبود صحت طبقه بندی داشته باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO)، روش یادگیری نوینی را برای به دست آوردن هم زمان فیلترهای طیفی و فضایی ارایه می دهیم. همچنین، از معیار اطلاعات متقابل بین ویژگی های استخراج شده و برچسب گروه ها، به عنوان تابع هزینه استفاده می شود. شبیه سازی های انجام شده روی مجموعه داده یک از رقابت BCI، نشان می دهد که صحت طبقه بندی روش پیشنهادی، به طور معناداری بیشتر از روش های CSP و بانک فیلتر CSP (FBCSP)، با دو نوع بانک فیلتر متفاوت، است.کلیدواژگان: واسط های مغز-کامپیوتر، الگوهای فضایی مشترک، ویژگی های طیفی-فضایی، بهینه سازی اذحام ذرات، اطلاعات متقابل
-
Pages 197-209
Babies are born under 2,500 g., defined as low birth weight (LBW) babies. They are exposed to the higher risks of mortality, congenital malformations, mental retardation, and other physical and neurological impairments. 15.5 % of births around the world are LBW. Reduction of the rate of LBW births to one-third is one of the aims of United Nations Children’s Fund program. Prognosis of LBW births can play a critical role in the reduction of these cases. Also, it helps clinicians to make timely and efficient clinical decisions to save these babies' life. In this study, a hybrid framework called fuzzy evidential network with a good ability to manage different aspects of uncertainty is a selected as the LBW prognosis model. The accuracy of prognosis and the performance of the fuzzy evidential network in the management of missing values of the clinical database were investigated and compared with well-known prognosis models of LBW. The results showed that the fuzzy evidential network has higher prognosis accuracy (84.8%) than other prognosis models. On the other hand, the fusion of naïve Bayes and the fuzzy evidential network outputs resulted in higher prognosis accuracy (85.2%). In addition, the fuzzy evidential network performance in the management of uncertainty induced by imputation method, was better than other prognosis models of this study. The performance loss of this framework as the results of the missing data increment, is less than other models.
Keywords: low birth weight, prognosis model, fuzzy evidential network, missing data, imputation, Uncertainty -
Pages 211-221
In this research, we analyzed the EEG signals of patients with brain tumor and healthy participants in order to study the effects of brain tumor on brain signals and also the feasibility of brain tumor detection using EEG signals. For this reason, EEG signals of four channel F3, F4, T3 and T4 from 5 patients with brain tumor and 4 healthy participants were recorded. After preprocessing, linear features in time and frequency domains and nonlinear ones such as fractal dimensions and entropies were extracted. Afterwards, the differentiation between2 groups was analyzed using Davies-Bouldin Index, LDA, KNN and SVM classifiers. According to the results of Davies-Bouldin Index, RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed and RMS and Theta Absolute Power features in resting state with eyes opened, had the most distinction between the two groups. In this stage classification of two groups using single features was done and the most accuracy of 88.89% was obtained for RMS feature in resting state with eyes closed. At the end, classification of two groups using all selected features was conducted and the maximum accuracy of 82.54% was obtained for RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed. According to the results, EEG linear features have a good capability of detecting brain tumor. As these features are simple and have low computational complexity, they can be used in online applications especially for periodic screening tests.
Keywords: Brain Tumor Detection, Electroencephalogram Signals, Davies-Bouldin Index, Linear, Non-Linear Features of EEG Signals -
Pages 223-230Syrinx growth in Syringomyelia desease causes progressive neurological disorders. Thus, the examination of effective factors in syrinx development is so important for controlling this desease. One of clinical assumptions related to the reason of syrinx development, considers the propagation of pressure wave shock in subarachnoid-space fluid as the main reason for fluid motion in syrinx and syrinx development and increasing damage to spinal cord. Modeling and analysis have been performed to test the theory in this research using finite element method. So a 3d model was created including syrinx, spinal cord, cerebrospinal-fluid in subarachnoid-space, dura mater and stenosis. Pressure puls stimulation was applied to the superior surface of the subarachnoid-space fluid model simulating arterial puls of skull. Cerebrospinal-fluid has been assumed as a Newtonian fluid with laminar flow. The solid phase has been considered to be linear elastic. The fluid-solid interface was analized using ADINA software and fluid flow characteristics were extracted including velocity and pressure field as well as tissue stresses. Results show that pressure wave propagation in subarachnoid-space fluid causes the induction of motion in syrinx fluid, and stress concentration is created in spinal tissue due to the fluid cessation in syrinx and increasing local pressure, however these stress values are lower than spinal tissue strength and pressure wave propagation in this situation cannot be the main reason of syrinx development.Keywords: cerebrospinal-fluid hydrodynamics, finite element method, pressure wave propagation, syrinx
-
Pages 231-244
Wireless Body Area Networks (WBAN) consist of a collection of biosensors utilized to remotely monitor the health status of patients. High accuracy anomaly detection and distinguishing between faults and physiological anomalies play a key role in proper detection of real emergency situations and is cruicial in lowering False Alarm Rate (FAR) cases. In this work, a univariate, unsupervised and real-time anomaly detection algorithm is proposed based on Hampel identifier and its performance is compared with previous and reported methods. Furthermore, a novel prediction method is introduced and utilized in order to correct for transient faults that are quite probable in WBANs, due to inherent noise and artifact of physiological sensors. Proposed method is shown to be faster than reported approaches while providing comparable. Final validation of the proposed method is performed by a real experimental dataset along with intentionally added faults and physiological anomalies. The results illustrate appropriate anomaly detection ability of the proposed approach.
Keywords: WBAN, Anomaly detection, Hampel identifier, Fault correction, kNN method -
Pages 245-256The aim of this study is to investigate the use of thermography technique for detection of thyroid gland embedded in the neck through a numerical and an experimental approach. To this end, a real 3D model of the human neck and its primary organs including trachea, thyroid gland, common carotid artery and internal jugular vein is constructed based on the computerized tomography (CT) scan images of a healthy case and a case of thyroid cancer. The model is used for analyzing bio-heat transfer in the neck. In the thermal analysis the thyroid gland is considered as a heat source via specific function that generates heat based on the thyroid temporal temperature. Moreover, external convection through the neck skin surface and the ambient air, an internal convection through the inner layer of trachea and breathed air and heat transfer through the artery and the vein are considered. The result is the temperature distribution (thermogram) on the skin surface of the neck which reveals an approximate 0.5 -1.4 ˚C temperature increase on the area above thyroid gland for the healthy case. Studying effects of the thyroid cancer on the thermogram shows an approximate 0.7 -1.6 ˚C temperature increase due to the increased metabolic rate of the cancerous tumor compared to the healthy tissue. In order to practically investigate the applicability of thermography technique, a healthy case is examined by a high precision thermographic camera in similar conditions to the numerical simulation. Similar temperature increase due to the existence of the thyroid gland by the simulation and experiment affirmed the capability of the thermography method in the thyroid gland detection on the skin surface of the neck.Keywords: Thyroid gland, Thermography, Bio-heat transfer, Thyroid cancer, finite element analysis
-
Pages 257-266Due to the importance of the brain and neurons, a vast area of research has been conducted in this field. However, due to the complexity of the neural behavior, each study investigated the functionality of neurons from one perspective such as electrophysiological, chemical, or mechanical perspective. In spite of the large number of research conducted on the brain injury topic, there is no study investigating the interaction of the mechanical and electrical characteristics of the neurons and its effect on the cell functionality. Understating the interaction between the mechanical and electrical properties of a neuron will have a substantial effect on treating neurological diseases such as traumatic brain injury and improving treatment methods such as ultrasound. As a result, there is a vital need to simulate the effect of mechanical forces on the electrophysiological behavior of a neuron. This study is one of the few attempts to achieve this goal by taking into account the mechanosensitivity of ion channels which affects the action potentials. Our proposed comprehensive model is based on power law equation (fractional dashpot) for mechanical modeling, Hodgkin Huxley (HH) equation for electrophysiological model and recent experiments for combination of these two equations. Based on the model, the calculated strain from the power law equation affects the activation and inactivation of ion channels. By changing the activation and inactivation variable in the HH equation, we can evaluate the effect of strain and mechanical stimulation on neural function. The results reveal neuron functions’ deficiency during neuron mechanical damage. As a result, action potential signal’s amplitude reduces. This reduction in amplitude of the action potential may be reversible or irreversible based on the amount of damage (plastic deformation).
-
Pages 267-277Extracting discriminative features is a crucial step in brain-computer interfaces (BCIs) that could affect directly on the classification performance. Common spatial patterns (CSP) is a commonly used algorithm for such propose in motor imagery based BCI systems. CPS tries to extract the most appropriate spatial patterns in the electroencephalogram (EEG) signals to discriminate different motor imagery classes. Before applying CSP, Usually EEG signals are filtered out in 8-30 Hz to capture event related desynchronization (ERD) specific frequency rhythms called mu and beta bands. However, this frequency band could be highly subject specific. Therefore, optimizing spectral and spatial filters jointly could improve the classification accuracy. In this paper, we proposed a novel learning algorithm to derive spatial and spectral filters simultaneously using an evolutionary learning algorithm called particle swarm optimization (PSO). Furthermore, we utilized mutual information between extracted features and class labels as a cost function in the learning algorithm. Our simulations on BCI competition IV, dataset 1 reveals that the proposed method significantly outperforms the conventional CSP and filter bank CSP (FBCSP) with two different filter bank architectures.Keywords: Brain-Computer Interfaces, common spatial patterns, Spatio-spectral features, Particle Swarm Optimization, mutual information
©2000-2024 magiran.com All Rights Reserved.