اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتحسين جودة استحصال إشارة قلب الجنين FECG باستخدام الشبكات العصبونية و إلغاء فرق الطور
Enhancement of the Quality of Fetal ECG extraction using Neural Network & Phase only correlation method
1155
0 38
0
(
0
)
نشر من قبل
جامعة البعث ورقة بحثية
تاريخ النشر
2015
مجال البحث
الهندسة الكهربائية والميكانيكية
والبحث باللغة
العربية
تأليف
يوسف حسين( باحث )
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
يعتمد البحث المقدم على تقديم طريقة جديدة لاستحصال إشارة قلب الجنين و ذلك باستخدام إشارة وحيدة لقلب الأم يتم استحصالها من منطقة الصدر و اشارة أو أكثر يتم استحصالها من منطقة البطن تحتوي على إشارة قلب الأم في منطقة البطن و إشارة قلب الجنين و العديد من مكونات الضجيج المضاف.
In this paper we present a new method for extracting the fetal electrocardiogram (FECG) signal from one thoracic ECG signal and one or more abdominal signals.
مراجعة الذكاء الصنعي:
ملخص البحث
يعرض البحث طريقة جديدة لاستخلاص إشارة قلب الجنين (FECG) باستخدام إشارة واحدة لقلب الأم من منطقة الصدر وإشارة أو أكثر من منطقة البطن. تعتمد الطريقة على تطوير الخوارزميات السابقة التي تعتمد على بنية إلغاء الضجيج التكيفي (ANC) والمجمع الخطي. تتكون الطريقة المقترحة من أربع مراحل: الأولى تستخدم تحويل المويجة لإزالة الضجيج المضاف، الثانية تعتمد على خوارزمية إلغاء فرق الطور (Phase Only Correlation)، والثالثة والرابعة تستخدم الشبكات العصبونية لمحاكاة العلاقة غير الخطية بين إشارات القلب وتحسين جودة الإشارة. تم تطبيق الخوارزمية على إشارات حقيقية ومستخلصة باستخدام برنامج الماتلاب، وأظهرت النتائج فعالية الطريقة المقترحة في تحسين استحصال إشارة قلب الجنين مقارنة بالخوارزميات السابقة.
قراءة نقدية
دراسة نقدية: يعتبر البحث خطوة مهمة نحو تحسين استحصال إشارة قلب الجنين باستخدام تقنيات حديثة مثل الشبكات العصبونية وتحويل المويجة. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، قد يكون من المفيد توضيح المزيد من التفاصيل حول كيفية تدريب الشبكات العصبونية والمعايير المستخدمة لتقييم الأداء. ثانياً، يمكن تعزيز الدراسة بإجراء تجارب إضافية على مجموعة أكبر من البيانات للتحقق من فعالية الخوارزمية في حالات متنوعة. وأخيراً، يمكن تقديم مقارنة أكثر تفصيلاً بين الخوارزمية المقترحة والخوارزميات السابقة من حيث الأداء والفعالية.
أسئلة حول البحث
-
ما هي المراحل الأربع التي تتكون منها الطريقة المقترحة في البحث؟
المرحلة الأولى تستخدم تحويل المويجة لإزالة الضجيج المضاف، المرحلة الثانية تعتمد على خوارزمية إلغاء فرق الطور، المرحلة الثالثة تستخدم الشبكات العصبونية لمحاكاة العلاقة غير الخطية بين إشارات القلب، والمرحلة الرابعة تستخدم الشبكات العصبونية لتحسين جودة إشارة قلب الجنين.
-
ما هي الفائدة الرئيسية من استخدام الشبكات العصبونية في استحصال إشارة قلب الجنين؟
الفائدة الرئيسية هي محاكاة العلاقة غير الخطية بين إشارات القلب وتحسين جودة الإشارة المستخلصة، مما يؤدي إلى تقليل الضجيج المضاف وتحسين دقة الإشارة الناتجة.
-
كيف تم تقييم فعالية الخوارزمية المقترحة؟
تم تقييم فعالية الخوارزمية من خلال تطبيقها على إشارات حقيقية ومستخلصة باستخدام برنامج الماتلاب، ومقارنتها بالخوارزميات السابقة من حيث تقليل الضجيج وتحسين شكل الإشارة الناتجة وتقليل متوسط مربع الخطأ.
-
ما هي النقاط التي يمكن تحسينها في البحث؟
يمكن تحسين البحث بتوضيح المزيد من التفاصيل حول تدريب الشبكات العصبونية، إجراء تجارب إضافية على مجموعة أكبر من البيانات، وتقديم مقارنة أكثر تفصيلاً بين الخوارزمية المقترحة والخوارزميات السابقة من حيث الأداء والفعالية.
المراجع المستخدمة
Klabunde R.E. (2015) Cardiovascular Physiology Concepts, Published by Lippincott Williams & Wilkins 1st edition, pp: 235
E. Ferrara and B. Widrow, “Fetal electrocardiogram enhancement by time-sequenced adaptive filter,” IEEE Trans. on Biomedical Engineering, vol.BME- 29, no. 6, pp. 458- 460,1982
V. Zarzoso and A. Nandi, “Noninvasive fetal ECG extraction: blind separation versus adaptive noise can cellation,” IEEE Trans. on Biomedical Engineering, vol. 48, no. 1, pp. 12-18, 2001
V. Zarzoso, A.K. Nandi and E. Bacharakis. ”Maternal and foetal ECG separation using blind source separation methods,” Journal of Mathematics Applied in Medicine and Biology, vol.14, no. 3, 1997
قيم البحث
اقرأ أيضاً
يقدم هذا البحث تقنية جديدة لتحسين عامل الاستطاعة بالاعتماد على الشبكات العصبونية الاصطناعية. حيث يتم التحكم بمحرك متواقت عن طريق متحكم عصبوني للتعامل مع مشكلة تعويض الاستطاعة الردية للنظام، و ذلك بهدف تحسين عامل الاستطاعة.
تم في هذا البحث نمذجة النظ
ام الكهربائي و المتحكم العصبوني باستخدام برنامج ماتلاب، و قد بينت النتائج أن هذه الطريقة قد تغلبت على المشاكل التي تحدث عند استخدام الطرق التقليدية (استخدام المكثفات الساكنة)، كالتأخير الزمني و التغيرات الخطوية في تعويض الاستطاعة الردية، بالإضافة إلى السرعة بالمقارنة مع التعويض باستخدام المكثفات.
سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
نقدم في هذا البحث دراسة علمية متقدمة متطورة و تواكب الدراسات و التكنولوجيا الحديثة حول التنبؤ قصير الأمد جدا بالأحمال الكهربائية و تطبيق الدراسة من أجل التنبؤ بالحمل الكهربائي في المنظومة الكهربائية السورية الأساسية حيث تم دراسة التنبؤ بهذا الحمل لأر
بع ساعات قادمة وفق المعيار الذي تتبعه وزارة الكهرباء في القطر لكن بفواصل زمنية قصيرة تبلغ عشرة دقائق بين التنبؤ و التنبؤ الذي يليه و قد أطلقنا عليه التنبؤ الآني.
يقدم البحث طريقة مطورة لكشف مكان نموذج الوجه في الصورة, و ذلك بجمع أكثر من تقنية لتحقيق أفضل نسبة كشف. يبنى نموذج لون بشرة باستخدام الفضاء اللوني (RGB) Red, Green, Blue, لكشف مناطق البشرة و ينتج المناطق المرشحة لتكون الوجه في الصورة. و من خلال تقنية
الشبكة العصبونية يتم تدريب مجموعة من صور الوجوه و صور لغير الوجوه (الخلفية) ، بعد إسقاطها على حيز جزئي بواسطة تقنية تحليل المعاملات الأولية بهدف تقليل أبعاد صور التدريب و تقليل الزمن الحسابي. يوجد تعديلين للاستخدام التقليدي للشبكة العصبونية و هما: أولاً, تختبر الشبكة العصبونية مناطق الصورة المرشحة لتكون وجوه فقط, بالنتيجة يتم تقليل حيز البحث. ثانياً, يتم تكييف نافذة مسح الشبكة العصبونية لصورة الدخل, بحيث تعتمد على حجم المنطقة المرشحة لتكون وجه مما يمكن نظام الكشف من كشف الوجوه بحجوم متعددة.
يهدف البحث إلى تقديم دراسة مرجعيّة مفصلة عن استخدام الشبكات العصبونية الإلتفافية (CNNs) في استخراج الميزات (Features) من الصور.
وسيتطرق البحث إلى التعريف بمعنى الميزات (Features) الخاصة بالصور وأهميتها في تطبيقات معالجة الصورة.
وسيتم أيضاً التعريف
بالشبكات العصبونية الإلتفافية (CNNs) وبنيتها و طريقة عملها وأنواع المقاربات والمنهجيات المستخدمة في تدريبها لاستخراج الميزات (Features) من الصور.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
